随着经济的不断发展,汽车保有量的不断增加,交通安全状况日趋恶化,因而行车安全问题越来越为人们所关注,而该问题中最重要的主体就是行人。如何在日趋频繁的交通环境中有效地对行人进行保护一直是社会的热点问题之一基于计算机视觉的行人检测预警系统在辅助驾驶中具有重要的意义,是智能视频处理和智能车辆领域最热门的研究课题之一。其重点是利用车载摄像机拍摄车前场景,识别场景中的行人,然后估计行人危险程度并给出响应以保护行人。行人检测是系统的核心模块,同时也是该领域内的难点。由于行人状态的多变性和道路交通环境的复杂性,使得目前尚没有一个通用的、鲁棒性强的、实时性高的检测算法。行人检测方法虽然多种多样,但其根本思想都是利用行人自身与背景不同的特征加以区别,将检测问题转换为识别问题来对待。本文利用单目摄像机作为获取环境信息的传感器,对车前行人检测技术进行了研究。在此基础上,设计并实现了基于聚合通道特征的实时行人预警系统。本文主要工作如下：(1)对行人检测算法的评价标准及评估方式进行了详细地学习,并在本文中介绍了两种评价标准和三种评估方式；系统地了解了各种行人数据库并详细介绍了本文实验主要使用的两种行人数据库,分别是INRIA和Caltech;对分类器的概念进行了学习和简单地介绍；学习并介绍了比较有代表性的三种行人检测算法,包括BING算法、HOG算法和DPM算法,阐述了三种算法的原理并给出了实验效果图。(2)对行人的常用特征进行了系统地学习,并采用LUV颜色空间三个通道,一个梯度幅值通道,六个量化的梯度方向通道组合而成的融合特征作为分类器的输入。在特征计算过程中,使用估计方法代替传统的计算方法。同时,详细介绍了adaboost算法的工作原理,级联结构分类器的优点。实验证明,本文选用的方法能够有效地对车辆前方的行人进行检测,对运动和静止的行人都有较好的效果。(3)研究了一种基于上下文信息的跟踪算法,该算法实时性高,不足是在夜晚等背景与目标特征差异较小的场景下跟踪效果不佳,且遮挡面积较大时容易跟踪失败。本文在该算法框架下综合使用热图像信息和可见光图像信息进行跟踪,提出了融合红外信息的时空上下文跟踪算法。分别使用公共数据集和学校视频监控数据对本文算法和原方法进行了对比实验,验证了本文提出的算法具有更好的效果和鲁棒性。以上研究内容为本文系统的下一步工作打下了基础。(4)设计和实现了基于车载视频的行人检测预警系统。系统包括行人检测模块、区域划分模块、单目测距模块和安全预警模块。其中,区域划分模块尝试了三种方法并选用手动划分作为本系统的方法；行人检测模块使用聚合通道特征和级联adaboost分类器相结合的方法构造通道金字塔对车载视频中行人进行快速检测并获取目标关键信息和运动属性；单目测距模块利用检测时获取的信息估测人车距离；预警模块利用得到的运动信息判断出前方行人的危险程度并给出相应的响应类型。通过使用城市道路条件下的实录视频进行实验,验证了系统的实时性与准确性。