移动场景下的动目标识别技术属于机器视觉的一个应用分支,有着非常广泛的应用前景,行人检测技术就是其一个具体应用。随着图像技术与模式识别技术的发展,行人检测技术已经从理论研究阶段走进了我们的生活中。在智能监控,汽车辅助驾驶系统,智能机器人等领域有着广泛的应用。当前行人检测技术主要分为两大类：基于先验知识的检测和基于机器学习的检测。而在机器学习领域中,又以集成学习最为热点。本文首先设计了一个基于先验知识的行人检测算法。选用人体的对称性与头肩部轮廓这一对非常独特且具有一定鲁棒性的特征,利用基于寻找行人对称轴与头肩部轮廓匹配的方法,在校园道路背景下准确而快速的完成了行人的检测。针对基于先验知识的行人检测算法泛化性差的问题,设计了一个基于单独机器学习的行人检测算法。该算法针对Dalal算法中HOG特征块过小只能描述细节特征的缺点,提出了既能描述细节特征又能描述整体与局部特征的变尺寸HOG特征；并针对变尺寸HOG特征维数过大问题,利用Fisher准则给出了特征挑选机制,最后使用线性SVM进行分类。实验表明,在分类准确率基本不变的情况下,将Dalal算法的检测时间从1s降低到397ms。针对Dalal改进算法中的“实时性”问题与“代价敏感”问题,分别提出了"Cascade"级联结构与“风险敏感”支持向量机的分类方法。对于级联结构的每一级分类器的训练,分别使用了基于Fisher准则预判断和基于Adaboost集成学习的方法。在MIT行人数据库上的实验表明：在误检率为1/1000时,检测率分别可以达到98.38%和95.85%。对于320*240的图像,检测速度为每秒8到10帧。