道路行人作为重要的交通参与者,自身具有很大的灵活性,可以在短时间内改变运动状态,很容易发生交通安全事故,又因为缺少必要的保护措施,在交通事故中常常受到致命伤害,因此道路行人的死亡率一直居高不下。自动驾驶技术的发展为解决此类问题带来了可能,成为各大科研机构研究的热点。准确判断行人的运动趋势,预测行人侵限的可能性,有利于自动驾驶汽车做出合理的决策,有效降低行人死亡率。然而目前此类研究大多采用单一的算法来描述行人的行为,在复杂的交通场景下很容易出现因遮挡而无法获取数据的问题。针对这一问题,本文提出了一种基于行人检测和行人跟踪的行人侵限识别方法。具体内容如下:(1)针对自动驾驶场景下行人检测的准确性和实时性要求,本文采用了基于YOLOv3的行人检测算法,并基于Keras深度学习框架实现。使用车载摄像头拍摄真实交通道路场景中的视频作为实验数据,YOLOv3在自建数据集上的行人检测准确率达到了96%以上,平均帧速率(FPS)约为28帧每秒,结果表明行人检测的精度和速度均达到了实际要求。(2)针对依靠单一的特征跟踪行人在遇到遮挡时无法获取目标的问题,本文提出了一种结合卡尔曼滤波和光流法的跟踪方法。YOLOv3准确实时的检测行人并输出检测框,卡尔曼滤波跟踪行人检测框的中心点实时获取行人位置信息,同时使用一种能从数据中学习出类光流特征的神经网络(TVNet)跟踪行人并获取行人速度信息。结果表明,将YOLOv3、卡尔曼滤波和光流法三种方法结合,比依靠单一特征的跟踪方法更加准确,大大增强了行人跟踪的准确性和鲁棒性。(3)本文主要对车辆在静止或者缓慢行驶过程中的单个行人进行了研究,首先将YOLOv3和卡尔曼滤波融合到一个框架中,提取行人的运动轨迹和位移特征,然后采用光流法提取行人的速度特征。在提取多维特征向量的基础上,本文提出了一种基于支持向量机的行人侵限识别方法,实验结果显示,该方法对行人侵限识别的精确率达到了95.45%,召回率达到了93.33%,表明本文提出的行人侵限识别方法满足实际需要,可以为自动驾驶场景中的汽车提供决策依据。