基于机器视觉的行人检测与测距方法是车辆辅助驾驶系统的重要组成部分,可以为驾驶员提供车辆行驶过程中行人的位置和距离信息,为交通安全提供有效保障。本文对基于可形变模型(Deformable Part Model,DPM)的行人检测算法及基于单目视觉的测距算法进行了较为深入的研究,具体工作包括以下三个方面:1、本文从行人特征提取及表示、行人检测分类器以及行人检测算法的评价标准三个方面对行人检测理论进行了较为详细的介绍,并对常用的公共行人检测数据集做了说明。2、对DPM算法中改进的HOG特征提取、特征金字塔构造、非极大值抑制以及DPM模型结构进行了研究。将HOG+SVM检测算法和DPM检测算法在ETH数据集上进行测试,测试结果表明,DPM检测算法具有更好的检测精度。由于DPM检测算法采用了多部件模型进行联合检测,检测效率不高。针对这一不足,本文提出相邻尺度特征近似估算的方法来构建DPM检测算法中的特征金字塔。将改进后的算法在ETH数据集上进行测试,实验结果表明,与DPM检测算法相比,在保证精度的前提下,本文算法提高了检测算法的检测效率,平均每帧检测时间为0.16s。3、在获得行人位置的基础上,本文采用单目视觉测距方法来获得人车距离。首先对算法中涉及到的图像坐标系及其转换和张氏摄像机标定进行了详细的说明,给出了摄像机的参数计算方法。然后通过小孔成像模型、成像点与行人目标的几何关系得出行人与摄像机的测距公式,实现行人测距。实验结果表明,在10m以内,本文算法的平均误差在0.2m以内,本文的测距模型能够较准确的计算人车距离,达到测距目的。