随着城市人口增长和道路汽车数量的不断增加,如何高效地保障安全行驶已成为了一个社会问题。由于行人在交通事故中更容易受到伤害,在车载环境中对道路行人检测算法的研究有着重要的现实意义。行人检测技术作为安全驾驶中重要技术之一,已经成为了智能交通和安全驾驶领域中备受关注的研究方向。本课题主要研究内容是通过车载摄像头获得的图像对前方道路上的行人进行检测。相比于其他领域的行人检测技术,车辆行驶环境下的行人检测对检测率和实时性有很高要求,且面临着更多的挑战:图像中小尺寸行人的数量较多,因行人信息不足而导致不易辨识;城市街道背景比较混乱,易造成误识;由于车载环境中计算资源的限制,这给检测算法带来了更大的压力。本文分别对行人检测算法中的三个主要阶段进行研究与改进,包括生成候选窗口、行人特征提取和特征分类。本文针对穷举式的窗口扫描方式进行了改进:首先利用图像灰度信息生成候选窗口,然后在此基础上提出了结合场景先验知识的候选窗口预处理方法。在特征选择阶段,本文融合了多种特征信息共同描述目标,以便较好地辨别低分辨率的目标。在计算多尺寸特征时,文本加入了快速特征金字塔算法,提高了特征计算速度。针对环境背景中存在大量干扰物体的问题,本文提出了基于人体轮廓先验知识的特征提取方式:根据人体的轮廓信息来生成矩形滤波器组,用来增强特征的表达。同时设计了与其他基于非先验知识的矩形滤波模板的融合算法,以得到表达效果最佳的滤波模板组合。在特征分类阶段,本文利用Ada Boost集成多个弱分类器和软级联的优化级联方式,并且采用多轮迭代方法来加速模型的训练。我们将本文算法与其他算法在不同公开数据集上的测试结果进行了比较与分析,结果表明本文算法有较好的检测性能和较强的场景适应能力。同时,在实际街道场景中录制的数据集上进行了检测并取得了较好的效果,说明本文算法具备一定的实用价值。