行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。由于行人兼具刚性和柔性物体的特性 ，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行人检测成为计算机视觉领域中一个既具有研究价值同时又极具挑战性的热门课题。该技术可与行人跟踪，行人重识别等技术结合，应用于人工智能系统、车辆辅助驾驶系统、智能机器人、智能视频监控、、航拍图像、人机交互系统、人体行为分析等领域。

行人检测系统的研究起始于二十世纪九十年代中期。从最开始到2002年，研究者们借鉴、引入了一些图像处理、模式识别领域的成熟方法，侧重研究了行人的可用特征、简单分类算法。自2005 年以来，行人检测技术的训练库趋于大规模化、检测精度趋于实用化、检测速度趋于实时化。随着高校、研究所以及汽车厂商的研究持续深入，行人检测技术得到了飞速的发展。比如，欧洲戴姆勒、德国大众等就发起了旨在研究行人保护方案的 PROTECTOR 项目 , 并且已经取得了初步的成效。2004-2005年的SAVE- U项目实现的目标是减少行人和车辆碰撞造成的伤亡数量和事故等级, 并在危险状况下驾驶员警告和车辆自动减速试验车辆。作为无人驾驶的先驱技术之一，行人检测系统在近几年也已成为研发热点，它通常整合到碰撞预防系统当中，利用雷达摄像头和感应器来检测行人，并及时减速刹车从而减少事故伤害。沃尔沃、丰田等车企已率先推出先进的行人检测系统，而福特也推出了先进的行人检测系统，能够识别路上的行人并进行动态分析，预测他们是否会闯入驾驶路线中。除了传统汽车公司外，很多互联网公司也在研发行人检测系统，以期实现智能汽车。目前，国外的行人检测系统的研究机构主要有卡内基梅隆大学（CMU）、麻省理工学院（MIT）、日本丰田汽车研究中心、戴姆勒-克莱斯勒研发中心等；国内的主要有清华大学、浙江大学、上海交通大学、西安交通大学、中国科学技术大学、吉林大学、中科院自动化所等。

目前比较主流的基于计算机视觉的行人检测方法大都是基于特征提取和机器学习的，常用的特征有哈尔特征（Haar），梯度直方图特征（Histograms of oriented gradients, HOG）,常用的机器学习方法有自适应增强算法（Adaboost）、神经网络（(Neural network）和支持向量机（Support Vector Machine， SVM）。其中HOG是目前使用最为广泛的行人特征描述子。在 MIT行人数据库上获得近乎 100% 的检测成功率；在包含视角、 光照和背景等变化的 INRIA 行人数据库上，也取得了大约 90% 的检测成功率。SVM分类器是基于结构风险最小化规范的统计学习方法， 是近年来具有完善理论基础的分类器之一。本次论文重点研究基于特征和SVM的行人检测方法。

2. 研究的基本内容与方案

本次毕业设计的基本内容是学习和研究数字图像处理的原理和方法。重点研究基于特征和SVM的行人检测方法，在Visual Studio 2010或Matlab环境下实现，并对结果进行比较分析。行人人检测就是要把一幅图像中出现的行人从背景中分割出来并定位，要求能检测出一幅图像中的行人区域和非行人区域。

现有行人检测方法有三种，分别为基于全局特征的方法、基于人体部位的方法、基于立体视觉的方法。基于全局特征的方法是目前较为主流的行人检测方法，主要采用边缘特征、 形状特征、 统计特征或者变换特征等图像的各类静态特征来描述行人，其中代表性的特征包括Haar小波特征、HOG 特征、Edgelet特征、Shapelet特征和轮廓模板特征等。行人检测方法中主要用到的分类器有支持向量机(SVM)、Adaboost和神经网络分类器。

本次设计针对如何在视频中准确、快速地检测多行人这个问题, 重点研究HOG行人特征提取以及如何用SVM进行机器的学习分类, 有效结合视频中行人的运动信息及行人视觉特征分类器来构造实时的行人检测系统。本次设计主要研究整个视频行人检测系统的构建架构, 将整个框架划分为行人特征提取、分类器训练、行人检测，并，在Visual Studio 2010或Matlab环境下实现。

[1]丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述，电子科技大学学报[J].2011，40（1）：2-10.

[2]种衍文，匡湖林，李清泉.一种基于多特征和机器学习的分级行人检测方法[J].自动化学报，2012，38（3）：375-381.

[3]徐渊，许晓亮，李才年等.结合SVM分类器与HOG特征提取的行人检测[J].计算机工程，2016，42（1）：56-65.