随着计算机技术和人工智能技术的不断发展,目标检测已成为计算视觉领域一个热点研究课题。其中人体类检测是目标检测的一个重要分支,包括人体识别、人体跟踪、步态识别等方面,在人机交互和智能视频监控领域都有着广泛的应用前景。人体检测作为人体类计算机视觉重要组成部分,是人体轮廓提取、人体动态分析、人体行为鉴别等相关领域研究的首要步骤。人体具有非刚性的特性,在公共场合中,由于存在人体姿态不一、衣着各异且背景复杂、光照条件多变等因素的影响,给人体检测的实现带来困难和挑战。目前主流的人体检测方法有两大分支:基于弱分类器学习法(AdaBoost)和基于支持向量机法(SVM)。其中基于弱学习的方法是通过对大量样本进行训练实验后,提取其特征,建立标准的人体统计学模型,从而分辨出候选目标中的人体;该方法理论上能将人体识别分类的性能指数趋近于最大化,但以样本数量趋近于无穷大为前提条件。而支持向量机的方法是基于结构风险最小化的原理,通过较少的样本训练得到性能较好的分类器,但存在检测耗时大的缺点。通过对目前国内外主流人体检测方法的深入研究,并分析了各种方法中优点与不足,本文提出了一种基于改进的AdaBoost并结合SVM的算法。1.在AdaBoost现有算法的基础上,改进其矩形特征的输出形式,使其能够更好的分辨候选目标边缘区域与平坦区域,而且特征数量大幅减少,算法计算速度得到提高;另外,构造了链式梯度特征,该特征能够根据样本边缘纹理分布情况进行自动合并生长,这样检测时特征子窗将集中于人体边缘。2.针对弱分类器的区间划分对特征波动过于敏感的现象,提出将邻近区间模糊化划分,从而提高了算法的稳定性。3.为避开AdaBoost算法存在的误检问题,将级联式的SVM分类器组合到算法中,通过SVM的二次检测,能够较好的剔除误检。