行人检测是利用计算机视觉判断图像或者视频序列中是否存在行人,并对行人位置给予精确定位的技术。在智能监控、智能交通、人机交互等领域都有广阔的应用前景。由于行人具有非刚体性,其衣着服饰千差万别、所处的背景情况也复杂多变,这都给行人检测带来了很大的困难。行人检测中用的彩色图像虽然纹理细节比较丰富,分辨率也高,可获取的信息很充足,但是容易受到光照、遮挡、背景复杂等因素的影响。随着微软Kinect相机的面世,利用深度图像进行行人检测成为该领域新的研究热点。深度图像虽然分辨率有限,但对光照变化具有不变性,可以与彩色图像优势互补。为了提高行人检测算法的准确性和鲁棒性,本文分别从像素级和特征级信息融合的角度融合彩色图像与深度图像的信息,主要贡献如下:1.提出了融合RGB-D图像HOG特征的行人检测算法。算法首先将彩色图像和深度图像利用Haar小波做像素级融合,然后对融合后的图像提取梯度方向直方图特征,最后利用该特征描述子对行人进行分类检测,这样可以有效应对光照、遮挡、复杂背景等挑战。实验结果表明,相较于其他经典算法,本算法的检测精度得到了明显改善。2.提出了融合彩色图像边缘和深度方向直方图的行人检测算法。算法首先对彩色图像通过剪切波提取边缘特征来描述行人的整体结构性质,对深度图像提取深度梯度直方图来获取局部区域的梯度和边缘信息,然后将其融合作为新的特征描述子,最后利用该描述子作检测。由于充分融合了行人的局部特征和整体结构特征,当遇到噪声、遮挡、光照、颜色相近等挑战时,本算法有明显优势。实验表明,与其他算法相比,本算法的鲁棒性得到了显著提高。