人体检测是近年来计算机视觉领域重要的前沿方向和研究热点。它在智能监控、驾驶员辅助系统、运动分析等领域具有广泛的应用前景。基于统计学习的人体检测技术又是人体检测领域的研究重点。在基于统计学习的人体检测算法中,Dalal等人的基于梯度方向直方图(Histogram of Oriented Gradients,简称HOG)特征的人体检测算法具有很好的检测精度,但该算法有两个缺点:1)速度慢,实时性差;2)不能很好的处理遮挡问题。本论文的重点是研究如何克服这两个缺点。为了解决速度问题,本论文采用了三个方面的措施:1)改进了计算HOG特征时使用的三线性插值方法,使得检测效果和速度有了一定的提高。2)在检测过程中,改变了之前每一个窗口计算一次HOG特征的方法,一次性对整幅图像的HOG进行计算,极大的减少了计算HOG的次数,明显的降低了检测时间,使得原来的检测速度提高了10倍左右,基本上接近了实时。3)为了进一步减少检测时间,提高系统算法的实时性,这里使用了GPU多线程并行编程技术,进一步将HOG部分的计算速度提高了10倍。为了避免遮挡问题,选择了进行俯视人体检测的策略,从图像采集的环节避免了人体相互遮挡。为了算法的训练和泛化能力测试,分别在室内环境和半室外环境安装了摄像机。采集了50天的视频数据,并对数据进行了大量的人工标注工作,最终开发了一套实时俯视人体检测系统。该系统在普通的PC机上,检测320×240的图像只用了85ms,并且检测效果令人满意。特别是,当训练数据来自室内而测试数据来自半室外时,人体检测的精度仍然比较理想,显示了系统和算法的鲁棒性和泛化能力。