随着科技的发展，社会活动越来越复杂，视频监控技术得到了快速发展，广泛应用于街道、商场、银行、火车站等公共区域中，但目前视频监控系统大多尚处于需要人工参与的视频记录阶段，无法对视频内容进行分析。行人目标检测中，部件检测相对于行人整体而言具有更好的抗遮挡性，可以极大程度改善分类器的综合检测性能。研究精准度高、鲁棒性好的智能视频监控系统及方法具有重大实际意义。针对以上问题，本文应用机器学习与图像处理的方法，研究监控视频中的行人目标的检测问题。
　　（1）针对传统ViBe算法检测前景目标过程中，存在动态背景干扰噪声问题、鬼影问题以及静止目标拖影问题，提出了一种结合 Otsu 算法和区域相似度鬼影判断的改进算法，去除了在动态背景中由于固定阈值造成的误检，实现了对鬼影的抑制和对静止目标拖影的消除。实验结果表明：改进后的ViBe算法对比原始ViBe算法在保证实时性的前提下检测精度提高了31%，综合评价指标F值由0.64提高到了0.84，具有更好的检测效果和检测性能。
　　（2）针对传统ACF算法在行人头部目标检测过程中存在特征信息描述不强导致误检率较高的问题，提出了一种结合LBP通道特征和ACF特征的聚合特征的人头增强特征信息描述方法；针对NMS算法输出窗口融合误检窗口较多的问题，提出一种基于得分与尺度信息比的改进NMS算法和基于全局得分比的动态阈值方式，有效去除多余干扰误检框。实验结果表明：改进算法对比传统ACF算法平均对数误检率降低了7.5%，具有更好的检测效果和性能。
　　（3）针对传统检测方法需对对整张图像进行检测而造成时间消耗大和误检多的问题，提出结合帧间运动信息和多通道聚合特征的行人检测方法。首先，通过检测运动目标前景确定行人候选区域，缩小分类器的检测范围；其次，对经前景处理得到的候选区域进行特定形态学优化处理；最后，结合改进的 ACF 算法进行行人目标检测输出最终检测结果。实验结果表明：相对与其他算法，在检测速度略微提升的情况下，检测精度提升了15%-30%，并且在行人统计方面平均绝对误差MAE达到了1.88，具有广泛的适用性和更好的鲁棒性。