行人检测是计算机视觉的一个关键应用领域,一直受到人们的广泛关注,如何对静态图片中的行人进行准确而快速的检测,是目前具有良好应用前景的研究方向。本文我们融合几种初级特征提取的方法,采用支持向量机(Support Vector Machine, lib-SVM)作为分类器,对静态行人样本进行分类。为了进一步地提高检测率,减少分类器的时间消耗,我们对提取的初级特征进行了进一步的降维处理(如奇异值分解、稀疏表达),得到样本的低维特征,并在行人图片数据库INRIA和Daimler.上得到验证性的实验结果。通过比较两组实验的结果,并通过处理时间和误检率的对比,分析每种处理条件下得到的特征的表现。本文采取梯度直方图特征和纹理特征作为初级特征,经过投影到不同的低维空间,得到不同的低维二级特征,然后将同一低维空间的两种二级特征进行组合,并且将同一初级特征的两种二级特征组合,具体处理过程如下：首先,采用梯度直方图特征(Histograms of Oriented Gradients, HOG)和表达纹理特征的局部二值模式(Local Binary Pattern, LBP)提取样本的初级特征。并将两种初级特征进行简单的组合,作为新的组合特征(HOG-LBP),实验表明,组合后的特征可有效提高检测率。其次,采用大家熟悉的PCA对两种初级特征进行降维,将初级特征投影到低维空间,得到低维空间的新特征。同时用K-SVD通过学习过完备字典,得到两种初级特征的稀疏表达,同样得到降低初级特征维度的效果。实验表明,降维后的特征大大降低了时间的消耗,同时检测率并没有损失。再次,为了进一步探索梯度特征和纹理特征的组合效果,将PCA处理过的两种低维特征进行简单组合,作为新的特征。同样地,将K-SVD提取的稀疏表达,进行简单组合,作为新的特征,实验表明,相同投影方式下得到的两种初级特征的组合特征,相比较于初级特征直接组合(HOG-LBP),检测时间大大降低,同时误检率也得到一定程度的降低。最后,对于梯度直方图特征,将两种低维空间中的特征进行组合,即得到同一特征不同投影空间的特征的组合。对纹理特征做同样的处理,实验表明,同一种特征,经过不同投影方式处理后,得到的组合特征也能有效地提高检测率。