人形检测是目标检测识别领域的一个重要研究方向,它是行人跟踪、人体姿态识别、人群异常事件检测、人物行为分析、智能交通等众多计算机视觉应用的基础,涉及了图像处理、模式识别等领域的技术,所以研究人形检测提高它的准确率以及效率具有十分重要的意义。本文在前人研究的基础上,提出了一种基于核方法的人形检测算法,并从两个方面入手提高人形检测的准确率。在基于核方法的分类问题中,核函数及其参数的选择都对分类检测结果具有重要影响,而在单核学习过程中,通常是基于经验选择核函数并通过大量仿真实验确定核函数的参数而并没有统一选择的标准。本文针对GF空间的多项式核函数,在范数限定条件下将它的形式做一定的改变,使得单核形式转化成为多核的形式,并且利用多核学习方法优化多项式权系数,实现多项式核函数的优化。该方法综合了单核的简单性和多核的强适应性的优点,从而不需要预先定义核函数的参数,并且能够根据训练的样本调节核参数,节约了大量仿真选择核参数的时间,同时可以提高检测的效果。在实验中本文采用四种方法对GF空间多项式进行优化,从优化结果可以知道：在不同的优化方式下,GF空间多项式核的分类结果相差不大,这表明了本文提出的分类方法具有多核的强适应性。此外,论文方法还与单核、多核的分类效果进行了比较,由实验数据分析验证了基于GF空间多项式核函数的核方法的分类效果优于单核方法,与多核相当。在人形检测过程中,往往因为遮挡或者背景复杂造成漏检以及因跟人具有相似的形状而造成误检,使得检测准确率不高。为了解决这两个问题,本文先将人体目标分割成上半身、左右腿三个部分,并增加一个全身,对这四个部分分别进行特征提取和训练,如此可以降低漏检率；然后将完成第一阶段的训练器进行第二阶段的训练,可以降低误检率。通过对INRIA、 TUD-Campus、TUD-Crossing这三个数据库上进行检测,检测结果证明,使用本文的分类器模型可以提高检出率,特别是在行人被遮挡或复杂的背景下可以降低漏检率和误检率。