行人检测的应用领域很广泛比如智能交通、智能汽车辅助驾驶系统、智能监控、无人机检测等。由于道路环境中的行人存在遮挡、光照变化、多种姿态、复杂背景等问题,所以在道路环境中进行行人检测仍然是一个巨大的挑战。目前较流行的行人检测方法是特征提取与分类器结合的思路,该方法通过对大量样本提取特征,利用行人特征对分类器模型进行训练,最终利用训练后的模型进行分类。针对训练样本对特征提取的影响,本文提出一种改进样本裁剪方法,该方法通过对现有行人检测窗口高宽比的分析,获得了128×52的最佳尺寸窗口,同时尽可能只保留行人信息,减少背景信息对行人特征的表达。在道路环境中进行行人检测对检测率和实时性有很高要求,针对目前行人检测方法在道路环境中检测率不高的问题,本文选用特征描述子稀疏编码直方图特征(HSC,Histogram of Sparse Code),经分析发现该描述子中块的尺寸、字典原子数、字典尺寸等参数对样本信息表达有较大影响,而且最终影响支持向量机(SVM,Support Vector Machine)的分类效果,本文通过实验与分析设计出性能较好的基于HSC的SVM分类器;同时,针对HSC+SVM方法实时性不高的问题,本文又采用Real Adaboost分类器,设计了基于HSC的Real Adaboost行人检测系统结构。本文基于MATLAB平台实现了设计的两种行人检测方法,其中基于SVM的方法比基于梯度方向直方图的方法在误检上降低了13%,而检测准确率有4%的提高;而基于Real Adaboost的方法比SVM方法减少70%以上的检测耗时。因此基于HSC和Real Adaboost的方法具有很好的实际应用前景。