随着国家经济的飞速发展,机动车的保有量不断增加,由于驾驶员主观失误造成的交通事故频发,严重威胁到了路上行人的生命安全。车辆辅助驾驶系统可辅助驾驶员控制车辆安全运行,判断车辆前方或者周围出现的目标是否为行人。无论何时人的生命都是第一位的,因此,行人检测是车辆辅助驾驶系统中的关键技术。由于行人兼具刚性和柔性物体的特点,外观容易受穿着、遮挡、尺度、姿态和视角等因素影响,这使得行人检测方法成为计算机视觉领域中既具有价值又具有挑战的热门课题。本文主要从以下几个方面展开研究:(1)对基于静态图像的行人检测技术进行研究。在图像特征提取环节分析了梯度方向直方图特征(HOG),采用支持向量机(SVM)算法作为分类器,在INRIA数据集上进行测试。可变形部件模型(Deformable Parts Model)是HOG特征的扩展,可以有效解决行人姿态的不确定性问题,论文分析了该模型的实现过程,并在VOC 2007数据集上测试该模型的性能。(2)对基于视频流的行人检测方法进行研究。分析了帧差分法、光流法和高斯混合模型方法,对其优缺点进行对比,重点分析了高斯混合模型和EM算法,基于Visual C++2017编程环境,开发了一套行人检测系统,能够检测到视频流中是否有行人,并对检测到的行人进行跟踪。(3)最后研究了深度学习在目标检测中的应用,单图多框检测模型(Single Shot Multibox Detector,SSD)在不同输出层上使用了不同尺度的默认框。实验结果表明该算法检测速度快,检测效率高,可以在一定条件下实现行人检测的目的。