随着公共安全被社会越来越广泛的重视,视频监控技术应用在许多重要的场合,其中行人检测作为计算机视觉领域经典的目标检测类型,依旧是众多机构的研究热点。在行人检测的研究历程中,行人遮挡严重、行人尺寸不一、背景干扰等因素一直困扰着研究人员,许多算法都被应用于解决行人检测中的各类难题,本文基于不同的检测算法,主要研究工作如下:1、运动目标检测方面,对比分析了四种常见检测算法,并且根据算法本身的缺点以及实际应用场景的复杂性,选择高斯混合模型和边缘检测算法作为主要算法,对Canny边缘算子中的高斯滤波器使用混合滤波器进行了替换,同时自适应双阈值的Otsu算法,而视频帧采用隔帧处理的四帧差分法,避免了光照突变等干扰,使前景目标轮廓空洞消失,边界完整。2、传统的人为设计的底层特征方面,分析了 Haar、LBP和HOG三种常用于目标检测的图像特征和Adaboost、SVM分类器,分别用特征与分类器组合的方法进行行人检测,得到了不同的检测效果,在漏检率和准确率上有明显的数据差异,分析验证了 HOG由于其不变性,容许行人的姿态差异,更适用于做行人检测。3、深度学习方面,剖析了 YOLO算法的网络结构,针对YOLO算法对小目标行人的不敏感性,将BN算法加入到神经网络结构,重新构建YOLO网络,对于目标尺寸的不统一,使用13×13、26×26、52×52三种尺度进行弥补,得到新的YOLO网络的检测精度比之前的检测精度有所提高,小目标行人检测效果得到改善。4、视频中的行人检测方面,利用OpenCV、TensorFlow等框架搭建了简易的行人检测客户端,对本地视频和实时视频能够存储保留和检测后显示保留,方便检测对比。