1、隨著經濟的不斷發(fā)展，汽車保有量的不斷增加，交通安全狀況日趨惡化，因而行車安全問題越來越為人們所關注，而該問題中最重要的主體就是行人。如何在日趨頻繁的交通環(huán)境中有效地對行人進行保護一直是社會的熱點問題之一。
　　基于計算機視覺的行人檢測預警系統(tǒng)在輔助駕駛中具有重要的意義，是智能視頻處理和智能車輛領域最熱門的研究課題之一。其重點是利用車載攝像機拍攝車前場景，識別場景中的行人，然后估計行人危險程度并給出響應以保護行人。行人檢測是系統(tǒng)的核

2、心模塊，同時也是該領域內的難點。由于行人狀態(tài)的多變性和道路交通環(huán)境的復雜性，使得目前尚沒有一個通用的、魯棒性強的、實時性高的檢測算法。行人檢測方法雖然多種多樣，但其根本思想都是利用行人自身與背景不同的特征加以區(qū)別，將檢測問題轉換為識別問題來對待。
　　本文利用單目攝像機作為獲取環(huán)境信息的傳感器，對車前行人檢測技術進行了研究。在此基礎上，設計并實現(xiàn)了基于聚合通道特征的實時行人預警系統(tǒng)。本文主要工作如下:
　　(1)對行人檢測算

3、法的評價標準及評估方式進行了詳細地學習，并在本文中介紹了兩種評價標準和三種評估方式;系統(tǒng)地了解了各種行人數(shù)據庫并詳細介紹了本文實驗主要使用的兩種行人數(shù)據庫，分別是INRIA和Caltech;對分類器的概念進行了學習和簡單地介紹;學習并介紹了比較有代表性的三種行人檢測算法，包括BING算法、HOG算法和DPM算法，闡述了三種算法的原理并給出了實驗效果圖。
　　(2)對行人的常用特征進行了系統(tǒng)地學習，并采用LUV顏色空間三個通道，一個

4、梯度幅值通道，六個量化的梯度方向通道組合而成的融合特征作為分類器的輸入。在特征計算過程中，使用估計方法代替?zhèn)鹘y(tǒng)的計算方法。同時，詳細介紹了adaboost算法的工作原理，級聯(lián)結構分類器的優(yōu)點。實驗證明，本文選用的方法能夠有效地對車輛前方的行人進行檢測，對運動和靜止的行人都有較好的效果。
　　(3)研究了一種基于上下文信息的跟蹤算法，該算法實時性高，不足是在夜晚等背景與目標特征差異較小的場景下跟蹤效果不佳，且遮擋面積較大時容易跟蹤失

5、敗。本文在該算法框架下綜合使用熱圖像信息和可見光圖像信息進行跟蹤，提出了融合紅外信息的時空上下文跟蹤算法。分別使用公共數(shù)據集和學校視頻監(jiān)控數(shù)據對本文算法和原方法進行了對比實驗，驗證了本文提出的算法具有更好的效果和魯棒性。以上研究內容為本文系統(tǒng)的下一步工作打下了基礎。
　　(4)設計和實現(xiàn)了基于車載視頻的行人檢測預警系統(tǒng)。系統(tǒng)包括行人檢測模塊、區(qū)域劃分模塊、單目測距模塊和安全預警模塊。其中，區(qū)域劃分模塊嘗試了三種方法并選用手動劃分作