在计算机视觉领域中,行人检测一直以来都是一个非常受关注的问题,并且在现实生活中,有很多应用都用到了行人检测技术,例如智能驾驶、视频监控等等。虽然研究人员们对行人检测的研究起步很早,但是目前在行人检测领域中仍有许多待解决的问题,例如行人的姿态,行人在图片上的尺寸大小,物体对行人的遮挡,一些外形很像行人的物体等等这些因素都会对行人检测的结果造成干扰,并且这些问题也是行人检测领域中重点的研究方向。本篇论文采用了基于统计学习的方法来进行行人检测任务,提取特征使用到了深度学习领域中基于卷积神经网络的方法。在本文中提出了一个新的行人检测模型,它把深度学习领域中基于卷积神经网络提取特征的方法和机器学习领域中基于决策树的传统分类方法结合起来,实现了对行人的快速以及精确的检测,并且对小目标的检测效果得到了很大的提升。本文对提出的联合模型主要研究内容如下:(1)由于特征对行人的描述能力能直接影响整个行人检测模型的检测精度,所以本文分析研究了卷积神经网络中不同的卷积层生成的特征映射,并通过特征组合的方式来得到特征向量,然后通过分类器来进行分类任务。最后通过实验证明了使用这种方式生成的特征具有很好的识别能力并且大大提升了行人检测模型的识别精度。(2)本文使用了一种新的分类器XGBoost,它通过使用区域建议网络的输出来进行训练任务并得到最终的结果。XGBoost分类器与基于卷积神经网络方法的分类器相比可以做到对输入信息的使用零损失,并且分类器的训练和检测任务都能在CPU上并行的进行,处理过程完全不用依赖GPU,但是依然具备非常快的检测速度。(3)本文的实验数据采用的是在行人检测领域非常流行的Caltech Pedestrian数据库,本文提出的方法可以在“Reasonable”的检测标准下将漏检率降低到8.77%,并且在检测速度方面领先于行人检测领域中的其它一些先进的方法。当不考虑检测速度的问题时,通过加入全局规范化和光流法两种方法,检测精度可以进一步的提高到8.25%的漏检率。