本文从观察出发，发现多个顶级行人检测器可以通过使用中间层过滤低级特征并结合增强决策森林（boosted decision forest）来建模。基于这一观察，我们提出了一种统一框架，并实验性地探索了不同的滤波器家族。我们报告了大量结果，以便进行系统性分析。利用过滤后的通道特征，我们在具有挑战性的加州理工学院（Caltech）和卡尔斯鲁厄理工学院（KITTI）数据集上取得了顶级性能，仅使用HOG+LUV作为低级特征。当加入光流特征时，我们进一步提高了检测质量，并在加州理工学院数据集上报告了迄今为止最佳的结果，达到了1个误检每图像（FPPI）时93%的召回率。