针对视频和图像中快速、准确的行人检测问题，提出了一种分层次的、全局信息和局部信息相结合的行人检测算法。该方法以随机森林分类器为基础，利用图像金字塔模型融合行人的多层信息。首先，在低尺度空间利用主方向模板（DOT）特征和随机森林算法训练行人的全局分类器，第一层检测在低尺度空间中进行，找到行人的候选区域；然后，在高尺度空间提取图像块集合，基于部件随机森林训练行人的局部外观和几何约束模型；最后，基于上层的候选区域，在高尺度空间利用霍夫投票进行第二层精确检测。实验结果表明，该方法有更低的时间复杂度，并提升了行人检测的准确率，全局信息和局部信息的层次融合，能有效解决快速、准确的行人检测问题。

概述： -------- 通过检查所有可能的长轴（所有点对）并使用霍夫变换获取短轴来拟合椭圆。 算法复杂度取决于有效非零点的数量，因此如果有任何先验，则在“params”输入参数中提供尽可能多的限制是有益的有关问题的知识。 由于（可选）随机化和完整代码矢量化，代码相当快。 但是，由于该算法需要计算成对点距离，因此可能会占用大量内存。 如果出现内存不足错误，请对输入图像进行下采样或以某种方式减少其中非零点的数量。 它可以处理大量的噪音，但可能会出现严重的遮挡问题（长轴端点需要可见） 输入参数： -------- 图片- 单通道输入图像（灰度或二进制）。 参数- 算法参数： * minMajorAxis：接受的主轴的最小长度。 * maxMajorAxis：接受的主轴的最大长度。 旋转，旋转跨度：对主轴角度限制的规范（以度为单位）。 如果 rotationSpan 在 (0,90) 中，

通过霍夫投票算法获得旋转平移矩阵