视频中的人体检测与追踪，是计算机视觉领域的一个重要研究方向。它的主要任务是，在连续的图像序列中，检测出人体目标，并对其进行追踪，获得人体运动的轨迹。人体检测与追踪，具有十分广泛的应用，尤其在智能视频监控、汽车助手和人机交互方面，扮演着不可替代的角色。本文在人体检测与追踪方面做了以下研究。本文在基于梯度方向直方图（HOG）特征的人体检测算法的基础上进行了改进，使用INRIA数据库中的人体样本训练线性SVM分类器，然后进行人体检测。首先在OPP颜色空间计算像素梯度，为检测窗口建立梯度方向直方图，然后将其作为SVM分类器的输入参与训练和检测。本文通过图像缩放，逐层使用检测窗进行密集扫描，检测所有可能的人体。相比于RGB空间，该算法取得了更准确的检测效果，误检率也明显降低。当视频中人群较密集时，采用先检测单个人体后对人群计数的方法可能存在较大误差。对此问题，本文提出基于独立运动的人群计数算法。使用KLT算法选取可靠的角点特征，追踪得到它们的运动轨迹。最后，通过空间聚类和运动一致性聚类，计算场景中独立运动的数量，并估计人体数量。在独立运动突出的场景，使用该算法进行人体计数，相比于使用表观特征检测人体的方法，取得了更准确的结果。在不需要对人体数量做出准确估计，而只需判断场景中目标规模是否构成人群时，本文提出基于霍夫变换的人群检测算法。给定连续的图像序列，将其固定位置的像素取出，组成时间—空间图像，则时域运动的点会在时空图中形成一条直线，然后通过霍夫变换，将这些直线映射到霍夫参数域中，并通过对参数域的统计来判断是否存在人群。实验结果表明，该算法检测效果好，速度快，完全能够满足实际应用的要求。