视障人士在城市交通环境中能够沿着盲道到达路口,并且借助盲杖获得环境信息。传统盲杖能够帮助视障人士躲避障碍物,但是无法提供近处人行横道、远处人行横道信号灯等相关信息。基于计算机视觉（Computer Vision,简称CV）的电子行进辅助（Electronic Travel Aids,简称ETA）能够通过光敏传感器采集广域环境信息,并且利用计算机对数据进行处理获取人行横道、人行横道信号灯等目标的相关信息。不同于高级驾驶辅助系统（Advanced Driver Assistance System,简称ADAS）中人行横道检测和信号灯检测等任务,ETA以行人视角获取图像,人行横道和人行横道信号灯具有独特的外表特征。本文根据视障人士在城市街景中步行的情形,主要针对人行横道检测、人行横道信号灯检测两方面进行相关研究。在全面分析基于CV的目标检测理论的基础上,分别从目标特征表达、目标检测模型和目标检测加速等方面展开关键技术研究,主要研究内容及研究成果如下:1)提出了一种基于链式卷积神经网络（Convolutional Neural Network,简称CNN）模型的人行横道检测方法。通过CNN逻辑回归模型实现人行横道的分类识别,利用CNN回归模型进行人行横道的方向计算,在此基础上建立链式CNN模型。各CNN模型采用反向传播（Back Propagation,简称BP）算法训练参数,从而自适应提取自然场景下人行横道的非典型特征。为了评估基于链式CNN模型的方法检测人行横道的性能,实验中对比了不同检测方法和不同结构的CNN模型,结果表明不同的CNN模型提取层次特征的能力不同,由逻辑回归模型LRconv5和回归模型Rconv5组成的链式CNN模型具有较好的检测性能和较强的鲁棒性。2)提出了一种基于多图层特征和Ada Boost算法的人行横道信号灯检测方法。采用新型的多图层特征描述人行横道信号灯的颜色、纹理和形状等信息,通过集成方法Ada Boost算法选择有效的特征训练强分类器,利用强分类器在不同尺度的图像上滑动窗口检测人行横道信号灯。多图层特征根据RGB色彩空间、HSI色彩空间、YCr Cb色彩空间和CIELAB色彩空间中不同图层的功能在单个图层上通过求和或做差的方式提取特征。多图层特征分为多矩形特征和单矩形特征,矩形特征具有位置信息,单矩形特征用于颜色特征表达,多矩形特征用于纹理特征表达。在实验中分别采用无-红-绿三状态检测法和红-非红二状态检测法进行测试,并进行了鲁棒性分析,结果表明多图层特征能够提取人行横道信号灯的颜色特征,从而提高检测的准确性。3)提出了一种基于流水线模型的人行横道信号灯检测加速方法。通过流水线和并行处理提高基于多图层特征和Ada Boost算法的方法的检测速度,以适应人行横道信号灯随着时间快速变化的情况。通过视频输入模块采集视频,并在存储器模块中采用先进先出的读写模式缓存视频。在信号处理过程中按照顺序将缓存像素输入色彩空间转换子模块,得到转换后的YCr Cb数据,在此基础上基于多维度数据复用的原则,利用改进的平衡二叉树方法和相邻窗口的相似性原则实现积分图的列、行累加和计算。整个计算过程通过流水线模型实现,从而缩短了最长计算路径,减小了模型的计算时间。通过实验测试了信号处理模块性能和原型整体性能,结果表明多维度数据复用能够提高计算速度减少资源耗费,基于流水线模型的方法具有实时检测人行横道信号灯的能力。本文围绕基于CV的人行横道和人行横道信号灯的特征表达、检测模型和计算加速等技术展开研究,针对不同的检测需求分别提出了链式CNN模型、多图层分类器、多维度数据复用方法等以提高检测的鲁棒性、准确性和快速性,使得视障人士能够快速掌握人行横道和人行横道信号灯的关键信息,给视障人士在城市街景中独立穿越机动车道提供必要的辅助。本文的研究内容为ETA的发展发挥了积极的作用。