行人检测是图像识别的一项重要内容,是近几年计算机视觉领域中备受瞩目的前沿方向和研究热点。它在智能监控系统、行车辅助驾驶、目标运动分析、高级人机接口等众多领域中拥有着广泛的使用前景。针对静止摄像机拍摄的视频,实现视频中的行人检测主要包括两种方法：基于背景差分法和基于统计学习法。前者先对图片的背景进行建模,再利用背景与前景的差分图像分割取得运动区域,通过行人的形状特征提取行人区域完成检测。后者则采用模式识别的思想,将该问题转化为一个二分类(视频中包含有行人目标或视频中不包含行人目标)的问题：提取行人与背景的灰度特征值、边缘轮廓等作为特征向量,将其输入分类器判断是否为行人目标。这两种行人检测算法都有各自的优势,但也存在各自的问题。前者速度虽然快,但容易受外界环境的干扰,稳定性差,并且不能十分准确的区分行人目标与其它运动目标的差别；后者可有效抗击环境变化,但算法复杂,检测速度较慢,且未能充分利用静止摄像机拍摄的视频所提供的信息。本文结合两种算法的优势,提出一种先建立图像背景模型,利用背景差分法分割出运动区域,再在运动区域内利用统计学习法进行行人检测的算法。本文取得的成果主要包括以下的几个方面：(1)针对运动目标检测,主要研究了背景差分法,讨论了几种不同的背景建模方式并通过实验数据比较了其效果。(2)通过背景差分法得到了前景的灰度图,在灰度图转化为更能表明行人区域的二值图像的过程中,用实验数据对比了几种不同的阈值分割方法,并提出一种新的图像分割阈值选择法,提高了阈值选择的准确性。(3)分类器是由AdaBoost学习算法基于HOG特征训练得到的嵌套级联分类器,HOG特征克服了其余特征对行人描述不足的缺点。(4)最后通过仿真实验验证了算法,快速地排除了非行人区域,将检测区域有效的缩小,大大缩短了行人检测的时间,降低了误检率,在实际监控中具有相当的优势。