行人检测是利用计算机视觉技术判断图像或视频中是否有行人存在,并对其进行精准的定位,必要时检测出目标的状态,姿势等。该技术已被广泛地应用于车辆辅助驾驶系统、智能视频监控、该技术已广泛应用于车辆辅助驾驶系统、智能视频监控、智能交通等领域,已成为机器学习(Machine learning,ML)的研究热点之一。现代行人检测的方法主要分为两大类,第一种是基于背景建模的方法,分割图像,提取目标,提取特征,最后进行分类,这种方法对于环境的变化,如光照,天气,比较敏感。另一种是较为常用的基于统计学习的方法,根据大量的学习样本构建分类器。本文根据第二种方法设计分类器,以行人作为样本进行分类器训练和识别效果的检测。传统的行人检测算法是基于方向梯度直方图(Histogram of oriented gradient,HOG)和支持向量机(Support vector machine,SVM)相结合的方法,并采用基于蚁群算法的行人特征提取算法。SVM作为分类器,该方法是行人检测的传统方法。该方法的缺点是识别准确率低,耗时长,难以满足现代行人检测对准确率和实时性的要求。本文在传统算法基础上对分类器进行改进。以HOG算法作为特征提取算法,采用主成分分析(Principal component analysis,PCA)算法减少特征向量的维数。以此方法降低时间消耗,提高实时性。提出一种组合核函数,多项式核函数与高斯核函数线性组合作为SVM分类器核函数,使分类器即具有全局性,又具有局部性,即对附近数据有影响,又可以作用到远离测试点的数据。设置松弛变量,放弃对近线性可分情况下离群点的硬性分类,以免最优分类超平面因为个别离群点而移动,从而得到更大的几何间隔。引入惩罚因子C,调节最大几何间隔和最小松弛变量之间的平衡,表示对离群点的重视程度,C值的选择直接影响着分类器的推广能力,只有选择适合核函数的惩罚因子C才能得到泛化能力更好的分类器。以上优化过程中C值的选取和组合核函数组合系数的以及核函数的参数均对分类器准确率有影响,为了得到使分类器的分类效果达到最优,本文结合遗传算法(Genetic Algorithm,GA)与K重交叉验证(K-fold cross validation,K CV)对参数进行优化。最后,以优化后的分类器作为AdaBoost的弱分类器,通过分层迭代和改变权重的方法,重点聚集在分类困难的样本上,即那些容易被误分的样本,最终得到强分类器。最后,以行人作为测试集,通过本文分类器与传统识别方法就识别率进行对比,对最终分类器识别效果进行检测。通过对比结果可以看出,本文所得分类器在检测结果上得到明显提高。