目标检测是计算机视觉研究领域的重要组成部分,是目标跟踪、图像分割和场景理解等后续应用的基础,一直受到研究者的广泛关注。根据所用特征类型的不同,可将现有的目标检测算法分为基于全局特征的目标检测算法和基于局部特征的目标检测算法。基于局部特征的目标检测算法能更好地处理图像的几何变换和光照变化以及目标局部被遮挡等情况,因此近年来更加受到人们的青睐。本文在现有的经典ISM (Implicit Shape Model)模型基础上,对其缺点和不足进行改进,提出采用混合特征及随机森林算法的框架学习目标空间结构模型。针对ISM模型聚类得到的码本不够可靠以及描述目标使用的特征太过单一,本文主要从以下两方面对其进行了改进：(1)采用有监督学习的方法优化目标码本。ISM模型在训练阶段用无监督聚类的方法得到目标码本,使得码本中存在很多不可靠或冗余的偏移量,导致不可靠概率投票的产生。为此,本文通过随机森林框架来学习目标的局部特征空间结构,森林中每棵决策树的所有叶节点构成了一个判别式码本模型。用包含类别信息的局部特征构建随机森林能够优化目标码本,使得目标结构更加可靠。同时,本文采用一种基于BING (Binarized Normed Gradients)的检测结果验证方法,提高了检测精度。(2)采用混合特征描述得到信息更加丰富的目标码本。ISM模型中只采用一种局部特征对目标进行描述,如灰度特征或SIFT特征,种类比较单一。本文通过混合特征的方式来学习目标码本,充分利用不同特征各自的优点,使模型具有更好的类别区分能力。实验结果表明,在训练过程中使用类别监督信息可以使目标码本更加可靠,获得更加准确的概率投票：使用混合特征可以使得对目标的描述更加详尽,从而得到包含更加丰富信息的目标码本,相比只用一种特征而言,能够取得更好的检测效果。