【摘要】行人检测是计算机视觉和模式识别中的一项重要技术行人检测输入图片，在智能交通、无人驾驶、智能旅游等领域具有很高的应用价值。其研究目的是准确定位图像或视频序列中的行人，但现实生活中的实时行人检测存在一定的挑战，因为行人容易受到光照、遮挡、背景等因素的影响。一种检测效果理想、检测实时性好的行人检测方法具有重要意义。行人检测研究的核心问题主要包括两个方面：提高检测率和检测速度。本文从这两个角度出发，完成以下工作：(1)提出一种基于统一模式LBP特征的改进的MLBP特征和CMLBP特征本文提出了一种基于统一模式LBP特征的改进纹理特征MLBP(均值基于多种颜色空间的纹理特征CMLBP（Color based on Mean of Local Binary Pattern），将改进后的MLBP和CMLBP特征与HOG特征和CSS特征融合，选择融合后的最优。特征提高了行人检测的检测率，实验结果表明，提出的MLBP特征将均匀模式LBP特征和基本模式LBP特征的检测率分别提高了3.5%和2.1%结合HOG特征的检测率达到95.25%。
(2)提出一种基于BING特征的改进特征HWEBING基于BING特征提高检测速度的思想，本文提出了一种基于BING(Binarized Normed)的改进特征HWEBING(Hash and Window Enhancement) Gradients) 的 Binarized Normed Gradients 的特征）来预检测图像以提高行人检测的速度。预检测可以减少大量的非物体窗口，筛选出可能是物体的候选窗口，从而大大提高检测速度。在使用HWEBING特征预检测得到候选窗口后，在候选窗口上提取MLBP特征和HOG特征，提高行人检测的检测率。实验结果表明，本文提出的方法比传统的多尺度金字塔扫描方法5.快5倍，并且在使用HWEBING预检测后行人检测输入图片，在候选窗口上提取HOG特征的检测率和速度与使用 BING 特征进行预检测相比得到了改进。 (3)提出一种基于图像增强的行人检测方法本文提出一种基于图像增强的行人检测方法，以提高行人检测的检出率。在提取特征之前，感兴趣区域的图像为插值增强图像中行人的纹理信息基于灰度图像的LBP特征损失提取颜色通道上的信息，然后提取基于颜色空间的IE-CLBP（Image Enhancement-Colorized Local Binary Pattern）特征图像增强，更全面地描述图像的纹理信息。
实验结果表明，从增强图像中提取的LBP、CLBP、HOG+LBP、LBP+CSS等特征的检测率以及SVM分类器和HIKSVM分类器的组合与原始图像相比有显着提高。在实际应用场景中，行人检测往往会受到背景、遮挡等因素的影响。单独使用行人检测很难满足检测的实时性和稳定性。结合行人检测和行人跟踪方法可以有更好的应用。 ，因此本文提出了一种优化的行人跟踪算法：KCF（Kernel Correlation Filter）算法在跟踪过程中目标被遮挡时容易导致跟踪失败。因此，本文在训练阶段提取目标的HOG特征和改进的LBP特征（MLBP特征）。由于这两个特征是互补的，所以这两个特征的融合对遮挡情况有更好的鲁棒性。实验结果表明，改进后的KCF算法比原KCF算法具有更高的跟踪精度。
