高级驾驶辅助系统是当前车辆安全领域研究的热点内容,其中碰撞预警是该系统的重要功能之一。碰撞预警利用车载传感器获取车辆周围环境信息,对道路状况进行分析,并于潜在危险发生前对驾驶员做出提醒,是有效避免碰撞事故的辅助措施。行人由于没有专门的保护装置,在事故发生时更加容易受到碰撞的伤害。针对我国市区交通流量大、道路使用者安全意识不足的交通现状,通过对行人碰撞预警的研究与应用,从而降低由于驾驶员注意力不集中或是行人违规穿行所导致的人车碰撞事故发生的频率,具有积极的促进作用。本文使用单目相机实现车辆前方道路信息感知,研究基于视觉的道路前方行人检测及碰撞风险评估方法。本文主要工作如下:1.研究基于多特征融合的行人检测方法。本文从特征提取、分类器训练和多尺度估算三个方面详细分析了基于通道特征的行人检测器。通道特征集成了颜色、梯度幅值和梯度直方图特征,多种特征结合可以提高行人外观描述的效果和空间定位的准确度。针对多尺度采样计算开销大的问题,研究了临近尺度特征的推算关系,通过间隔采样和邻近估计的方式快速构建图像特征金字塔,在保证检测精度的同时可以大幅缩减检测所需的时间。2.研究基于区域建议的卷积神经网络目标检测框架下行人检测器的构建与训练。本文分析了R-CNN系列目标检测方法的提出与改进过程,最新的Faster R-CNN模型在一个网络框架内实现检测流程中区域建议、特征提取、窗口分类与位置修正四个主要步骤,利用深层网络结构提取更加有利于分类的特征,利用GPU加速大幅提升检测速度。借助Caffe深度学习框架,使用Caltech行人数据集训练针对行人检测任务的Faster R-CNN模型,并与通道特征检测器进行了分析比较。3.研究基于模糊推理的行人碰撞风险评估方法。本文建立单目视觉距离测量模型,根据车载相机采集图像上检测到的行人坐标计算出实际道路中人车相对距离。通过模仿驾驶员在实际驾驶过程中利用模糊语义描述路况进行判断的过程,构建结合距离与车速信息的模糊推理系统,设计模糊推理规则,经过系统推理得到碰撞风险等级。在实际场景图像序列上进行仿真,验证了本文提出的碰撞风险评估方法可以给出较为可靠的危险等级,从而为驾驶员提供及时有效的辅助预警信息。