Ce travail part de l'observation que plusieurs détecteurs piétons de premier plan peuvent être modélisés en utilisant une couche intermédiaire filtrant les caractéristiques de bas niveau, combinée à une forêt de décision boostée. À partir de cette observation, nous proposons un cadre unificateur et explorons expérimentalement différentes familles de filtres. Nous présentons des résultats exhaustifs permettant une analyse systématique.En utilisant des caractéristiques de canaux filtrés, nous obtenons des performances optimales sur les jeux de données difficiles Caltech et KITTI, tout en ne recourant qu'à HOG+LUV comme caractéristiques de bas niveau. Lorsque nous ajoutons des caractéristiques d'optique fluide (optical flow), la qualité de détection s'améliore encore davantage, et nous rapportons les meilleurs résultats connus sur le jeu de données Caltech, atteignant 93 % de rappel à 1 FPPI.