随着经济的高速发展和人口的大量增加,许多道路都是行人、非机动车与机动车共同使用,在各种交通事故中,相对于驾驶员和乘员而言,行人、非机动车驾驶人以及其他弱势交通参与者在交通事故中的伤亡情况更加严重,行人检测现已成为国内外科研院所和产业界共同的研究热点,其作为智能驾驶辅助系统和无人驾驶系统中的核心组成部分,是保护行人及其他道路使用者的有效主动式安全辅助系统,具有有效减少道路交通事故伤亡的实用意义。本文在深入研究前人提出的交通环境行人检测方法原理的基础上,提出的基于双目立体视觉的交通场景中的行人检测,利用视差信息生成基于棒状像素(stixels)的场景表达,可以有效减少行人检测候选区域的同时避免了像素级(pixels)的深度图计算,在预处理阶段显著减少算法用时。将预处理阶段后的每一帧图像运用多尺度HOG特征(Multi-HOG特征)+LUV颜色空间特征+交叉核支持向量机的特征融合目标检测策略,在改进传统HOG特征的基础上融合了颜色特征,显著提高算法实时性的同时保证了检测准确度,从而达到实时、准确、高鲁棒性的交通场景行人检测的目的。本文主要研究内容包括以下几个方面:(1)建立了基于双目立体视觉的驾驶场景与障碍物模型,得到视差和深度信息,结合交通场景中行人的普遍特征,生成了基于棒状像素(Stixel-world)的场景表达方式,避免了像素级的计算,降低了算法的复杂度。(2)针对行人潜在区域提取边界不够平滑的问题,设计动态规划算法优化了Stixels的合理性,有效提取出了感兴趣区域,与传统算法相比大幅减少了行人检测的候选区域,部分场景减小检测区域可达73%。(3)为保证检测准确性,筛选了block尺度形成Multi-HOG特征,并与LUV颜色通道特征相融合,实验结果表明本文算法在较为复杂的环境下总体行人目标误检率控制在10%以下,漏检率在15%以下,检测准确度较传统算法有了很大提升。(4)设计了交叉核SVM分类器,在大量样本的情况下显著提升了行人检测系统实时性,在TUD和ETH数据库上的检测用时分别缩短了76.9%和79.8%,基本满足车载行人检测系统对实时性的要求。