头肩图像检测是人体分析研究中受关注的研究方向，是人脸检测的第一步，也是行人检测的基础。头肩图像检测在智能监视系统和基于内容的图像索引等方面都有广泛的应用，因而研究快速而且准确的头肩图像检测技术具有十分重要的意义。 本文研究的是在复杂背景下对灰度图像中头肩像的检测问题，从基于样本学习的方法出发，提出了一种基于支持向量机(SVM)和离散小波变换(DWT)的头肩像检测算法。该算法由训练和检测两部分组成。训练过程是收集大量头肩样本和“非头肩”样本，然后将训练样本图像进行Haar小波变换，选择变换后图像的低频子带的小波系数作为特征，训练一个由线性SVM分类器和非线性SVM分类器组成的复合分类器。检测阶段应用训练好的复合分类器对图像进行检测，以确定图像中头肩像的位置。 论文给出了使用该算法检测头肩图像的实验结果。实验结果表明，由85张包含153个头肩图像组成的测试图集中，其正确率达到87.58％。 将该算法应用到动态头肩像检测，采用基于运动检测的背景分离技术获得图像中可能存在的头肩像区域，然后采用基于SVM的方法在可能存在的头肩像区域进行检测。因为检测的区域较小，所以这种方法既保证了检测的准确性同时也为人体实时检测奠定基础。