行人是弱势交通群体之一,行人交通事故频发,保障行人安全势在必行。在高级辅助驾驶系统(Advanced Driving Assistance System,ADAS)中,有关行人的研究多集中在行人目标检测,而对行人行为分析亟待完善和补充。随着电子产品的普及,行人佩戴耳机行为司空见惯。行人佩戴耳机,自娱自乐,使自身曝露在潜在的碰撞危险中,同时也对其他交通参与者造成干扰,其安全态势非常严峻。为此,本文以行人佩戴耳机行为为研究对象,基于YOLOv3-Max网络,研究过街场景下的行人目标识别;基于此,应用Adaboost算法和SVM分类算法,对行人佩戴耳机行为进行辨识,及时对驾驶人发出预警,完善安全辅助驾驶方面的相关研究。论文的主要研究内容如下:1)构建Caltech-Mix行人识别混合数据集。针对Caltech行人数据集行人样本多样性不足的特点并结合本文研究场景下的大尺寸行人特点,以Caltech数据集筛选所得的5206张图像和自采集的6640张行人图像为主体,以INRIA数据集和CVC行人数据集为辅,共同构建形成适用于本文场景下的行人识别数据集Caltech-Mix混合数据集。2)设计基于YOLOv3-Max的大尺寸行人目标识别算法。针对过街场景下的行人识别,改进YOLOv3网络的锚定框机制,优化网络输出。设计得到针对大尺寸行人的单目标行人识别网络YOLOv3-Max,在保证准确率、鲁棒性基础上大幅提升算法实时性。对比实验分析结果显示,YOLOv3-Max网络对大尺寸行人识别准确率达98.3%。同时,检测速度相比YOLOv3网络提升了25.6%,达到49FPS。3)设计基于Adaboost算法+SVM分类器的行人佩戴耳机状态判别算法。在行人识别基础上,结合Haar-like+Adaboost的耳部定位检测算法,对行人检测框区域进行特征提取并使用强级联分类器分割出耳部区域。将搜索域缩小至耳部区域后,针对人耳外轮廓独特的纹理特征,选取LBP作为特征算子,对耳部进行特征提取并使用SVM分类器判别行人是否佩戴耳机。该部分耳机检测在自建的EAR-H数据集1000张人耳测试图像上的识别准确率达到89.1%。4)构建面向安全辅助驾驶的行人佩戴耳机行为辨识系统。在上述研究基础上,以Windows操作系统为平台,运用Python编程语言构建了面向安全辅助驾驶的行人佩戴耳机检测系统。依托py QT设计界面,应用Open CV图像处理库进行算法设计和开发,将以上算法集成至同一监测系统。经测试该系统可被运用于对实时视频中行人是否佩戴耳机的智能识别,以此及时向驾驶人发出预警,保障行人生命安全。