人体检测是近些年来计算机视觉领域备受关注的前沿方向之一,人体检测的研究有着重要的理论价值和广泛的应用前景。它包含了模式识别、图像处理、人工智能等多个学科的知识;并且在智能视频监控、辅助驾驶系统、安全控制方面有着重要的应用。但是人体检测技术仍然是一个比较困难的问题,由于人体的非刚性特征、人体的自遮挡和相互遮挡、衣着服饰和光照等影响,给人体检测带来了一定的挑战。在这里的主要研究内容是视频序列中独立于前景分割的人体检测技术,重点研究了如何设计有效的特征来描述人体模型,取得了以下研究成果:提出了一种描述人体的3D Haar型特征(3D Haar-like Features)。该特征的主要思想是采用七种静态和动态3D Haar型滤波器对视频序列中的时空体进行稠密扫描,扫描的滤波器响应构成对人的特征表示。该特征的优点在于在描述人体表观信息的同时,又能捕捉到人的运动模式。实验表明3D Haar型特征可以有效地对人体建模。针对视频序列中复杂背景、衣着服饰、变化光照等噪音的影响,提出了基于梯度信息的3D Haar型特征。该方法首先对分割好的时空体进行距离变换预处理,在得到的人体轮廓图中提取3D Haar型特征。它的优点在于对噪音不敏感,同时保留人的主要轮廓信息。实验验证基于梯度信息的3D Haar型特征的性能更优。提出了一种描述人体的边缘方向直方图(Edge Direction Histogram, EDH)特征,设计该特征的出发点来自于梯度特征对人体建模的有效性。首先对时空体中的每帧采用Canny算子进行边缘提取,保留人的主要轮廓同时过滤噪音,然后在边缘图上按块扫描。在每个子块中,对边缘的梯度角度进行直方图统计,所有子块的直方图统计结果构成对时空体的全局约束和特征表示。实验结果表明该方法具有良好的检测性能,并且具有一定的鲁棒性。以上初步研究结果表明,基于三维信息的特征能够很好的表示人体的表观信息和运动模式,达到较好的检测性能;由于人体的衣着服饰、所处背景等的复杂性,基于梯度的特征对于人体的表示更加鲁棒。如果将这些特征与性能更优的判别分析技术、统计学习方法结合,将取得更好的检测性能。