人体目标检测是智能视频监控系统中对行人目标进行视觉分析的基础,在国内外己被广泛重视和研究,鲁棒性更强效率更高的检测算法也不断被提出。但是由于人体目标严重的非刚性,背景的多样性,行人与行人、行人与背景之间相互遮挡以及监控摄像机实际拍摄角度的不同,行人检测依然是计算机视觉与模式识别领域的研究难点。目前,人体检测领域广泛采用基于滑动窗检测的二元化分类问题。这种方法保证每幅待检图片在不同的缩放比例下被固定尺寸(或变尺寸)的检测窗按照一定方向完成每次移动一定检测窗步长的穷尽扫描。对于每一个检测窗口,需要对其提取特定的信息以训练特征分类器或进行分类器检测。2005年Dalal和Triggs提出的梯度方向直方图(Histogram of Oriented Gradient,简称HOG)特征取得了较好检测效果。同时,Dalal等人建立了INRIA行人检测图像库用于算法检测结果的比较。随后,Dalal等的算法被国内外研究人员不断改进和完善。本文在HOG特征的基础上,提出了一种在人体边缘信息分布感兴趣区域(Region of Interest,简称ROI)中强化提取HOG特征并融合局部二元模式(Local Binary Pattern,简称LBP)纹理特征的行人检测改进算法。HOG特征的基本思想为：在一副图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。而具体到每一幅训练图片,显然地,人体边缘信息并非均匀分布。本文使用Sobel算子提取并显示灰度化后的INRIA样本库正样本图片边缘,通过定性地分析人体边缘信息的分布,先验性地设定四个HOG特征提取矩形ROI,分别为：头-肩部分、左／右上肢部分和下肢部分。LBP特征是一种有效的纹理特征描述符,可以对图像中各个像素局部邻近区域的纹理信息进行度量和提取。ROI-HOG特征只针对于行人轮廓边缘信息的收集,较多地忽略了平坦的表面,导致分类器对于嘈杂的边缘信息的处理能力和鲁棒性较差。而引入均匀模式(Uniform Pattern) LBP特征可以有效解决这一问题。同时,本文借鉴了Zhe Lin等人的局部匹配思想,创建了具有三层结构(自上而下依次为：头肩层、大腿层和小腿层)的人体形状轮廓部分模板树。进行行人轮廓形状匹配时,整个模板树自上而下匹配,每一层的匹配结果直接影响其下一层部分模板的选择。在进行每一层的模板匹配时,我们对检测窗口进行梯度值和梯度方向的计算,提取与HOG特征类似的特征向量,以计算各层匹配分数。为测试本文算法的检测效果,本文在INRIA行人检测样本库上完成Detection Error Trade off(简称DET)曲线实验。实验结果表明,同样地使用线性SVM,本文算法得到的DET曲线始终全面优于Dalal等人的实验结果。同时,使用本文算法在INRIA样本库和武汉理工大学校园监控样本集上完成了整图检测试验,取得到了准确度很高的的人体目标检测结果,人体轮廓分割也得到了清晰的提取。