当今,随着无人驾驶等概念的提出,世界范围内掀起了一股对智能驾驶引发的人工智能、机器视觉等技术的研究热潮。智能车的安全驾驶问题更是研究中的重点。智能车的辅助驾驶系统集成了机器视觉技术、人工智能等多种技术,目的是保证车辆的行驶安全。行人属于障碍物中最特殊的一类,因此,车辆实现智能化行驶过程中,须实时获取行人的三维坐标信息,保证有效、可靠的行人检测与跟踪,以降低或避免对行人造成危害。传统的基于彩色图像序列的行人检测受环境光照等噪声影响严重,且运用机器学习的分类方法存在运算时间长、复杂度高等缺点。针对此问题,本课题采用双目视觉技术研究行人检测中的定位、分类等问题。提出了一种改进的级联统分类器模型,实现障碍物的分类。运用双目视差图中障碍物成像与世界坐标系中实际障碍物目标之间的对应关系,将实际的障碍物检测转化为U-V视差图中的直线检测,结合聚类分析、直线拟合等关键技术,确定障碍物在视差图中的ROI(Region of Interest)区域;根据确定的ROI区域,运用图像分割算法,提取障碍物轮廓。研究表明行人轮廓投影直方图在水平方向与竖直方向一样具备高斯分布的统计特性,基于此,设计并搭建了一个改进级联的分类器。第一级为传统的竖直投影分类器,第二级为本课题中设计的水平投影分类器。通过改进的级联分类器,最终实现了92%的检测率,较改进前性能提升了9%。针对传统的基于彩色图像的行人跟踪中跟踪目标易受背景影响,彩色图像包含信息复杂,所需处理时间较长等问题,本文采用双目视差图作为跟踪系统的输入,研究基于粒子滤波的行人跟踪。通过实验仿真对比分析了基于双目视差图和彩色图像两类行人跟踪的实时性与跟踪误差,结果证明基于双目视差图的行人跟踪误差比彩色图像跟踪误差高0.71%,但跟踪实时性提升了35.5%。