随着智能网联汽车的发展,辅助驾驶系统成了研究焦点。行人跟踪算法是辅助驾驶系统中的重点组成部分,运用核相关滤波算法和卷积神经网络相关技术,本文用多特征融合抗遮挡行人重识别跟踪算法和深度卷积特征融合的尺度自适应行人跟踪方法,聚焦行人跟踪的准确性开展研究,主要研究内容如下:(1)建立新的混合数据集OTB100-UP&T。通过采集大学校园和西安市区多条道路上符合行车视角的行人图像增加样本,解决原始数据集OTB100样本数量少、数据单一等缺陷。(2)采用多特征融合抗遮挡行人重识别跟踪算法,解决行人遮挡、行人快速运动等情况下算法不易继续跟踪行人的问题。将方向梯度直方图(HOG)和尺度不变特征变换(SIFT)特征引入核相关滤波(KCF)跟踪算法,当视频帧中的目标行人出现部分遮挡时,提取当前帧的SIFT特征与HOG特征,采用主成分分析(PCA)降维技术对提取的HOG特征和SIFT特征降维,并通过级联降维后的HOG特征和SIFT特征合成HOG-SIFT特征模板。利用形成的特征模板与下一帧中的HOG-SIFT特征进行匹配,对行人进行快速重新定位跟踪。(3)采用深度卷积特征融合的尺度自适应行人跟踪方法。解决相关滤波行人跟踪算法中的行人发生旋转,形变或者尺度缩放时,跟踪器不能自适应跟踪,且跟踪准确率较低的问题。将卷积特征与相关滤波相结合,通过深层卷积网络架构提取行人候选区域的多层卷积特征,并采用核相关滤波算法构建一个二维定位滤波器,获取多层卷积特征并进行加权融合,确定行人位置,然后提取多尺度行人方向梯度直方图特征,估计最佳行人尺度,实现快速、准确、连续的行人跟踪。实验结果表明,多特征融合抗遮挡行人重识别跟踪算法在遮挡和运动模糊等情况,算法的跟踪准确率达72.4%,成功率达58.7%。深度卷积特征融合的尺度自适应行人跟踪算法在行人发生旋转、尺度变化等情况,算法的跟踪准确率达88.2%,成功率达61.3%,对于辅助驾驶系统研究具有借鉴意义。