由于其应用场景的广泛性,行人检测技术对于机器人、汽车辅助驾驶及自动驾驶、视频的监控以及对于视频中行人的行为预判提供了非常重要的技术支持,使其成为计算机领域一个非常重要的分支。近年来,智能家居系统的概念已经走向大众并且得到了广泛的应用,现在的智能家居系统都配备有监控系统,室内和门口以及室外都可以或者需要安装监控系统以备不时之需。监控系统给家庭环境带来了极大的安全保障。行人检测作为视频监控中的主要问题,研究相关算法对于提高智能家居中监控视频的性能具有很重要的意义。行人检测的研究和发展主要经历了三个阶段:首先是基于图像处理的行人检测方法:光流法、帧差法和背景差法。然后,2005年提出的梯度方向直方图成为这一领域的一大突破,基于HOG(Histogram of Oriented Gradient,梯度方向直方图)的特征提取使得行人直接类内的特征差异小而与其他类别之间的差异大。此后的行人、目标检测方法的发展和优化都是在这个基础上进行发展的。最后一种就是现阶段效果最优的基于深度学习的方法,目标检测中较为突出的代表则是 Faster R-CNN(Faster Regions with convolutional neural networks features),无论是速度还是精度上都具有很大的优势。本文对比了多种行人检测方法,对各种方法存在的问题进行了分析,最终将基于Faster R-CNN的目标检测方法运用到了智能家居中的行人检测中,取得的主要研究成果如下。(1)分别利用背景建模和帧间差法,以及基于机器学习的提取图像HOG特征,结合SVM分类器对智能家居监控视频中的行人进行检测,并对每种方法存在的问题进行了总结;(2)设计与实现了将Faster R-CNN算法运用在智能家居的行人检测当中,构建并实现了行人检测系统,并且通过GPU对行人检测进行加速以实现实时检测。(3)利用智能家居中的行人检测系统,我们可以实现1)运用Faster R-CNN算法检测行人并保存下图像;2)发送该图像到网络服务器;3)将上传到服务器上的图片推送到手机,对智能家庭的安全性提供保障。实验证明,即使在复杂的场景中,本系统的实时性也满足要求,具备良好的性能。