人体检测跟踪是近年来计算机视觉领域中备受关注的前沿方向,在智能视频监控、人机交互等方面有广泛应用。本文研究了视频中的人体检测和跟踪的相关问题,实现了视频中人体的检测跟踪系统。　　 首先,采用基于多尺度的梯度方向直方图的人体检测方法,并结合在线Boosting跟踪算法,实现了人体检测跟踪基线系统。　　 其次,针对人体类内变化比较大的问题,采用多分类器同时学习的建模方法来刻画人体的类内变化。具体做法是改进现有的多姿态学习分类器,引入线性分段函数作为弱分类器,提高了人体检测的性能。　　 最后,提出将基于自顶向下的在线Boosting跟踪和基于自底向上的局部不变特征点跟踪相结合的跟踪算法,实现人体的有效跟踪。具体思路是,利用人体底层的SURF(Speed Up Robust Features)特征点的帧间匹配,为在线Boosting提供方向和初步的位置,而在线Boosting是在线学习模型,能够自适应人体运动过程中的表观的变化。另外,为每个跟踪器建立状态转换机制,能够解决人体由于遮挡后再出现时的准确跟踪,提高了跟踪准确性。　　 实验结果表明,多姿态学习的人体检测器和融合局部不变特征的跟踪算法提高了视频人体检测跟踪系统的性能。