行人检测作为计算机视觉领域的重要研究课题之一,在智能监控、汽车辅助驾驶、救援辅助等领域有广泛的应用前景。但行人外形多变,衣着不同造成行人特征描述困难,现阶段的行人检测方法在检测精度与检测速度上都很难达到应用水平。　　本文首先对现阶段的行人检测方法进行学习分析,对行人特征描述子的选择与行人的快速检测方法等技术进行研究,设计实现了一种快速行人检测方法,具体研究内容如下:　　1.研究学习常用的行人特征描述子,分析常用特征的计算原理,设计实验,在相同的应用环境下,计算各种特征并结合SVM分类器进行分类测试,对比各特征对应的检测精度与特征提取速度,结果表明聚合通道特征不管是在检测精度(大于92％)还是在特征计算速度(350fps)上都具有明显优势。　　2.AdaBoost分类器在分类检测应用中具有检测速度快精度高的优点,但同时AdaBoost分类器的训练时间非常耗时,特别是精度要求较高,弱分类器数目很多的情况。本文将深度为2的决策树作为弱分类器,为优化AdaBoost分类器训练过程,加速弱分类器的训练速度,设计实现了一种通过量化预处理训练样本特征,加快弱分类器训练速度的方法,与传统方法相比较该方法减少了弱分类器训练中遍历样本的次数,速度提高了2个数量级。　　3.AdaBoost分类器训练过程的开始阶段添加弱分类器对检测精度的提高明显,而随着弱分类器的增多,添加弱分类器的作用下降,且训练分类时间增加。针对这个问题,在弱分类器数目过多时,使用 SVM分类器综合完成分类,实现了 AdaBoost与线性SVM的级联结构,使用SVM分类器对AdaBoost未能正确分类的样本进行进一步判断,将检测精度提高了7%左右。SVM的训练只针对AdaBoost弱分类器对应的特征点,最终得到的线性SVM分类器分类速度得到了保证。　　4.为提高检测速度,检测过程中使用图像特征金字塔层间的近似关系加速特征金字塔的构建。首先计算图像的稀疏采样特征金字塔,其对应的精密采样特征金字塔各层特征由临近的稀疏金字塔对应层特征近似计算,实验结果表明,使用特征金字塔快速计算法在不影响检测精度的情况下将检测速度提高了3~5倍。