行人是道路交通的主要参与者,为了最大限度地降低车辆与行人碰撞事故的发生率,车辆前方行人碰撞预警系统成为了智能车辆领域最为关注的研究方向之一,该系统可以及时检测到车辆前方的行人,第一时间对可能发生的行人碰撞事故做出危险预警,从而有效地避免行人碰撞交通事故的发生。针对车辆前方行人检测的实际问题,本文结合机器视觉相关原理,研究了基于机器视觉的车辆前方行人检测方法,实现了准确的行人检测效果,为车辆前方行人碰撞预警系统等车辆驾驶辅助系统的设计提供一定的技术支撑。本文主要工作如下:(1)提出了半自动化的车辆前方行人数据集快速构建方法。基于图像颜色直方图特征,建立了行人目标半自动化标注的特征概率模型,并采用Bhattacharyya相似性函数实现了行人候选区域的迭代匹配,提高了标注方法的半自动化程度,并节省了人工标注的时间消耗。最后,基于Tkinter和Python的软件开发平台,设计并实现了半自动化方法的行人标注界面程序,通过设计的标注界面程序构建了一个规模达三万多张的行人图像数据库。(2)提出了改进的HOG-LBP特征和支持向量机的行人检测方法。针对LBP特征不能适合于所有种类的纹理特征的缺点,在传统的LBP特征提取算法基础上进行了改进,并进一步提出了改进的HOG-LBP特征的行人特征提取算法。最后,结合滑动窗口法实现了图像中的行人候选区域生成,将候选区域中提取到的改进的HOG-LBP特征输入支持向量机分类器进行训练和测试。实验结果表明,本文提出的改进方法相比原始的行人检测方法,具有较高的召回率和较低的漏检率。(3)提出了多特征提取模型级联的行人检测方法。针对滑动窗口法产生的候选窗口数量过大和预测边界框不够精确等问题,采用卷积神经网络实现了行人候选区域的生成,并在Faster RCNN物体检测方法的基础上,提出了改进的Faster RCNN的行人检测方法。最后,通过结合改进的HOG-LBP特征和改进的Faster RCNN两种方法,提出了多特征提取模型级联的行人检测方法,采用分类器决策级信息融合,实现了两种方法的优势互补,进一步提高了行人检测的准确率。实验结果表明,相比只使用一种特征提取方法,基于多特征提取模型级联的车辆前方行人检测方法具有更高的召回率和更低的漏检率,对行人部分遮挡问题的检测效果较好。(4)设计了基于嵌入式Linux系统的行人检测实车实验验证平台。搭建了基于英伟达Jetson TK1开发板的车辆前方行人检测实车实验验证平台,在搭建的验证平台下,通过车辆前方图像采集、嵌入式处理平台下的图像检测和后端输出结果,实现了多特征提取模型级联的车辆前方行人检测方法的实车实验验证。