随着社会的飞速发展,视频处理智能化的趋势愈发明显。其中目标检测正是实现视频分析智能化的核心和前导技术。相对于其他刚性的检测目标,行人由于其丰富的姿态变化和复杂的模型结构,始终是目标检测领域的重要研究课题。随着计算机视觉与统计学习理论的不断发展,机器学习模型被引入行人检测。本文选择基于轮廓线索的行人检测算法作为研究对象,对其中的检测步骤进行了分析与改进,最终在嵌入式DSP平台完成基于上述算法的智能视频分析系统实现。本文首先介绍了基于机器学习理论的行人检测算法的通用思路。之后选择基于轮廓线索的行人检测算法进行了具体分析与改进。一方面对特征向量及第一级Linear SVM classifier得分的计算过程进行了重构,改善了算法的时间效率;另一方面引入第二级分类器的判定得分作为权重对后处理算法进行了优化,降低了算法的误检率。算法完成在PC平台的改进与测试后需要移植到嵌入式DSP平台。在进行算法移植时,需要针对DSP芯片的特性完成代码优化。本文着重介绍了第二级HIK SVM classifier判定过程的优化思路:将模型数据的预计算结果制成表格并分块装入片内,使得判定得分的计算过程以“查表”的方式实现,在简化运算的同时降低DDR与片内的数据交换时间,使算法在更换平台后同样能够高效执行。基于上述移植完成的行人检测算法,本文最终完成了整套智能视频分析系统的设计。系统硬件平台选用TI公司的TMS320DM8127 SoC。系统软件设计基于MCFW框架,其中采用循环队列的机制解决了算法检测结果的同步问题。此外,系统针对车载红外热成像的应用场景进行了再一次的算法优化,通过行人头部的热点信息对之前的检测结果进一步追加判断,从而降低了误检率,提升算法在实际应用中的性能。