近年来,人体的检测与跟踪技术已成为计算机视觉领域中研究热点之一,它被广泛的应用于视频监控、视频检索、机器人等领域。尽管研究人员对人体的检测与跟踪技术已有一定的研究,但如何实现人体检测与跟踪的准确性以及稳定性等,仍是一个极具挑战的研究课题。　　本论文主要从以下三方面对人体的检测和跟踪技术做了研究:　　首先,对机器学习的一些常见算法和人体描述特征技术进行了学习,通过总结对比这些算法和特征之间的优缺点及使用范围,进而提出了本文所采用的方法以及使用本方法的原因分析。　　其次,对本文采用的人体检测方法做了介绍与实验验证。由于采用单一的特征进行人体的检测容易引起误检,为了克服这个缺点,本文综合采用了其中的 HOG特征和类 Haar特征来实现对人体的检测。因采用类 Haar特征的分类器进行检测人体的速度快于基于 HOG特征的分类器,所以本文首先利用类 Haar特征的分类器来进行人体的检测,将检测到的区域作为感兴趣的区域,然后用基于 HOG特征的分类器对感兴趣区域做进一步的验证,从而得出最终的人体区域。通过实验对比验证得到,采用本文的方法,比单一采用类Haar特征或者HOG特征的分类器进行人体检测的误检率低,从而提高了人体检测的正确率,降低了误检率。　　最后介绍了本文采用的人体跟踪方法。由于 camshift跟踪算法不能够对遮挡情况进行跟踪处理,因此我们通过采用结合物体的运动信息做了改进。为了减少背景带来的干扰,增加了对跟踪框大小变化的判断,通过结合这两种方法做出的改进,从而解决了人体在遮挡和背景干扰情况下跟踪的不足。此外,通过结合 surf算法提取人体区域的特征点进行匹配,从而实现稳定的人体跟踪。