人体检测技术是模式识别和计算机视觉领域中的一个核心问题，而静态图像中的人体检测技术在驾驶员辅助系统、人体运动捕捉、色情图片过滤以及虚拟视频等领域有重要的应用价值。由于人体是非刚性的，其形状变化复杂，而且人体可能穿着各种颜色和服装的衣服，很难用某种特征对人体描述。因此，静态图像中的人体检测是一个非常困难的任务。　　本文针对目前广泛用于人体检测的两种特征(HOG和Haar-like矩形特征)进行研究，重点研究Haar-like矩形特征，分析其优缺点，并在此基础上提出了一种新的用于人体检测的特征，称为“Multi-Block特征”。　　1.静态图像中的人体检测方法主要有三种：基于人体模型进行匹配的方法，基于图像分割的人体检测方法和基于统计学习的人体检测方法。相比其它两种方法，基于统计学习的人体检测方法具有检测速度快、对图像分辨率要求不高且能够对灰度图像有较好的检测效果的优点，因此，本文采用的是基于统计学习的人体检测方法。　　2.针对基于统计学习的人体检测方法，研究广泛用于描述人体两种特征：HOG特征和Haar-like特征。实验表明：基于HOG特征的人体检测方法存在运算复杂度高、检测速度慢和依赖图像颜色信息的缺点；Haar-like特征是一种矩形特征，利用积分图像可以快速计算其特征值，基于Haar-like特征的人体检测具有检测速度快、检测率高的优点，但该特征只能描述一些简单的图形结构，用于人体检测存在虚警率过高的问题。　　3.研究Haar-like特征自学习算法-Adaboost算法。Haar-like特征在大小为24×36像素的样本图像中可以得到36万种弱特征，如果直接用36万种弱特征进行检测不仅没有必要，而且非常耗时，因此需要利用Adaboost算法从大量的弱特征中选择分类效果最佳的弱特征，并将其线性加权到强分类器中，通过加大困难样本权重调整样本分布，使得下次训练过程中更加重视被错误分类的样本。而且，Adaboost算法通过设计级联分类器来提高检测率和降低虚警率。　　4.针对Haar-like特征的优缺点，研究并提出了一种新的用于人体检测的特征，称为“Multi-Block特征”。Multi-Block特征也是一种矩形特征，考虑样本图像大小和检测速度等因素，将Multi-Block特征分为12个大小一致的矩形块，选取6个矩形块为白色区域，6个矩形块为黑色区域，其特征值定义为白色区域像素和减去黑色区域像素和；Multi-Block特征在大小为24×36像素的样本图像中可以得到一千两百多万种弱特征，利用Adaboost自学习算法选择分类效果最佳的弱特征组成强分类器，并训练级联分类器提高检测速度。实验结果表明：基于Multi-Block特征的人体检测方法不仅能够保持Haar-like特征检测速度快、检测率高的优点，而且能够克服Haar-like特征虚警率过高的问题，其虚警率相比Haar-like特征降低一个数量级。