随着智能车以及智能交通技术的不断发展,交通环境中的行人安全问题日益受到重视。在基于视觉的行人检测领域,HOG(Histogram of Oriented Gradient)是目前最流行的算子。但是传统基于HOG的行人检测方法在准确率上还难以满足智能车应用的需求。为此,本文首先从特征算子的层面出发,提出了基于特征生成模型的行人检测算子搜索算法。以寻找比HOG更适合行人检测的新算子为目的,本文提出了用于生成大量随机特征的特征生成模型,随后为了满足特征评估与快速寻优的需求,搭建了行人检测实验平台以及引入了遗传算法。构建了基于特征生成模型的行人检测算子搜索算法。随后通过实验得到了G2P(Second-order Gradient of Pedestrian Detection)算子。得到G2P算子之后,本文提出了基于G2P的行人检测算法。通过与SVM(Support Vector Machine)的结合,得到了G2P+SVM行人检测器。为了满足智能车应用的实时性需求,本文使用了级联检测框架为G2P+SVM方法加速,得到了可以实时运行的G2P行人检测算法。为了解决行人检测结果不稳定的问题,本文提出了基于TLD(Tracking-LearningDetection)的行人跟踪算法。本文通过替换TLD检测特征以及调整TLD跟踪特征点的方法分别解决了行人复杂形变以及图像背景运动的问题,得到了适合跟踪行人的TLD行人跟踪算法,同时还从优化算法实时性的角度出发对TLD算法做出了大量修改,以提高系统整体的性能。本文最后将G2P行人检测与TLD行人跟踪加以整合,提出了G2P+TLD行人检测与跟踪系统。并通过大量的实验证明本文方法在准确性与实时性上的优势。