行人检测技术在诸多领域都有着广泛的应用前景。现有的行人检测算法检测精度不高,检测速度慢,应用环境的要求苛刻。针对上述的问题,本文深入研究复杂环境下的行人检测技术,力求在检测精度和检测速度两个方面有所突破。本文的研究工作重点放在以下两个方面:(1)对行人检测器的构成框架进行具体的分析和研究,详细介绍现有流行的行人描述特征和分类器。在前人的理论研究基础上,针对行人检测算法不能兼顾检测性能和检测速度的问题,本文提出一种融合特征,采用可以快速计算的简单特征:局部求和、积分图、梯度直方图等,去逼近计算复杂,检测效果好的主流特征,通过变换矩形框的大小和长宽比构建一个特征池,并采用级联Adaboost分类器随机从特征池中抽取、筛选高性能特征训练分类器。这种特征相对单一的颜色特征、Haar-like特征、HOG特征、CSS特征等有更为丰富的表现力,同时又可以快速地计算。实验数据表明,基于特征融合的改进算法能够在保证检测性能的同时,加快检测速度。(2)针对经典的HOG行人检测中,在多尺度遍历阶段建立传统图像金字塔耗时的缺点,本文提出一种基于尺度近似的检测空间改进算法。图像金字塔在不同尺度下的图像之间具有相似性,通过对梯度直方图的推导,对原图的HOG特征近似来创建HOG特征金字塔,从而改变了传统的从待检图像到图像金字塔空间,再计算特征空间的繁琐步骤。实验数据表明,基于尺度近似的检测空间能够缩短多尺度遍历待检图像的时间,有效地减少检测时间,便于达到行人检测的实时性。