人体检测的目的是识别出图像中的人体并给出其定位信息。人体检测技术在运动分析、智能监控以及驾驶辅助系统等领域有着广泛的应用,是物体检测的一个研究热点。R-CNN(Regions with Convolutional Neural Network Features)是一种基于区域的物体检测算法,该算法将选择性搜索、卷积神经网络、支持向量机和非极大值抑制相结合,在人体检测方面获得了较好的检测效果。但与众多基于整体的检测方法一样,R-CNN没有给出各个部位的位置,并在应对人体多姿态及遮挡方面存在着不足。相较于基于整体的检测方法,基于部位的检测方法能够比较有效地应对这些问题。本文在R-CNN基础上提出了一种基于卷积神经网络的多部位人体检测算法,通过训练基于人体多部位的R-CNN模型并对其添加空间几何约束,在提升人体检测准确率的同时,能够显式的给出人体各个部位的位置。在本文算法中,首先给出基于人体多部位的R-CNN模型。手工标注了一个给定人体多个部位的数据集后,对该模型进行训练。在检测时,对待检测图像,获取各个候选边框并用卷积神经网络提取其特征,通过支持向量机给出其分类的得分,再利用非极大值抑制对重叠较多的候选边框进行剔除。然后,本文算法对基于人体多部位的R-CNN模型提供的候选边框添加空间几何约束,形成预测边框组合,具体如下:将图像中的每个候选边框都假设为人体整体边框,并从剩余边框中寻找使得空间几何约束得分与支持向量机得分乘积最高的部位边框,从而得到候选边框组合,并从中选取得分超过设定阈值的候选边框组合作为预测边框组合。其中,空间几何约束包括空间位置约束、高斯混合模型约束和K近邻约束。实验结果表明,本文算法在人体检测方面取得了较好的效果,具有一定的应用价值。