随着城市的快速发展,城市化进程中的安全问题也引起社会的重视,尤其是在智能安防、城市交通、公共安全领域,行人安全越来越重要。因此行人检测成为研究领域的一个热门研究方向。作为计算机视觉中的一个常见问题,对行人检测的研究已经取得了很大的进步,但还存在一些难点:行人与其他许多物体相比具有很大差异,除了具有非刚性的特点,在站立姿势、衣着样式颜色以及一些遮挡等方面也存在复杂情况;监控角度、光照条件、背景等非人条件也有很多的不确定性。这些都会给行人检测带来一定难度。本文首先对国内外常见的行人检测算法进行了介绍,针对基于统计分类的行人检测方法进行详细的研究,从行人检测的一般流程出发,对特征提取、分类算法方面的一些基本算法进行了全面的阐述。其中,详细的介绍了比较常见的行人特征描述算法的原理,分析了常用的行人分类算法和各自的特点。然后,本文提出了基于人头肩的类Haar特征对行人上半身信息进行描述,并对HOG特征的计算方式进行了改进以减少运算量,利用统计分类算法生成行人检测分类器:由SVM训练得到HOG特征分类器,AdaBoost算法训练得到类Haar特征分类器。最终构建出一种基于特征级联行人检测算法,即先用HOG特征分类器得到直立行人检测窗口,随后在该窗口中由类Haar特征分类器确定是否存在人头肩信息来最终判断这个窗口是否包含行人。在视频中行人的检测阶段,本文通过对比常见的运动目标检测算法,选定背景减除法作为辅助检测算法。引入运动目标检测算法主要可以缩小整个检测窗口,这样不仅可以减少行人特征的计算量,而且可以将行人检测精确定位到运动的前景当中,降低了行人检测的误检率。最后,本文采用国际上通用的标准行人数据集进行实验,将数据应用于行人特征分类器训练。运动信息提取采用运行效率和效果良好的码本模型。同时,还利用OpenCV中提供的对GPU加速的支持,并行计算HOG特征,有效的提高了检测的速度。实验表明,本算法在准确率和效率两方面都有了一定的提升,当然还有很多方面需要进行完善和改进,尤其是对应场景变化和行人半遮档的情况还有很大的提升空间。