随着智慧城市的建设需要,行人检测技术的研究与发展备受关注。行人检测技术是图像处理、模式识别、机器学习等多学科交叉的研究课题。此外,行人检测在智能汽车,安防等领域也具有广阔的应用空间。目前,行人检测技术的研究已经取得了很大的进展,但是依然存在很多难点。例如,提取的感兴趣区域窗口过多;提取的特征对行人描述不足;特征维度过高以及分类器等方面还有待进一步的提高等。为了解决上述问题,本文从感兴趣区域提取、特征提取和分类器三个方面对行人检测技术开展相关研究。本文的主要研究内容如下:(1)在感兴趣区域的研究中,由于行人检测中使用广泛的多尺度滑动窗口法产生了过多的检测窗口。本文提出了一种基于路面约束和图像分割来提取感兴趣区域的方法来减少待检测窗口的数量。首先使用FCM算法对预处理之后的灰度图像进行分割,标记处理之后的连通区域。另一方面通过区域生长、边缘检测、霍夫变换等算法对行人检测图像中的路面区域进行提取,并根据生活中行人与路面的关系,利用所提取的路面对已标记的连通区域进行筛选,符合条件的连通区域即为感兴趣区域。为了减弱光照的影响和突出行人区域,本文在预处理中加入了直方图均衡化的方法。(2)在特征提取中,针对HOG等单一的特征对行人描述不足,融合特征维度过高等问题。本文提出了一种多尺度融合的稀疏特征对行人进行描述,以此兼顾特征描述不足和特征维度过高的问题。首先提取行人检测图像的HOG特征和LBP特征,对提取的HOG和LBP特征分别进行稀疏表示,然后将两个稀疏特征进行多尺度的融合。HOG特征的提取采用经典的3780维特征,然后对其进行稀疏表示。在LBP特征的提取中,首先将64*128的样本分块然后再提取块内的LBP特征,并对块内的特征进行归一化处理,并将所有块内的LBP特征组成图像的LBP特征。通过实验研究发现,当块大小为8*16像素时,提取的LBP特征检测效果较好。在进行稀疏特征融合的过程中,比较了在不同融合尺度下的行人检测效果。最终完成多尺度稀疏特征的融合。(3)在分类器的研究中,本文首先将KNN分类器和行人检测中经常使用的支持向量机分类器作对比。并比较了未进行参数优化的RBF核函数和线性核函数的分类效果。为了进一步提高基于RBF核函数支持向量机的分类效果,本文对RBF的参数进行了两次寻优。首先利用网格搜索算法确定最优参数的范围,在此范围的基础上利用粒子群优化算法进行参数的精确优化。将优化后的RBF核函数的支持向量机与使用线性核函数的支持向量机进行对比。