随着计算机视觉的不断发展,行人检测技术也越来越受到人们关注,在实际生活中的应用也越来越广泛。目前,计算机硬件的性能不断提升,日常生活中产生的图像视频数据急剧增加,为基于海量数据和机器学习的行人检测技术研究提供了良好的机遇。但是,实际场景下的行人检测仍然面临着背景干扰、遮挡等众多不利因素的挑战。如何实现具有高准确率和实时性的行人检测系统是一个亟待解决的问题。在行人检测算法中,行人特征的表征能力不足容易造成前景目标和背景的区分不明显,使得分类器的效果变差。当存在视频采集的拍摄角度不唯一、行人目标多姿态等问题时,特征描述子的鲁棒性不高也会造成检测失败。此外,卷积神经网络(CNN)在图像特征分析、目标分类识别中发挥了显著优势,大量基于卷积神经网络的先进方法不断涌现,促进了行人检测技术的发展。通过对行人检测流程中关键步骤进行分析,本文将从多个方面对行人检测算法进行改进,具体的研究内容如下:(1)分析并总结了行人检测过程中候选区域的生成方法、多种传统的手工特征构造方法、学习和分类方法等,对典型技术的优缺点进行了详细的阐述。针对单一特征描述力有限的问题,提出了融合卷积网络构建鲁棒特征的行人检测方法,基于深层网络结构和滤波器通道特征构造多层次的特征描述子,采用Adaboost训练强分类器,从而提高了行人检测精度。(2)分析了多类基于卷积网络的行人检测方法,对卷积网络的实现过程和构造细节进行了阐述,并说明了卷积网络特征在行人检测中起到的积极作用。此外,分析了典型后处理过程对检测效果的影响,针对采用非极大值抑制和硬阈值选择容易导致漏检和误检的问题,基于Faster RCNN这一深度框架,采用类内相似性度量的方式对目标候选位置做进一步筛选,从而优化了行人目标候选区域的后处理过程,减少了漏检和误检。本文对构建鲁棒性特征和优化后处理过程在行人检测中起到的积极作用进行了分析和验证,实验结果表明本文提出的行人检测方法具有更高的准确率。