人体检测是计算机视觉中一个重要的研究领域,在视频监控、智能汽车及智能交通、机器人和高级人机交互等领域具有广泛而重要的应用。然而,由于人体自身姿态的变化、衣服的多样性和光照等因素的影响,人体的外观变化非常大,导致人体检测成为一个非常困难的问题。为了提高人体检测的正确率,本论文由图像的几何流特性出发,提出了基于第二代Bandelet变换的人体检测特征提取新方法,并将其应用于静态及动态人体图像的检测。在第二代Bandelet变换的基础上,本论文就降低特征提取的时间复杂度,提高运动区域的分割准确度以及提高人体检测的鲁棒性等方面做了大量工作,主要涉及基于统计学习的人体检测方法、光流法、图像分割方法、基于部位的人体检测方法等。本文主要工作如下:1)提出了一种基于第二代Bandelet变换的图像特征提取及人体检测方法。即利用优化后的Bandelet变换中的Bandelet系数及其统计特征作为图像的特征,分类并检测图像中的人体。首先通过实验确立了Bandelet变换用于人体图像特征提取时的最优参数和附加的统计特征,然后利用线性SVM分类器进行分类,并进行了分类性能与人体检测测试。2)提出了一种基于光流与几何流,用于运动人体视频的人体检测方法。即通过计算光流场来进行区域分割,通过基于几何流的Bandelet变换来进行特征提取和分类。其间对光流场进行了去噪,以利于提取正确的运动人体区域。3)使用了基于部位的人体检测方法,提出了一种分块提取特征的部位检测方法。即先提取整幅图像的Bandelet特征,然后将特征矢量细分成若干小块;按整个人体的比例提取运动区域输入全人体分类器进行分类,得到候选人体,然后依次检测各部分,同时依据各个部位检测器的检测似然度进行判定。