行人检测作为计算机视觉领域中的一个重要研究热点,其主要是通过图像处理、模式识别等计算机视觉技术从图像或视频数据中检测出行人,并准确跟踪到行人目标,确定行人位置。行人检测不仅仅只是应用于简单的行人检测,它与智能监控、智能交通、人体行为分析和航拍图像等领域息息相关,在科研和商业等方面都具有很高的价值。目前常用的行人检测底层特征有HOG、LBP和Haar-like等,但单特征存在着速度慢、计算困难、实时性差等特点,故在行人检测中存在着不足。本文在原有的单特征行人检测下,对多特征的的行人检测、基于深度学习的Faster RCNN和融合深度图的行人检测进行研究,主要内容如下:1.针对基于单特征的行人检测存在的不足问题,进一步分析了多特征融合,通过特征的提取和分类器的训练,增强了对行人的表征能力。同时还研究了基于深度学习的Faster RCNN的检测方法,提高了行人检测的性能。2.针对HOG-LBP融合特征的行人检测受环境影响较大的问题,本文提出了一种基于特征与深度图融合的行人检测方法。通过提取颜色图的HOG特征与深度图的CLBC特征,采用加权融合的方法进行融合,同时利用核函数跨核的方法对分类器进行改进,从图片中获得更多深度信息,提高了检测精度。3.基于VS12和Opencv设计了一个行人检测系统,由背景建模、联通区域合并删除、行人检测三个模块组成的,实现了在复杂环境下对多个行人进行检测。