近些年随着我国机动车数量的增长,道路交通变得越来越拥挤,交通事故数量也呈增长趋势。研究显示交通事故受害者中行人占了很大比例,因此开发一款可以规避行人的辅助驾驶系统的需求变得越来越迫切。人物检测作为其中的核心技术被越来越多的人所关注。本文针对人物检测中使用单一特征的不足,设计了一种基于特征融合和数据降维的方法,目的是提高检测准确率和优化检测速度。本文首先对图像进行了预处理,为后续工作做准备。归一化了样本尺寸。对比了几种滤波方法的去噪效果。对采集的道路图像直方图均衡。结果表明中值滤波对椒盐噪声和高斯噪声都有较好的去噪效果。直方图均衡有效提高了原始图像的对比度。设计了基于方向梯度直方图(HOG)特征和支持向量机(SVM)的分类算法。提取了样本集的HOG特征,并且基于四种核函数训练了SVM分类器。实验对比了它们的分类准确率和速度。结果表明基于线性核函数的SVM分类器有最高的准确率和最快的速度。针对单一HOG特征的不足设计了特征融合算法。选取了性能最优的等价局部二值模式特征(LBP)与HOG串行融合。针对融合后的HOG-LBP特征维度较高的问题,采用主成成分分析(PCA)算法进行降维。实验结果表明1700维的HOG-LBP-PCA特征分类准确率高于单一的HOG特征,分类速度高于未降维前的HOG-LBP特征。最后研究了基于图像金字塔的多尺度检测算法和基于贪心策略的窗口融合算法。基于工业相机和Open CV搭建了实验平台,对比了HOG-LBP-PCA特征和单一HOG特征的检测结果。实验结果说明改进后特征在精确率、召回率和接受者操作特性曲线(ROC)方面都有更佳的表现。以上的研究内容和结果说明了本文设计的基于HOG与LBP特征融合,以及PCA降维的人物检测算法可以有效提高检测准确率和优化检测速度。并且在实验平台上展现了出了一定的可靠性。