人体目标检测是近年来计算机视觉领域的研究热点,它在基于内容的图像检索、智能交通、智能视频监控、高级人机交互等领域具有广泛的应用前景。由于人体外观形状的不确定性,应用场景的复杂性,人体之间以及人体与其它物体之间的相互遮挡等原因导致人体目标检测成为一个极具挑战性的问题。尽管人体目标检测技术已经被国内外学者研究了很多年,但到目前为止还没有一个通用、健壮、精确和实时的人体目标检测算法。总的来说目前的人体目标检测算法主要存在两方面的问题：(1)检测率不高,因而难以满足应用对准确性的要求：(2)检测速度慢,因而难以满足大量应用对实时性的要求。针对人体目标检测中的上述问题,本文从提高检测率和检测速度两个方面提出一系列改进方法。本论文的基本思路是：利用快速交叉核SVM构建更具有区分度的弱分类器,从而提高级联后的强分类器的检测率；通过使用多阶可积分特征和金字塔特征估计方法加快多尺度检测中特征提取的速度；通过超像素聚类的方法分割场景区域,并在场景区域提取场景特征,最后将场景特征和局部特征结合来构建分类器,从而有效地利用场景信息米提高检测率。本文的主要贡献如下：(1)提出了一种基于级联快速交叉核支持向量机的人体目标检测算法,有效地提高了人体口标检测算法的检测率。我们提出了一种简化的LBP纹理特征,将这种特征和块大小可变的HOG特征共同用于检测。我们采用的特征不仅具有丰富的表现力,并且还能够通过积分直方图快速计算。针对传统线性SVM构建的弱分类器区分度不够高的问题,我们提出一种采用快速交叉核SVM来构建弱分类器的方法,进而通过采用Adaboost方法将弱分类器级联得到强分类器。最终得到的强分类器在有效地提高检测率的同时还保证了较快的检测速度。(2)提出了一种基于多阶可积分特征和MPL-Boost的实时人体目标检测算法,有效地提高了人体目标检测算法的检测速度。我们提出一种多阶可积分特征,由于这种特征可以使用积分图来计算,因此特征提取速度很快。首先使用多阶可积分特征构建弱分类器,然后通过MPL-Boost方法将弱分类器级联成强分类器。训练的时候,会同时训练出多个分类器,在检测的时候,只有当所有的分类器都输出为负的时候才判定检测样本为负,其余情况都被判定为正,这种判定方式很好地解决了图像中人体姿态各异的问题。针对多尺度检测会大幅度降低整体检测速度的问题,本文通过利用图像金字塔相近层级间特征相差不大的规律,提出一种特征估计算法,使得只需要建立很少层级的金字塔,就能够达到在密集金字塔上一样的检测效果。实验表明,我们提出的检测方法使得整体检测速度得到了较大地提升,同时也保证了较高的检测率。(3)提出了一种基于超像素聚类和场景特征池的人体目标检测方法,有效地利用场景信息进一步提高了检测率。我们首先将场景分割成超像素,然后训练分类器将超像素分类成不同的场景区域,进而在得到的场景区域图中提取场景特征。为了将场景信息纳入人体目标检测流程,我们将场景特征和局部特征放到一个特征池中,并在这个特征池中随机挑选特征构建弱分类器,然后通过MPL-Boost训练得到最终的强分类器。实验表明该方法相较传统的人体目标检测算法,拥有更高的检测率；同时相较其它利用了场景信息的人体目标检测算法,拥有更快的检测速度。