行人检测在视频监控、人机交互、无人驾驶、机器人、高级驾驶员辅助系统等方面有着广泛应用。在计算机视觉领域,研究最多的就是行人检测。准确率高、速度快是研究人员追求的目标,但是很难同时兼顾。基于积分通道特征的行人检测方法,在保证了检测速度的情况下,还能达到较好的准确率,很多实时系统采用这一行人检测方法。关于这一方法的研究,尚未达到饱和程度,准确率还有进一步提高的空间,这正是本文研究的目标。主要的研究内容如下:(1)在用AdaBoost算法训练分类器时,构建合适的特征池很关键。本文提出用“精选特征”的方法构建特征池,通过逐一研究不同窗口大小的特征,找出分类效果好的特征构建特征池。这种方法的优势是特征池小,占用内存资源少,训练时间短,而且可以得到更好效果的分类器,漏检率下降了3.68个百分点。(2)在计算特征值时,通常把矩形内像素的和作为特征值。本文提出用“加权求和”的方法计算特征值,目的是提高特征某一区域的权重。实验结果表明,这一方法可以提高检测准确率。(3)检测效果相差不多的分类器,一个分类器漏检的行人,另一个分类器可能会检测到。基于此本文设计并实现了多分类器检测,进一步提升了检测效果。多分类器检测可使漏检率下降2~3个百分点。