行人是交通系统的主要参与者,由于交通事故频发,如何使用驾驶员辅助系统保护行人的生命安全成为当前研究的热点问题之一。本文围绕着行人检测与跟踪两个方面开展了初步的研究。在行人检测方面,本文基于DPM(deformable part model)模型,采用矢量量化的HOG特征进行行人检测。为了适应目标尺寸的变化,DPM模型采用了多尺度的特征金字塔和滑动窗口方法,运用可变形部件模型机制,增加cost值,可使模型在局部区域内对目标部件形变的适应能力大大增强。DPM模型在人体姿态、行为分类等方面有着广泛的应用,是传统机器学习模式(非深度学习)下行人检测效果最好的算法。但是,DPM可形变部件模型也存在着算法复杂、实时性不强、对遮挡问题处理不佳等缺点。本文针对DPM模型的算法实时性不强的问题进行改进,虽然Felzenszwalb使用级联检测算法,但是加速效果仍有很大提升空间。本文采用矢量量化的特征向量代替31维特征向量,同时整合级联检测框架进行改进。实验证明,在相同实验条件下,改进后的算法检测速度约是级联检测算法的8倍,实时性增强。在行人跟踪方面,本文在KCF跟踪算法框架基础上,针对原KCF算法无法适应目标尺度变化问题进行改进。本文使用三种尺度工具放大或缩小目标模板,取其得分最大值,更新分类器参数与目标模板尺度。实验证明,相同实验下。改进后的KCF跟踪算法在成功率与准确率方面都有提升,并且,当尺度工具P为3时,FPS在47Hz左右,满足实时性要求。