● 摘要
静态行人检测一直是模式识别乃至机器学习领域的重要问题。由于行人在静态图片中具有多姿态，多角度，多遮挡和非刚性的特点而使得他成为众多目标检测问题中的难题。但是，由于该问题在视频监控等领域的需求不断提升，该问题成为了近几年越来越受到研究者们重视的问题之一。
随着学者们对模式识别和计算机科学的深入研究，行人检测在其整个系统的各个部分都得到了极大的发展，同样的，也遇到了许多诸如特征选择，分类器设计或是样本空间不可分等方面的问题。为了解决这些问题，本文对整个系统的各个部分进行了深入的探究，也做出了许多新的方法上的尝试，经过实验验证，最终设计了一个新的有效的行人检测系统，其具体工作如下：
本文在特征提取，分类器设计，分类器融合与目标建模这四个方面做了大量的研究。其中，本文运用了一种多通道融合的方式对行人的静态图片样本进行特征提取；在分类器设计方面，本文运用传统的SVM分类器和基于势函数的分类器对所提取的特征进行分类；在分类器融合方面，我们没有简单的将不同分类器得分进行加权工作，而是提出了一种网络型的集成方式，有效的提高了分类的效率；同时，在为样本建模方面，我们运用可变部位模型，它能有效的提取样本的重点信息，从而提高分类器对样本的辨识能力；最终，通过将上述部分结合，本文提出了一整套完整的行人检测系统，并通过在行人检测数据库INRIA和ETH上的实验，为该系统做了有效性的验证。同时，本文提出的网络型分类器级联方式也通过手写体数字识别库USPS和MNIST上的实验证实了其方法的合理性。