基于特征分类的行人检测方法具备极高的准确率和鲁棒性。 A. 对B. 错

本题考查对行人检测方法技术特点的理解。关键点在于区分传统特征分类方法与现代深度学习方法在准确率和鲁棒性上的差异。传统方法（如HOG+SVM）依赖人工设计特征，存在特征表达能力有限、对复杂场景适应性不足等问题，而深度学习方法通过端到端学习显著提升了性能。因此，题目中的描述不符合实际。

基于特征分类的行人检测方法通常指传统计算机视觉技术（如HOG+SVM），其核心依赖人工设计的特征。这类方法的局限性包括：

1. 特征表达能力有限：无法自动学习复杂特征，对光照、遮挡、视角变化等鲁棒性不足。
2. 检测精度受限：在复杂场景下容易出现误检或漏检。
   而现代基于深度学习的方法（如Faster R-CNN）通过大量数据训练，能自动提取更丰富的特征，准确率和鲁棒性显著提升。因此，题目中“极高的准确率和鲁棒性”描述不准确。