刘东升，刘鹏鹏，王 刚

（西南技术物理研究所 四川 成都 610041）

近年来，人体运动的视觉分析是计算机视觉领域备受关注的热门领域，人的运动分析主要涉及到模式识别、图像处理、人工智能等学科知识，在高级人机接口、安防监控、医疗诊断等方面具有广泛的应用前景和潜在的经济价值，而人体识别作为人体运动视觉分析的基础，得到了世界上广大科研工作者的关注和研究。

人体检测可以分为两类：传统的人体检测和基于统计学习的人体检测。传统的人体检测包括基于肤色、人体轮廓、步态等方法，由于人的多模态性，使得传统的人体检测方法准确性得不到保证；基于统计学习的人体检测不需要进行人体形状抽取，它通过从相应的图像区域提取特征，然后通过统计学习的方法对其训练和识别，基于统计学习的人体识别成为近年来研究的主流方向，目前常用于统计学习的人体特征有 HOG（Histogram of oriented Gradients，梯度方向直方图）、Harr小波特征[2]、SIFT 特征[3]等。2005 年，Navneet Dalal和 Bill Triggs提出了基于梯度方向直方图的人体检测算法[1]。该方法使梯度方向直方图特征来表达人体，提取人体的外形信息和运动信息，形成丰富的特征集，然后使用支撑向量机SVM分类器对这些特征集进行训练，取得了相当不错的效果，Dalal等人最大的贡献在于使用密集和相互重叠的特征描述方法来表达图像区域的HOG特征。这种特征描述方法计算的特征最后综合成了对于目标检测的一种鲁棒性非常高的特征向量空间，相对于传统的HOG特征极大的提高了检测器的检测效果，但是这种算法由于检测速度很慢而难以应用到实际当中。……