地震、火灾、矿难等灾难发生后,在废墟中搜寻幸存者给予必要的医疗救助,并尽快救出被困者是救员人员面临的紧迫任务。近年来为了满足救援工作的需要,国内外很多研究机构开展了大量的研究工作,各种技术被应用到人体检测中。其中可见光图像是最基本的也是最有效的检测手段之一。由于灾难现场的环境复杂,图像背景混乱,还有可能存在严重遮挡,所以在可见光图像中快速、准确地检测到图像中的人体或部分肢体,成为了人体检测这一研究领域内亟待解决的问题。本文将灾难现场中人体腿脚部的检测作为研究的重点,使用基于模式分类的检测方法实现腿脚部检测。本文首先实现了基于梯度方向直方图(Histogram of Oriented Gradients, HOG)特征的直立人体腿脚部检测,这种HOG特征是在区域内根据梯度方向对梯度幅值进行统计的,使用这种特征能够有效地反映目标的形状,尤其在复杂环境下,HOG特征表现得更加鲁棒。其次本文提出HOG特征的改进方案,考虑在圆形区域提取特征,将图像块用圆环划分,在每个子环中构造大小有序的HOG特征,实现有旋转角度的腿脚部检测。在多尺度检测结果融合过程中,引入了快速融合方法,该方法将尺度内弱融合和尺度间均值漂移融合算法相结合,实现了多尺度下的重叠窗口准确融合。实验利用支持向量机(SVM)分类器训练出来的模型在公共测试集和项目组建立的测试集上进行测试,并将结果与Haar-Like特征结合AdaBoost分类器的检测技术相对比分析,实验结果表明,本文的方法在检测结果的精度上要略高于Haar-Like特征结合AdaBoost分类器,并且在检测速度上也能够满足机器人搜救的需要,并实现了非站立情况的人体腿脚部检测。