行人检测对我们来说一点也不陌生,作为一个广泛应用于模式识别、计算机视觉以及人机交互等领域中的一项热点技术,在我们的生活中扮演着重要的角色,是一个很有研究价值与经济价值的研究方向。本文主要是对基于帧的行人检测的方法进行了研究。在对图像提取HOG（Histograms of Oriented Gradients,梯度方向直方图）特征之后用一种基于粗糙集理论的方法对其进行属性约简,得到约简后的HOGR特征,然后将HOG与HOGR分别同两种形式的LBP（Local Binary Pattern,局部二值模式）特征:8,1LBP与u 28,1LBP进行融合,将形成的四种混合型特征用于支持向量机分类器的训练与测试阶段。本文主要的研究内容如下:（1）根据INRIA行人库建立两种规模的样本集,研究了不同规模的训练集对最终训练得到的支持向量机分类器性能的影响。实验表明:当采用相同的特征提取方式进行检测时,样本集的规模越大,最终得到的分类器的精确度就越高;（2）分别对样本集中的图像提取HOG特征、8,1LBP与u 28,1LBP特征,并且通过特征融合得到两种混合型特征:HOG₈,1LBP与HOG_u 28,1LBP,研究了HOG特征分别与8,1LBP、u 28,1LBP特征融合后对行人检测效果的影响。实验表明,与单独的HOG相比,HOG₈,1LBP与HOG_u 28,1LBP这两种混合型获得了更高的检测精确度;（3）研究了利用粗糙集理论对HOG特征向量进行属性约简的方法,并且将约简后的特征向量HOGR分别同8,1LBP与u 28,1LBP特征进行融合,形成两种新的混合型特征——HOGR₈,1LBP与HOGR_u 28,1LBP,用于行人检测。实验表明:使用基于粗糙集理论的方法对特征向量进行属性约简的想法是可行的,检测效果并没有给受到影响,但使得特征向量的维数降低,提高了检测效率。