人体检测、识别和跟踪技术一直是计算机视觉和安全领域的热点问题，也是一个广泛而综合的课题，其中人体检测又是人体识别和人体跟踪的前提和基础，人体检测结果的准确程度直接影响识别与跟踪结果的好坏。通常情况下，根据监控摄像机的运动与否可以将人体检测分为动态背景下的人体检测和静止背景下的人体检测。在动态背景下，背景可能会随着摄像机的运动出现大幅度的变化；而在静止背景下，认为背景是基本保持不变的，但由于噪声干扰和光照变化等因素的影响而有些微弱变化。本文研究在静止背景下的运动人体检测系统的设计，主要包括以下几个方面：输入图像序列帧预处理、运动目标提取和运动目标识别。　　系统首先对输入的图像序列帧进行滤波预处理，以去除各种类型的噪声，然后从预处理后的图像序列中提取运动目标。静止背景下的运动目标提取方法主要有时间差分法、背景减除法和光流法等。本文在比较这三种方法的基础上，提出了基于时间差分法和背景减除法自适应相结合的检测方法，其中时间差分法采用相邻帧的彩色像素差分并考虑光照变化的影响，背景减除法采用改进的混合高斯模型背景减除法，这两者相结合的检测方法在不增加计算复杂度的同时提高了检测的准确性。　　在从运动图像序列中检测出运动目标之后，接下来对检测得到的目标进行是否为人体的判断，采用人体的一些生物特征作为判断依据，即进行人体识别。由于背景中可能同时存在多个运动目标，因此在检测之前先要进行图像分割，将不同的运动目标分割开，依次对单个运动目标进行识别。识别过程包括特征提取和分类器设计等步骤。由于运动人体的非刚体性以及运动方向的变化等因素会造成获取稳定的人体生物特征比较困难，本文利用人体的头肩部位这一相对比较稳定的生物特征作为人体识别的特征；在分类器部分，本文设计基于支持向量机模型和贝叶斯模型的自适应相融合分类器，这两种分类方法基于不同的分类思想：支持向量机模型基于结构风险最小化，而贝叶斯模型基于概率关系最优化决策。实验结果证明，这种融合分类器的分类准确度要优于两种方法各自的独立分类结果。