行人检测和跟踪是城市交通环境下的智能车辆导航系统中的一项关键技术,对推动智能车辆的发展及保障城市交通安全具有十分重要的作用.道路交通事故的发生给人类社会带来了极大的危害.所以,如何减少交通事故的发生,有效地检测和跟踪车辆前方的行人,并及时地采取措施保护行人,避免碰撞行人是智能车辆安全辅助驾驶技术的研究方向.在行人检测阶段,本文研究了基于AdaBoost分类器和HOG特征的方法.首先,分割行人图像,得到行人的候选区域.然后,选取行人样本库,并提取样本库的HOG特征,进行AdaBoost分类器训练.最后,调用训练后的分类器,对候选行人区域进行识别检测.在行人跟踪阶段,对于彩色图像序列,本文采用传统的Mean Shift跟踪算法；对于红外图像序列,本文提出了改进的Mean Shift跟踪算法,此算法利用梯度方向直方图作为目标特征,以Mean Shift算法为核心,减小了目标模式匹配的搜索范围,通过迭代使得搜索过程快速收敛.红外图像是灰度图像,没有色彩信息,纹理细节很少.传统的Mean Shift跟踪算法使用的目标特征是颜色直方图,造成了此算法仅仅适用于彩色图像序列中.改进的Mean Shift算法解决了传统的Mean Shift跟踪算法不能运用于红外图像序列的难题.为了提高车载视频中运动行人跟踪的精度,本文研究了Mean Shift和卡尔曼滤波器相结合的算法,卡尔曼滤波器预测目标在当前帧的可能位置,Mean Shift算法在该位置的邻域内进行搜索.实验结果显示,该算法的跟踪效果良好.