汽车保有量日益增多,城市道路建设日趋完善,道路交通安全问题已成为威胁人身安全的重要因素。在这样的背景下,高级辅助驾驶系统(Advanced Driver Assistance Systems,ADAS)应运而生。行人车辆与驾驶员姿态检测系统作为高级辅助驾驶功能中的重要组成部分,主要用于向车辆驾驶者实时反馈路况信息并对驾驶员的驾驶状态进行监督。对行人车辆检测部分而言,道路交通参与者众多,道路场景复杂,如何快速、准确的识别出道路中的行人和车辆来帮助驾驶者安全驾驶是一个较为困难的问题。对于驾驶员姿态检测部分而言,主要关注对驾驶安全最为重要的头部姿态监测,虽然该场景对姿态监测算法的精度要求较低,但如何更加快速的得到头部姿态信息,在事故发生前尽早的向驾驶者发出警告还需要深入的研究。由于道路交通场景特殊,通用物体检测算法往往不能满足其检测准确度和耗时要求。在驾驶员头部姿态监测问题中,现有方法往往具有较高的姿态检测精度,但实时性却很难满足实际需求。本文针对以上辅助驾驶系统中的问题,进行了如下工作:(1)提出一种特征无损的Faster r-cnn行人车辆监测方法。针对Faster r-cnn网络在行人车辆检测中的特征丢失问题,利用随机森林分类器输出固定维度特征编码,替代原本Faster r-cnn网络中的“空间锥”池化层。通过实验证明,该模型与原本Faster r-cnn网络及单纯以随机森林分类器替代Faster r-cnn中全连接层所建立的分类模型相比,行人车辆检测准确率有了一定的提升。(2)提出细节信息增强型行人车辆检测网络压缩方法。针对“知识提法”压缩方法忽略细节信息问题,本文量化样本表观信息,加入网络“学习”目标。通过实验证明,该方法能够有效的对行人车辆检测网络进行压缩,且其压缩准确率优于传统的“知识提取”算法。(3)提出基于面部特征点距的快速驾驶员头部姿态估计方法。针对现有头部姿态估计方法实时性不佳的问题,结合基于面部特征点的准确建模检测方法和基于面部特征分类的姿态估计方法的优势,提出了基于面部特征点距分类方式的快速驾驶员头部姿态估计方法。通过实验证明,该方法在满足驾驶员头部姿态监测场景的精度要求下,与现有方法相比,具有更好的实时性。