城市交通中行人交通安全问题逐年恶化。为了保障行人交通安全,减少交通事故,车载行人检测技术已成为目前国内外智能交通领域公认的一个研究热点。它是通过车载的自动监视系统,对汽车前方交通场景中的行人进行自动实时检测,根据检测结果对驾驶者提供辅助决策,以保护行人安全。近年来,国内外在车载行人检测方面已取得了显著进步,但多数工作集中于分类机制或检测算法的设计优化上,而对于特征处理关键技术的研究还相对较少。由于分类算法的不断优化,检测过程变得复杂耗时,因此从这方面来改进系统的检测性能逐步陷入瓶颈。而另一方面,特征处理关键技术仍有很大的改进空间;这一思路可以从获得优质特征方面提高检测率,降低检测技术的复杂性,提高检测速度,从而进一步改善检测系统的整体性能。因此,如何获得一个最具代表性的行人特征子集成为改进系统检测性能的关键,代表性特征获取方法的研究具有重要的理论研究意义和很高的实用价值。本文以基于视觉的行人检测系统为研究背景,针对行人多样性和场景混乱多变等特殊性和难点,面向当前两种主流检测技术提出了解决方法,以获取行人代表性特征子集用于行人检测,在检测速度和准确性上取得很好平衡:(1)针对模板匹配型行人检测系统中的行人形状多样性和行人形状模板不宜过多的冲突问题,本文提出了一种基于改进的局部线性嵌入算法的代表性行人形状特征子集生成算法。该算法通过改进的非线性学习算法得到行人形状的低维本征表示,再由聚类算法和径向基函数网络生成一个较小的代表性行人形状模板子集用于模板匹配,可以有效地平衡检测准确率和速度。(2)针对分类型行人检测系统中行人多样和场景复杂导致冗余或无关信息过多等问题,本文提出了一种基于核主成分分析并结合遗传搜索的代表性特征子集选择算法。该算法使用线性支持向量机来指导遗传搜索,最终获得具有高可分性的、最优的代表性特征子集,用于准确实时行人检测。为了验证所提出的代表性特征子集获取算法的有效性,本文设计了各种对比实验,实验结果表明:本文方法生成的代表性特征子集在行人检测上优于其他特征集,使用代表性特征子集检测行人可以明显改善检测系统的鲁棒性和实时性。