AdaBoost算法在现有的人头检测技术中,具有检测率高、检测速度快的优点。它采用矩形特征作为弱分类器,利用积分图快速计算特征值,将强分类器按照级联结构组合,从而提高算法检测速度。但AdaBoost算法本身也有训练时间长、单个弱分类器性能不强、无法避免误检等缺点,本文针对这些不足,采用了几种改进方法。首先,针对传统算法使用单阈值作为弱分类器判断依据造成计算量大,不符合样本特征值分布的缺点,采用了使用双阈值判断弱分类器分类结果的方法。这样做,不仅可以大大减少构造弱分类器所需的时间,更可以提高单个弱分类器的分类性能,从而降低总的弱分类器数量。其次,采用了弱分类器内部结构特征算法。针对弱分类器一旦训练结束就不在改变的现象,给弱分类器一个调整向量和偏移向量,利用遗传算法计算最佳的内部结构调整参数,并进行调整验证。给弱分类器第二次机会提高自身的分类性能的机会,从而提升整个级联分类器的检测效果。再次,针对背景中出现大量误检子窗口的现象,采用了使用简单背景减法提取视频序列中的运动目标,再使用训练好的级联分类器对提取的运动区域进行检测,这样做,一来可以减少被检测区域,从而降低检测时间,二来可以去除背景对检测结果的干扰,降低误检率。最后,针对出现在人体身上的误检区域,采用多摄像机同时拍摄,选取一个作为基准,检测出“人头”区域,利用区域匹配计算出其在其它对应图像中的位置,再对这些位置进行判断,只有被再次检测为“人头’’的子窗口,才最终被认定为“人头”。经过上面各种改进的结合,对比传统AdaBoost算法,本文的算法对于人头检测具有很高的检测率和较低的误检率。