人体检测可以用于各种实时监控系统，在驾驶员辅助系统中为驾驶员提供警示信息，在灾难现场对幸存者进行自动搜救，因此，应用广泛，是图像处理与计算机视觉的热点领域。本文在阅读人体检测国内外文献的基础上，对国内外研究现状进行了分析与总结。实现了经典的HOG+SVM人体检测算法。基于HOG特征的检测方法检测率高、鲁棒性强，但是在复杂背景下，假报警率稍高。为减少假报警，本文提出通过两个阶段实现人体检测，一是目标检测，检测阶段获得目标候选窗口；二是目标验证，对候选窗口进行验证以获得真正目标窗口。　　本文首先实现了一种基于在线图像检索的检测方法。目标检测阶段采用的是HOG结合 SVM分类器的检测方法，在目标验证阶段，将第一阶段判断为背景的图像（不包括目标窗口的图像）分块，对每块计算颜色直方图特征，采用聚类方法形成背景颜色模型。对每个检测阶段判为正例窗口分块提取颜色特征，根据聚类获得的背景模型进行判断，如果窗口块数大于一个阈值时，则将此窗口判断为背景。本文颜色特征采用基于HSI模型的直方图特征，距离测度采用二次式距离，聚类方法采用K均值聚类。该方法对于环境和光照不敏感，具有鲁棒性。其次，实现了基于头部验证的人体检测方法，即在传统HOG结合SVM检测器的基础上，在该检测器判为正例的窗口中进行头部验证以增加检测的准确性。本文头部检测器尺度大于原检测窗口，通过形状和颜色两种特征实现头部验证。头部形状检测器仍然是HOG+SVM检测器，颜色检测器为直方图特征结合AdaBoost分类器，形状检测器可以为颜色检测器提供样本实现在线模型更新，以适应光照变化，该方法对密集人群的检测效果更好。详细介绍了上述方法的具体实现。本文在标准人体图像测试集上验证了上述方法，并给出了参数设置方法及实验结果。实验结果表明，本文方法有效地去掉很多假报警窗口，改善了检测效果。综上所述，本文方法具有较好的效果，适应性强，因此有良好前景。