人体检测是计算机视觉与模式识别中一个重要的分支,在智能监控、基于内容的图片和视频检索、视频标识、辅助驾驶、辅助生活、数字娱乐、高级人机交互、运动分析等领域有着广阔的应用前景。但是,因为人的姿态、衣着以及人所处的背景环境、光照强度等的千变万化,再加上观察者的视觉角度的不同,导致检测的环境非常的复杂,这对人体检测技术的研究者来说,是个不小的挑战。从2005年到2008年Pascal挑战赛的结果以及最近的研究来看,在对象检测领域,特别是人体检测领域来说,基于滑动窗口分类器的检测方法相比其他方法,具有很大的优势,也成为当前人体检测技术研究的热点。滑动窗口检测方法是使用一个滑动窗口,在图像的不同尺度上,从图像的左上角开始,逐列或者逐行地进行扫描,直到图像右下角的像素。通过这种扫描方式,来收集像边缘、片段、小波系数、颜色等特征,并把收集好的特征输入训练好的分类器进行分类判断。本文介绍的方法属于这种方法。在人体检测技术当中,梯度方向直方图是近年来被证明比较好的一种方法。本文在对该方法进行研究的基础上,为了提高检测的性能,对分类器的选取、训练方法、遮挡处理、结果融合等方面进行了研究。本文在训练方法和分类器的选取上,主要对支持向量机和AdaBoost进行了研究。近十年来,支持向量机因其通用性和良好的性能,被广泛地用于对象检测与识别。在二类分类问题中,对输入的特征空间数据,支持向量机通过寻找一个能最大分割对象和非对象的超平面,来达到最优分类的目的。同时本文根据线性分类器进行分类的特征,在原方法的基础上,提出了一种遮挡处理的方法。AdaBoost算法是从Boosting算法发展而来的,它通过级联一系列的弱分类器,从而组成一个强分类器。其中的每个弱分类器,只根据输入特征空间中的一个特征或少数几个特征进行分类。其选择的特征,是那些带有大信息量的特征,而其他大部分的冗余特征则被剔除,从而提高了检测的速度。对于人体检测流程的最后一步:结果融合,本文提出了一种基于均值偏移的结果融合的方法,根据多尺度检测的结果,计算出人体的准确位置。