计算机视觉和模式识别的主要目标是让计算机拥有类似人类视觉的功能，能够较好地分析、理解图像和视频的内容。在计算机视觉领域，物体检测一直是主要研究命题之一。物体检测的任务是自动从图像或视频中找到特定类物体的具体位置，即解决“物体在哪里”的问题。　　轮廓作为物体的最基本特征之一，对光照条件、颜色和纹理的变化比较鲁棒。更重要的是，它能表征图像中较大范围的结构信息。所以，基于形状、轮廓的检测成为了近些年物体检测领域的研究热点之一。近些年来轮廓相关的研究主要集中在下面三个方面:(1)轮廓的表达描述，目标是提出描述性和判别性都比较好的轮廓特征;(2)轮廓的匹配和相似性度量，目标是让匹配算法不但速度快还能容忍轮廓的变化;(3)基于轮廓的物体检测，目标是利用轮廓特征和匹配算法高效地做物体的检测。　　本文从轮廓的描述出发，提出了新的轮廓描述子;然后，做物体中心的定位和物体的检测。具体地可以分为下面三个方面:　　(1)基于定长片段、融合形状和纹理特征的轮廓描述子。形状和纹理特征相结合，对轮廓的描述更加全面;基于定长片段的描述给片段上的感兴趣点加入了位置顺序的先验，对轮廓的描述能力更强。另外，基于定长片段描述轮廓，还可以解决由提边、连边时导致的断边匹配问题。　　(2)物体中心的定位和Hough多尺度投票。物体中心定位的准确与否直接关系到物体检测的性能。本文用基于定长片段、融合形状和纹理特征的描述子对物体中心进行Hough多尺度投票，从而确定物体中心的估计。另外，对物体尺度的估计一直是基于形状、轮廓方法的难点，本文采用Hough多尺度投票，在三维（图像长宽两维加尺度一维）内投票的方式统计最大得票数，这样能够对待检测物体的尺度有比较准确的估计。　　(3)物体真实轮廓的估计和物体检测。在确定物体的位置时，由于我们采用的是多尺度的Hough投票，已经得到了稳定的物体中心估计。所以，我们可以通过投票得到的中心反映射出物体的边缘，对物体的真实轮廓进行估计。然后通过估计出的物体真实轮廓来确定物体的位置。