复杂背景是当前行人检测技术研究中的重点。低分辨率和低对比度限制了行人检测的精度。研究这两个问题,促进行人检测面向工程化应用。行人检测大量应用于视频监控等安防行业,是计算机视觉和模式识别等领域重要研究课题。为了提升学术研究意义,加快工程化应用步伐,本文针对低分辨率行人检测展开了研究。对于静态图片的行人检测,运用Viola-Jones的haar矩形特征,创建了外观过滤器,进行AdaBoost训练,设计分类器,产生静态行人检测器。对于运动行人检测,创建了运动过滤器,通过训练,获得动态行人检测器。测试数据集来源于PETS2001.对于复杂背景问题,本文全面分析了基于混合高斯模型运动目标检测方法的优势和不足,针对其更新速度慢、收敛性差的缺点提出了相应的改进方法,通过基准数据集的测试验证了该方法的有效性。采用光流进行行人匹配和跟踪,建立行人运动轨迹,进行行人检测和分类。为了排除场景中非人体运动目标,本文提出了基于形状信息的行人分类方法总体框架和人体模型的建立过程。针对复杂背景中阴影对运动目标形状的干扰变形,描述了LBP(局部二值模式)纹理算子和HSV色彩空间进行阴影识别的过程。建立了阴影概率模型来获得阴影属性,使用阈值策略识别阴影像素。该算法在基准数据集进行了验证,得到好的近似。本文测试数据来源于基准数据集和交通监控中心的实时视频流。数据集中背景复杂；光照条件不同,包含阴晴雨雪；行人目标外观不同,分辨率较低,对比度程度变化较大；并且场景中有大量的非行人运动目标的干扰,例如车辆、动态背景等。大量测试实验表明了算法理论研究的可行性。