本文的主要目的是研究一种高效且检测性能较好的车辆行人检测方案,同时估计目标的位置信息,为驾驶人员提供准确的道路信息,避免交通事故发生,减少人员伤亡和财产损失。论文通过分析现有方案的优缺点,改进已有算法检测性能不足,和计算效率较低的问题,提出了一种基于3D概率模型的检测方案。目标检测是辅助驾驶的基础,检测性能的好坏,直接影响系统的使用效果。为了提高检测性能,常用的方法有两类:第一,选取最能表征目标的特征,或使用多种特征融合;第二,改进训练模型。本文通过组合颜色,幅度和方向直方图共计十个特征通道作为初始分类器的特征池,训练基础Soft Cascade分类器。为了加快检测效率,论文改进检测方案,将多次缩放图像改为训练多个分类器,从而使得检测时的计算量大大降低。同时,将3D概率模型引入检测过程,结合语义分析,几何约束和检测器得分,使检测性能进一步提高。实际场景中目标运动不规律,没有确定的状态转移模型,常规方法不能很好适应目标跟踪。而粒子滤波根据统计原理,不需要事先假设目标的状态转移规律,利用粒子的随机性,可以主动适应目标分布模型。但是,普通粒子滤波存在粒子退化缺陷,且只能跟踪固定数目的目标。根据需要,本文利用而基于可逆跳转马尔科夫链蒙特卡洛采样算法(Reverse Jump Markov Chain Monte Carlo,RJ-MCMC)正好可以解决这个问题;通过设计不同类型的跳转,适应目标加入和离开。在图像中确定目标位置后,根据测距模型,可以估计目标的实际位置。本文主要研究单目视觉下的辅助驾驶系统,包括车辆行人检测、多目标跟踪和目标距离估算。实验表明,结合分类器检测、语义分析和几何约束的3D场景概率模型,对复杂目标能够有效甄别,并筛除虚假目标,具有一定实用性。其次,设计以跟踪时检测为指导,适合多目标跟踪的RJMCMC粒子跟踪方案,能够减少多目标跟踪时的漂移问题。最后,改进距离估算方法,减少距离估算误差。