随着人工智能的迅猛发展,汽车产业迎来了巨大变革,无人驾驶汽车成为了汽车行业的发展潮流。无人驾驶汽车的环境感知系统负责检测车辆周围环境,识别障碍物和行人,对保障无人驾驶汽车的行驶安全发挥着重要作用。行人检测和跟踪算法作为环境感知系统的核心技术之一,成为近年来备受关注的研究课题。本文基于卷积神经网络对行人检测和跟踪方法进行研究,提出了具有较好的实时性的行人检测和跟踪方法。首先,本文对基于卷积神经网络的目标检测算法进行分析,考虑到行人检测的特殊性和实时性要求,以YOLOv3-tiny网络为基础进行改进,提出了一种具有更高精度和较快检测速度的行人检测方法。该算法通过增加卷积层,提高了网络提取特征的能力,通过对网络模型的浅层特征和深层特征进行融合,提升了网络对小尺寸行人的检测能力。为了进一步提高检测精度,本文对损失函数进行改进,采用融合高斯模型的损失函数对边界框的不确定性进行预测,提高了边界框的定位能力。实验结果表明,改进后的算法具有较好的准确性和实时性。然后,考虑到视频具有的时序信息,本文提出了一种融合卷积LSTM的行人检测算法。与图像相比,视频中的信息在时间维度上是高度相关的,这种相关性对于提高检测准确率很有帮助。卷积LSTM是一种特殊的循环神经网络,它能够在提取视频图像特征的同时获得视频的上下文信息。因此,通过在卷积神经网络中嵌入卷积LSTM,检测时将视频的每一帧都关联起来,实现了联系上下文信息对视频进行检测。实验结果表明,嵌入卷积LSTM后能够有效的降低漏检率,提高检测精度。最后,在行人检测算法的基础上,结合卡尔曼滤波算法和匈牙利匹配算法,实现了一种实时的行人跟踪方法。首先使用卡尔曼滤波算法对目标行人进行快速跟踪,得到行人位置的先验估计,然后使用行人检测算法对输入图像进行检测,通过匈牙利算法将行人检测结果与跟踪结果进行匹配后,再利用卡尔曼滤波算法进行后验估计得到最终的跟踪结果。实验结果表明,本文的行人跟踪算法能够实现快速准确的跟踪。