人体检测技术是计算机视觉领域的重点和难点，人体检测在公共安全、人机互动、灾难救援等方面已被广泛应用。但是由于人体检测与其他目标检测相比存在非刚性、姿态复杂、外观不统一等较难解决的问题，人体检测技术仍然存在很大的研究空间。目前对人体检测的研究较多侧重于基于滑动窗口扫描的二值分类器的检测方法上。这种基于分类的人体检测技术通过大量样本图像训练分类器，使用一定步长的窗口对整幅检测图像进行从上到下从左到右的滑动窗口扫描，逐个窗口提取出特征信息进行分类判别。本文首先对目前比较流行的基于分类方法的人体检测技术进行了分析，以BP神经网络、Adaboost、SVM分类器为例介绍了相关算法步骤。针对基于分类的检测方法存在产生的检测窗口数量庞大，对遮挡人体检测效果较差等问题，提出了基于结构输出回归的人体检测方法。基于结构输出回归的人体检测方法使用了一种结构化多输出回归的算法——SOAR算法。该算法改进了传统多输出回归算法，把多输出向量中的部分输出分量作为辅助特征参与进回归模型训练，以简单支持向量回归的结果作为辅助特征的初始值。同时该算法还对输出结构做出改善，使输出各个分量之间存在彼此依赖关系，使最后的结果更加符合结构特点。本文使用含有6个分量的向量作为回归检测的输出，这些分量中2个用来指示训练图像中是否包含人体图像和人体图像所占比例，其他4个用来代表人体目标在图像中的选区坐标位置。本文提取出图像的HOG特征、旋转不变LBP特征和颜色直方图特征作为混合特征输入向量，以结构输出回归程序和目标检测程序进行训练和检测。在检测过程中本文将检测图像以网格形式划分为若干48×96像素的窗口。用回归出的人体目标位置和对应的窗口坐标结合，标记出检测图像中人体所在位置。改善滑动窗口扫描方法大量扫描窗口导致的检测速度低的问题，同时该方法采用结构输出回归预测的手段来提高在人体严重遮挡情况下的检测率。最后本文使用基于结构输出回归的人体检测方法在完整人体、轻微遮挡人体、严重遮挡人体三种情况下进行检测，分析了检测结果并对目前实验中存在的问题进行了总结。