行人检测系统(Pedestrian Detection Systems,PDS)目的在于从行驶的汽车上,基于各种传感器,通过一些智能算法,实时而准确地判断出汽车前方是否有行人以及行人的大致位置,并进一步判断是否会发生碰撞并予以报警和紧急自动控制。这是一个从实际应用中提炼出来的关键问题,是汽车主动安全(ActiveSafety)、智能车辆(Smart Vehicle)和智能交通(Intelligent Transportation Systems)的一个重要组成部分,有着很强的应用背景和市场价值。同时,行人检测系统也是一个多学科交叉的研究热点,其研究涉及到传感、机器学习、自动化与控制、信息融合、计算智能等,因此也具有很高的科研意义。目前的行人检测系统可以分为两大类,一类是以汽车厂商为代表的研究团队,他们尽可能采用红外、微波、激光等雷达设备,希望能借助这些昂贵的设备来降低处理难度,以获得更快的行人检测速度和精度;另一类研究者希望仅使用简单、廉价的光学设备,通过设计一些改进的算法来同样得到实时的检测速度和可接受的检测性能。研究者们通过对这些传感设备的比较分析,认为普通光学设备有着一些不可替代的优势,并且其核心技术(例如:分类算法)很容易推广到基于其它传感器的系统上,因此基于视觉的行人检测系统具有重要的理论研究意义和很高的实际应用价值。本文立足于采用光学摄像头的行人检测系统与关键技术的研究。基于视觉系统的行人检测面临的主要难点在于:1)检测平台和检测对象的不规则自主运动;2)场景的多样性和时变性;3)行人的多样性以及部分遮挡的问题。这些难点导致分类技术作为一种用于行人检测的关键技术,还是一种有待突破的技术难题。同时,如何设计并搭建出一个具有实用性的基于视觉的行人检测原型系统也为研究界与产业界所急需。行人检测中分类技术主要面临以下三个难点:1)对于检测过程,每帧中待检测的对象数量大,且行人所占比例极少:2)对于分类器训练,面临着样本不平衡问题;3)对于分类器性能要求,同时要求检测速度快、检测率高和误报率低:但这三点相互冲突,因而很难找到一个平衡点。在行人检测系统中,现有的分类方法还存在许多不足,主要包括:1)采用单分类器的方法检测率低,误报率高,检测速度低,多场景适应性差;2)采用串联组合分类器的方法误报率低、检测速度快,但检测率较低、多场景适应性差;3)采用并联组合分类器的方法检测率较高,误报率低,多场景适应性较好,但检测速度慢。针对行人检测系统与关键技术存在的上述难点问题,我们认为有必要研究出针对性的高效分类模型与算法,设计面向应用的实现技术,最终搭建一个具有实用价值的行人检测原型系统。为此,本文围绕这一选题,完成了以下主要成果:1.研究可以得到三方面性能平衡且综合性能最佳的组合分类模型。我们结合串并联组合分类器的优点,提出了树状组合分类计算模型(Tree ClassifierEnsemble Model),结合单分类器性能模型对组合分类器的三方面性能进行了定量的数学描述,从而将行人检测中的分类器设计转化为一个优化问题,进而使获得满足行人检测需求的高性能分类器成为可能。2.研究面向应用的组合分类模型的实现技术。组合分类模型在应用时需要得到其中参数的合理取值才能保证综合性能最优。针对目前分类器关键参数只能通过实验调整的方法获得,不但需要花费很多时间,还不能保证得到的参数最优。为此,我们通过对样本不平衡性的分析,结合组合分类模型的三方面性能表达式,建立了其关键参数的计算模型(Computafion Model),使得保证组合分类器综合性能最优的关键参数可以直接求解得到,大大加速了全局寻优过程。此外,针对实际应用中参数计算模型可能不完全成立的情况,提出了采用RBF拟合结合穷举搜索的方式,仍能在可接受时间内搜索得到组合分类模型的全局最优参数,进一步加强了组合分类模型的应用范围并为该模型在其它分类问题中的应用指明了道路。3.搭建一个具有实用价值的行人检测原型系统。针对智能交通市场对廉价的行人检测原型系统的需要,本文在组合分类计算模型的基础上,分别完成了基于PC计算平台的行人检测算法离线验证平台和基于DSP的车载行人检测原型系统。在离线平台上,除行人分类检测功能外,还实现了行人距离估计、碰撞预测和报警等功能,并且探索了双目视觉下的相关技术;在DSP平台上,结合Adaboost整型化等技术,实现了在计算能力较弱的平台上实时行人检测功能,该原型系统廉价、低功耗且体积小巧,为相关技术的市场化做好了技术储备。