针对于汽车驾驶领域交通事故高发,生命财产损失巨大,人们对于智能驾驶、安全驾驶的需求越来越迫切。行人检测作为智能驾驶的研究重点之一,成为机器学习研究的热点,当下基于机器学习的行人检测研究主要集中在两个方面:基于统计学习和基于卷积神经网络。卷积神经网络以其不可替代的优点受到广大研究者青睐,但是由于芯片端解决方案的缺乏,主要停留在实验室算法研究,PC机仿真;统计学习经过多年的研究发展,早以形成成熟的算法理论,芯片端解决方案更是已经应用实际车载场景中。因此,使用统计学习的方法来检测行人是目前ADAS行人检测产品中的首选解决方案。本课题提出面向实际车载应用领域的基于Visconti2 7502的车载行人检测系统。该系统首先采集大量实际道路场景中行人的正负样本,使用多台阶SVM分类训练,得到用于判断行人目标的字典文件;然后使用车载前置单目摄像头实时捕获道路图像信息;针对图像中目标大小和距离不同,建立图像金字塔,同时,对金字塔的每一层设定ROI区域,去除无用区域,以提高检测速度;使用两种模板大小的高维的Co-occurrence Histograms of Oriented Gradients(Co HOG)萃取ROI中的目标特征,根据字典对提取到的目标进行两次比对判断,以提高检测精度;使用Harris角点和光流法追踪行人目标;使用Visconti2 7502内部集成的多核处理器和图像处理加速器对整个系统进行实现。最后,将该系统安装在普通轿车的前挡风玻璃固定位置处进行道路实测实验,得出结论:本系统将Co HOG特征提取算法结合多台阶SVM分类器应用在Visconti2平台上,仅依靠一个单目摄像头即可实现实时精确的行人检测,成本较低,体积小,完全适用于空间狭小的车内空间,有着很强的现实意义和巨大的市场应用价值。