近年来,汽车渐渐成为人们外出依赖的交通工具,随着人工智能领域取得的重大进步,智能辅助驾驶系统也越来越成为关注的热点。行人检测技术是汽车辅助驾驶不可或缺的一部分,及时、准确地识别车辆前方的行人,可以有效地降低交通事故的发生。在实际应用中,由于处在开放的环境中,在考虑行人的服饰、位姿、遮挡等因素的同时,还要考虑路况变化和光线变化等影响,使得完善行人检测技术仍是一个难题。因此,提高行人检测算法的准确性、实时性和鲁棒性的是走向实际应用的关键问题,具有深远的研究意义。本论文在国家重点研发计划项目(2016YFB0101102)“电动汽车智能辅助驾驶技术研发及产业化”的资助下,以室外行驶工况下的车辆以及车载相机为研究对象,主要研究如何通过视觉检测以及跟踪算法,实现车辆在各种运动模式下,均能够实现对影响行车的行人做出有效的检测及跟踪。通过行人检测跟踪系统,来实现行车过程中的行人检测以及跟踪任务。本文通过大量的文献以及实验主要完成了如下4个任务:1)详细介绍了辅助驾驶行人检测跟踪系统的研究背景、意义以及国内外行人检测跟踪的技术的研究现状。对行人特征进行了进一步深入研究,选取HOG特征和积分通道特征,经过后续实验分析,最后引出了利用积分通道特征作为行人的检测特征,并首先完成了行人特征提取实验。2)分类器选取。对传统的行人检测方法HOG+SVM进行研究分析,发现其对目标与背景相似度高的行人不敏感。由于外界环境复杂,单特征的行人检测不能满足需求,对多特征检测行人算法进一步研究。选取级联分类器Adaboost作为分类器,首先对Adaboost进行训练,最终利用训练好的Adaboost分类器作为行人检测分类器。3)图像快速性算法研究。为了提高行人检测算法的实时性,改进了图像金字塔算法,估计得出不同尺度下的积分通道特征,再利用Adaboost分类器对特征进行分类。通过实验证明该算法能够提高行人检测的准确性、快速性和鲁棒性,为辅助驾驶系统提供了稳定的行人检测算法。4)行人跟踪。为保证系统的稳定性,加入跟踪算法。对均值漂移算法(Mean Shift)、自适应均值漂移算法(Cam Shift)和粒子滤波算法进行研究,考虑外界多种因素,进一步对跟踪算法深入研究,最后选取Kalman算法进行跟踪,通过实验证明取得了很好的效果。最终,本文所提方案利用VS2013和Open CV2.4.9仿真实验系统进行了实验研究。实现了在不同工况下的行车过程中对行人有效地检测和跟踪。