车载热成像行人检测作为汽车辅助驾驶系统的关键技术之一,具有重要的学术意义和实际应用价值,虽然目前已有多种在机器学习框架下的车载热成像行人检测算法被提出,但实现实时、鲁棒的检测效果仍是一个具有挑战性的课题。一方面,行人检测需要应对动态且复杂的交通场景、行人类内差异较大等问题;另一方面热成像虽然突出了图像中的行人目标,但也丢失了大量颜色、行人局部细节等有用的信息。本文从车载热成像行人检测算法设计和系统优化两个方面展开研究,主要工作包括:1)提出基于概率图的车载热成像行人检测感兴趣区域(Regions of Interest,RoIs)提取方法,该方法包括图像预处理、概率图计算和RoIs生成三个环节:对于图像预处理,提出使用凸-凹形灰度值映射曲线对图像像素点进行映射以增强图像对比度;对于概率图计算,提出两种计算概率图的方法,最终的概率图由两者融合获得;对于RoIs生成,提出一种搜索算法,该算法利用行人的先验知识、统计分布等信息作为搜索过程中的启发信息或约束条件,加快搜索的速度和提升RoIs定位的准确度。2)提出基于多特征融合的车载热成像行人检测分类器,从优化特征表达能力的角度来提升分类器的性能,而特征的表达能力通过将多种特征进行融合优化。提出使用多尺度特征融合模板表示在图像不同尺度下的不同区域提取不同的特征,提出一种称为两次特征筛选法的方法获取多尺度特征融合模板。3)对车载热成像行人检测系统的检测流程进行优化,使行人检测算法高效地集成到检测系统中;提出一种基于概率图的行人跟踪器,增强了检测流程中跟踪器的性能,同时实现数据复用。