随着城市汽车保有量的迅速增加,道路交通安全成为不可忽视的重要问题,车辆高级辅助驾驶系统(Advanced Driver Assistance Systems,ADAS)因此应运而生。ADAS是指利用汽车传感器以及计算机视觉等先进技术降低事故发生率的设备。行人检测系统作为ADAS的重要组成环节,能够及时向驾驶员反映路况信息以达到提醒驾驶员安全驾驶的目的。由于道路交通参与者众多,因此情况通常比较复杂,如何设计出一个高效、安全的行人检测系统帮助驾驶员安全行驶成为一个颇具挑战性的课题。对于行人检测算法来说,精度和速度是极为重要的两个要求。精度保证了检测的时候减少对行人的漏检和误检。速度保证了系统能够快速检测到道路上的行人从而尽可能早地提醒司机及时做出反应,避免交通事故的发生。由于道路环境的复杂性,行人检测算法的检测准确度和实时性还存在一些问题,难以满足实际应用。针对上述问题,本文进行了如下的工作:首先,针对行人在部分自然场景图像中所占面积比例较小(以下简称小目标)、提取的特征容易丢失、检测准确率低的问题,提出基于候选区域和并行卷积神经网络的行人检测算法。首先,对于候选区域提取部分,改进了Selective Search,使其更符合行人这一单一类别的候选区域提取;然后,利用Edge Boxes对Selective Search提取的大量预候选区域进行过滤,最终得到数量少、质量高的候选区域。在利用卷积神经网络(Convolutional Neural Network,CNN)进行特征提取时,针对深层卷积神经网络能够提取到更丰富更抽象的高层特征,但同时对于小目标容易因池化等造成特征丢失的问题,加入浅层网络组成并行卷积神经网络(Parallel Convolutional Neural Network,PCNN)提取深、浅层特征同时输入到全连接层利用分类器分类。最后,将所提方法应用于行人检测。实验结果表明,所提方法对于小目标的检测准确率有较好的提升。其次,针对行人检测算法速度较慢的问题,本文在利用卷积神经网络进行特征提取的基础上加入了“坐标映射”的方法。采取将整张图像输入卷积神经网络代替将提取的成百上千的候选区域图像片段输入到卷积神经网络的做法,从而只需要对整张图像进行一次特征提取,然后在最后一个卷积层利用坐标映射的方法提取出特征图上的候选区域。通过利用坐标映射,一张图像由数以千百次的特征提取改为一次,不但避免了大量重复特征的提取,而且由于极大的降低了特征提取的次数,因而速度得到了很大的提升。同时,由于现有的坐标映射方法容易造成检测准确率的下降,本文对其进行改进,使得算法在提高检测速度的同时,检测精度也得以保持。最后,我们完成了一个行人检测系统的界面设计与功能实现,通过界面操作能够使得行人检测各步骤实施起来更加便捷。