行人检测的目的是在于根据所获得视频或者图片信息,利用图像处理和计算机视觉相关算法,从图像中判断是否有行人,找的行人的位置和大小,更进一步的是识别行人的动作和姿势。而本文正是围绕着这些具体的目标而逐步展开讨论的。首先实现和改进基于梯度方向直方图的行人检测算法。本文的问题是由智能视频监控系统的实际需求所的引入。行人检测模块是整个视频监控系统的核心和重点所在,也是智能分析,异常报警的基础。这也就要求行人检测算法需要比较高的准确率。同时还需要算法有非常高的速度已达到实时监控的要求。伴随着这些要求,我们在本章中介绍了三种算法:行人识别算法HOG;基于HOG的级联分类器;基于固定窗口的多重支持向量机算法。我们的新算法是创造了多重支持向量机理论,再结合固定观察窗口的有效的整合重新划分块的梯度方向直方图,使得识别速度和训练速度相当以往算法都有明显的提高。然后是采用了物体行为关联的上下文模型,如果进一步提高要求,不限定在只是识别直立行走的行人,比方说人在做比较大幅度的体育活动。于是我们把条件限定在六大类体育活动当中,人得姿势幅度会变得非常的大。这时候我们的办法是借助物体识别的成果。我们限定了六种体育活动那么就限定了物体识别的范围,同时活动类型的固定也就相对限定了人体姿势。这样可列举的活动类型,特定物体,和人体姿势,在有限的状态就可以训练贝叶斯随机网络。训练阶段使用了全新的最大边界参数估计算法。而且在最后取得了非常良好的识别效果。最后提出了人体关系的上下文模型。我们提出了整体局部分别识别,整体和局部相互关联相互修正,局部识别的结果可以验证整体识别的准确性,整体识别的结果可以限定局部识别的范围。当局部识别和整体识别结论相吻合时有更大的把握认为两边都是对的。当局部识别和整体识别的结论相互违背的时候就认为还没有找到最优解。本篇文章的主线就是随着行人检测系统要求的提高,应用范围的扩大,逐步的寻找解决办法,并且在这个过程中取得了一些理论和实际系统上的成果。