国内外研究进展
行人目标检测方法主要分为四个类：
1、基于背景差分/帧间差分
背景差分方法的关键在于构建合适的背景，经典方法是混合高斯模型背景法。
帧间差分法和背景差法在行人检测原理上比较相似，如果帧间像素的差值大于设定阈值，则判断有运动目标存在。
已提出方案：
a.基于像素点以及空间分布提出的自适应混合高斯背景模型，非参数估计构建时空与高斯背景模型
b.多维混合高斯模型+帧间差分法，适用于固定背景的建模方法
c.再背景更新中引入加速因子和合理性反馈
d.基于新的快于背景模型模型更新模式
e.李娟针对道路交通中行人的特点，对经典的混合高斯模型，从参数更新、背景估计和前景分割三个方面进行了改进，解决了混合高斯模型很难检
f.帧间差分一般利用两帧图像做差，如Damien利用帧间差分获取背景，并根据检测结果对获得的背景图像进行有选择性的更新，检测出运动目标。
g.利用连续多帧图像的帧间差分
h.将帧差法与其他方法相结合
i.帧间差分与背景差分结合
2、基于光流的行人检测方法
光流法主要是利用连续的视频帧计算各像素的运动向量建立光流场，再利用运动向量的连续性变化，检测是否存在运动目标。
a.差分图像绝对值+光流法
b.基于时空兴趣点的目标检测算法，解决了在光照变化大时，侦差光流法的不足
c.光流法+SMV，一般将光流法与其他方法相结合
3、基于模板匹配的行人检测方法
模板匹配法最早用于检测外形固定的刚性物体，后来有学者通过构建人体轮廓、躯干、头部、手臂等特征模板，利用模式识别中的模板匹配方法，检测视频中的行人。模板匹配法可以用于检测静止行人，它的研究最为广泛，具有跟踪能力。
已提出方案：
a.运动+边缘提取方法+高斯混合模型对人头轮廓建模
b.Hough变换
c.密度映射关系来改善行人头部检测效果
d.分层轮廓模板的匹配方法，从粗到西的分层搜索策略来提高系统的检测速度
e.融合LW-PGD、HOG特征、HSV颜色特征来快速检索人体头肩部。
f.基于Adaboost的多视图级联头部检测方法
h.利用神经网络初步识别人类轮廓+头发模型和均值漂移对遮挡情况下对非人体目标图像聚类出多个人体头肩模型。
4、基于机器学习
该方法通过设计具有代表性的行人特征（纹理、颜色、方向梯度直方图(HOG)、Haar特征、尺度不变特征(SIFT特征)、加速鲁棒特征(SURF特征)等）和高效的特征分类器（支持向量机(SVM)、随机森林、深度学习等)，进而实现精确的行人检测。
已提出方案：
a.提取样本或检测窗口中每个区块的梯度向量直方图（HOG）进行训练得到SVM分类器。
b.Codebook背景建模算法提取行人前景图像，减少检索过程的搜索范围
c.随机森林学习方法、模糊随机森林学习方法，利用人体Haar特征和HOG进行训练分类。
d.基于Adaboost和人脸SURF特征的莫表检测方法+YCbCr空间建立肤色模型进行肤色验证。
e.基于Harr+Like局部特征+
Adaboost的人数统计方法+级联背景差分修复算法
f.Adaboost+SVM结合成为级联分类算法
g.顺序迭代训练多个卷积神经网络基础上提出根据校验集正确率及其分类器稳定性进行更优模型选择的策略。
h.深度卷积神经网络，从行人库中学习行人特征，再录用选择搜索算法，二值规范化梯度算法去除大量冗余窗口
i.多层网络构建，着重分析网络层数，卷积核大小，特征维数等参数对行人检测的影响，优化网络参数。