随着汽车数量的迅速增长和道路交通事故的频繁发生,如何减少交通事故、降低交通事故造成的损失成为人们关注的重点。作为一项汽车主动安全技术,行人检测系统被越来越多的单位和机构关注和研究。行人检测融合了传感器技术、图像处理技术、计算机技术等多种技术,检测目标区域中是否存在行人,减少了行人与车辆的交通事故。本文从统计学习的研究方向出发,对车辆前方行人检测方法进行了研究。基于统计学习的行人检测方法主要包括样本特征的提取和分类器的选择两部分。本文首先对采用的行人特征和分类器进行了相关介绍,并在此基础上进行了一定改进,通过增加Haar-like等特征的种类来提高行人的描述能力,在Adaboost算法中引入了一种新的权重更新方法来提高训练速度等；然后针对行人检测系统快速准确的要求,通过结合行人轮廓的特点以及综合级联分类器(Cascade)检测速度快和SVM鲁棒性强的优点,训练得到了两个分级的行人分类器。开展了基于Haar-like特征和Hog特征的分级行人检测方法研究。首先采用10类Haar-like特征作为候选特征集,用Cascade训练一个粗分类器,将车辆前方的行人候选区域分割出来；然后通过不同核函数的SVM选择出具有强分辨能力的Hog特征表征行人,得到精分类器,实现行人定位。另外,开展了基于Hog特征和纹理、不变矩特征的分级行人检测方法研究。首先将Cascade与Hog特征集结合,确定行人候选区域；然后选择纹理特征和不变矩特征作为行人的特征点,通过不同核函数的SVM训练得到识别行人的分类器。试验结果表明,本文的算法均能够对车辆前方不同尺寸、颜色和形状的行人进行有效地识别,有较高的检测率,达到了理想的检测效果。