人体检测近年来一直是计算机视觉领域里的热点研究问题之一,其主要目的是使计算机自动检测出图像或视频中的人体。作为计算机视觉领域的关键技术,人体检测技术在许多领域具有广泛的运用前景,比如智能视频监控、驾驶员辅助系统、基于内容的图像检索、人机交互、运动分析等领域。基于统计分类的人体检测方法是近年来人体检测发展的主要方向,它采用机器学习的方法从大量的训练样本中通过提取特定的特征自动学习出能区分人体和非人体的分类器,即把人体检测当成一个模式分类的问题。基于统计分类的人体检测的关键是选取具有较强区分能力的特征和合适的机器学习方法。基于区域高斯特征的人体检测算法也是一种基于统计分类的人体检测算法,其使用区域高斯特征,基于Cascade级联结构,利用Adaboost和改进的Logitboost机器学习方法训练级联人体分类器,用于人体检测。其中区域高斯特征是在区域协方差特征基础上增加均值因素构建而成,理论和实验都证明其比区域协方差特征具有更好的人体区分能力。此外分析发现区域高斯特征具有李群拓扑结构,于是基于李群理论对特征之间的距离进行度量而非采用传统的向量空间度量方法,并在训练级联人体分类器时针对区域高斯特征的李群特性对Logitboost机器学习方法进行改进以用于对区域高斯特征进行学习训练。另外,为了满足人体检测的实时性要求,算法除了采用级联结构构建人体分类器用于快速分类、引进积分图像的思想以快速提取特征外,还在实现上借助TBB库使得人体分类器训练过程和人体检测过程并行化。实验结果表明,提出的人体检测算法具有较好的人体检测性能,而且代码实现上也基本达到实时检测的要求。