近些年来,行人检测作为物体检测的一个重要分支,在计算机视觉领域越来越受到关注和研究,逐渐成为一个热点话题。行人检测在智能交通、监控系统、运动分析、游戏娱乐等领域有着广泛的应用。它不仅可以直接应用到实际的生产生活中来,还为计算机的人体跟踪与识别等技术打下了基础,具有较高的研究价值。本文主要研究描述特征图像的特征算子以及检测目标的模型,采用语义的形式,用不同的组合形式和规则来描述一些模型。例如从较简单的刚型模型到比较复杂的可变形部件模型,逐步地去丰富行人语义模型。建立模型之后并训练模型来提高行人检测的性能,最后在指定的PASCAL VOC挑战赛数据集中来验证相应模型的可靠性。由于HOG特征存在着各种局限性,因此需引入另一种特征描述算子——HSC特征。它采用稀疏学习的方式来获取目标图像的特征,更具鲁棒性和识别力。文中采用的是没有指明是什么部件的“弱”标签数据,为训练弱标签的数据集,引入弱标签结构SVM(WL-SSVM)的方法,跟传统方法相比,提高了性能。在实际研究行人检测时,对行人目标的检测要求极其严格,不仅要准确率高,而且要速度较快。本文采取级联检测的方式,选择级联阈值并裁剪阈值,与非级联方式的检测相比所耗时间缩短为原来的1/4。