近年来，我国道路交通事故频发，交通事故给社会带来的危害不言而喻，因此，如何尽可能的减少交通事故频次、降低其带来的损失已经成为人们关注的重点。在我国，道路交通事故的受害者很大比例来自于道路行人和骑自行车者。因此开展道路交通行人保护工作势在必行。我国政府很多部门和相关研究机构已经开展相关课题的研究工作。行人检测技术的开发将为我国智能车辆安全辅助驾驶技术提供技术支撑，且具有巨大潜在应用前景。本文正是在此背景下，开展了面向行人安全的行人检测方法的研究，旨在保护道路上的行人和骑自行车者。在道路交通系统中，人体的衣着、身材、姿态、尺度变化多样，且人所处环境的光照、背景也千差万别，这无疑给行人检测技术的研究带来了巨大的挑战。2005年Dalal等人提出了基于梯度方向直方图（简称HOG）的人体检测方法，该方法原理简单，在万分之一误检率的情况下，取得了近90%正检率。时至今日，HOG方法仍然是人体检测领域的优秀算法之一，INRIAPerson样本库也成为公认标准人体测试集。也正因为如此，本文开发的面向行人安全的行人快速检测技术正是基于HOG算法实现的。诚然HOG算法很优秀，但是要达到实时的在道路系统中应用还是难以实现的。对算法本身的优化工作势在必行。本文对HOG的优化算法如下：（1）本文对HOG算法本身做了研究，发现使用梯度方向积分直方图（IHOG）的方法能够在很大程度上加快特征提取过程，梯度方向积分直方图方法只需要对整幅图像扫描一遍并存储梯度方向积分数据，就可以用简单的加减运算求得图像任一个区域内的梯度方向直方图，而不需要再重复计算区域内的每个像素点梯度方向值。（2）为了避免HOG特征向量维数过多（3780维）导致的行人训练、检测耗时过大的问题，本文通过寻找样本显著图的方法，确定了行人头部、左臂、右臂、腿部四个感兴趣区域，将特征维数缩减到1764维，并在其中引入梯度方向积分直方图方法（ROI-IHOG）。（3）为了适应道路系统行人检测环境，本文建立了道路系统行人样本库（RSPerson），并将其和INRIAPerson样本库一起使用，利用线性SVM进行分类器训练。为了验证本文提出的ROI-IHOG方法及训练得到的SVM分类器的性能，本文对其进行了离线测试和在线测试，测试结果表明，ROI-IHOG方法较原始HOG算法速度提高4倍左右，同时训练特征的减少不但没有降低检测效果反而使检测效果有所提高。算法对320×240视频图像进行行人检测，在尺度变化率1.2时，基本可以达到实时，同时本文训练得到的分类器也能很好的识别道路系统中的行人。