行人检测是机器视觉领域长期以来的一大热门研究问题。在智能交通概念普及的今天，对行人进行准确的检测，以避免碰撞来保护行人的安全显得尤为重要。因此，对行人的实时检测技术的研究具有重大的研究价值和应用前景。由于行人属于非刚性目标，姿态和衣着千变万化，加之场景变化的复杂性，使得行人检测在特征描述上就存在极大挑战。近年来基于统计学习的行人检测方法的兴起使近距离高分辨率的行人检测已达到较高的精度，但是大多检测效果达标的算法都有高计算量需求，在实时性方面存在较大问题。另一方面，对远距离低分辨率行人的检测，现有算法的检测效果都很不理想。事实上在道路交通场景中，中远距离的行人的检测才是避免交通事故的关键。因此，本文基于车载单目摄像头获得的道路图像，针对行人识别算法的实时性和中远距离行人识别算法的性能优化问题进行研究，提出了以下改进方法：首先，本文提出了一种提高低分辨率行人识别效果的算法。我们基于(Histogram of Oriented Gradient,HOG)特征对特征向量进行类似主成分分析(Principal ComponentAnalysis,PCA）的转化，应用分辨率对应转换方程将各个分辨率的特征描述子对应至相同的特征子空间，以此建立高分辨率行人特征与低分辨率行人特征的联系，提高了特征描述子在低分辨率下的描述能力，为分类函数能更好地分类提供了基础。此外，为了配合上述思想，我们给出了优化特征转换方程参数的方法，通过拆分非凸二次优化问题为两个凸优化子问题，分别迭代优化来得到特征转换方程参数和分类函数系数。其次，在解决行人识别的实时性问题上，本文通过一种几何限制方法来分割感兴趣区域(region of interest,ROI)，这种方法基于相机参数标定来确定世界坐标与图像坐标的映射关系，从而确定不同距离行人在图像中的位置与像素高度。在此基础上，将真实场景中可能存在的相机抖动等因素综合考虑后，我们给出了尺度对应的ROI确定方法。该方法能配合多线程平衡负载和(Streaming SIMDExtensions，SSE)技术一起提高单帧图片检测速度，通过调整分类器尺寸，对初步结果进行特征子空间转换后再分类，可达到中远距离近实时检测效果。