车载热成像行人检测是计算机视觉领域的一个研究热点,为高级辅助驾驶提供了重要的技术支持。热成像不受光照影响,但是分辨率、对比度和信噪比较低,车载热成像行人检测稳定检出目标比较困难。跟踪有助于提升检出目标的稳定性,本文提出分类辅助KCF(Kernel Correlation Filter)跟踪方法,并应用于车载热成像行人检测中。本文主要工作如下:(1)目标被遮挡或发生尺度变化时,KCF易出现跟踪漂移。利用置信度检验和分类器检验,通过计算KCF预测框的可信度,减轻跟踪漂移;改进尺度池策略,促成KCF在并行跟踪多个尺度目标的基础上,当确定尺度变化方向后从略其它方向的尺度计算进而提高计算效率。实验结果表明所提方法在跟踪精度和成功率上分别提升了14.9%和29.6%。(2)车载热成像行人检测方法检测率较低,提出分类辅助KCF跟踪方法。设计Ro Is(Region of Interests)检测链存储Ro Is,基于Ro Is的位置和尺度对链中Ro Is与输入帧Ro Is进行匹配,快速更新链中Ro Is,KCF仅跟踪链中被分类为目标的Ro Is,改善跟踪效果以及提高计算效率。实验结果表明所提方法在召回率上提升了11.7%。(3)道路场景复杂,热成像影响因素多变,车载热成像行人检测虚警现象突出,漏检频繁出现导致检出目标不稳定,提出多目标跟踪方法。引入多目标跟踪提高检出目标的稳定性并减少虚警:设计基于交并比和运动方向信息的匈牙利关联算法,并利用KCF协助完成轨迹与检测目标的关联。(4)建立车载热成像多目标跟踪数据集,在该数据集上验证提出方法(3)的有效性,在精度和召回率上分别提升了1.7%和0.5%。