本文针对人体检测问题,分别研究了静态图片中人体检测与摄像装置固定情形下前景区域提取和人体检测两个方面的内容。对静止图片中的人体检测问题,选用基于AdaBoost分类器的人体检测方法；对摄像装置固定情形下的人体检测问题,首先进行前景区域提取,然后用AdaBoost分类器进行检测。训练方法：给出了AdaBoost算法训练过程的改进。在训练效果和传统算法效果一致的前提下,将训练时间复杂度由传统算法的D(M·N2)降低到O(M·N log N),其中M为特征种类,N为训练样本的数量。在1.3万个训练样本上的实验表明,为得到相同分类器,改进算法所需的时间为传统算法的1／500。特征计算：对特征采用并行化计算以提高系统速度。介绍了基于GPU(GPGPU,利用CUDA实现)和基于CPU(多线程,利用OpenMP实现)的算法并行化方式。考虑到目前GPU通用计算领域发展极快,实验中选择GPU方式。在实验所用的显卡上(仅16个流处理器单元),基于GPU的并行化程序比串行化实现快0.6倍。若有更高端的显卡,提速效果应会更加显著。前景提取：采用混合高斯模型对场景的背景进行建模。传统方法只利用灰度信息进行背景建模,容易将单独的物体提取成多块区域。本课题提出利用颜色信息增加提取准确率的方法:为提高算法速度,提出利用视频间相关性以减小运算量的方法。在640×480大小的测试视频上,改进方法对每帧图像处理的平均时间为20.8ms,传统方法耗时19.5ms。表明改进方法在利用颜色信息提高提取准确度的前提下,没有增加太多时间消耗。