一、引言
随着智慧城市、公共安全与智能交通的发展，视频监控系统已成为城市基础设施的重要组成部分。在海量监控视频中，如何快速、准确地检测人体目标，是实现行为分析、异常检测、人员统计和轨迹跟踪等高层应用的基础。
然而，视频监控场景下的人体检测面临诸多挑战，例如：
场景复杂、光照变化大
人体姿态多样、尺度变化明显
遮挡严重、目标密集
对实时性和稳定性要求高
因此，研究和选择合适的人体检测算法，对实际系统落地具有重要意义。
二、人体检测问题定义
人体检测（Human Detection）是指在图像或视频帧中：
定位：确定人体在画面中的位置（通常用边界框表示）
分类：判断该目标是否为“人”
在视频监控中，人体检测通常作为第一阶段任务，其输出将直接影响后续的目标跟踪与行为识别效果。
三、传统人体检测方法
3.1 基于人工特征的方法
在深度学习兴起之前，人体检测主要依赖人工设计特征和传统分类器。
（1）HOG + SVM
HOG（Histogram of Oriented Gradients）提取人体轮廓和梯度方向特征
SVM作为分类器判断窗口中是否包含人体
优点：
理论成熟、实现简单
对人体轮廓具有一定鲁棒性
缺点：
对遮挡和姿态变化敏感
滑动窗口计算量大，实时性差
（2）Haar 特征 + Adaboost
该方法最早用于人脸检测，也可扩展至人体检测。
不足之处：
对复杂背景适应性差
特征表达能力有限
总体来看，传统方法在简单场景下尚可，但难以满足现代监控系统对精度与鲁棒性的要求。
四、基于深度学习的人体检测算法
深度学习的引入极大提升了人体检测性能，目前已成为主流方案。
4.1 两阶段检测算法
（1）R-CNN 系列（R-CNN / Fast R-CNN / Faster R-CNN）
基本流程：
候选区域生成（Region Proposal）
特征提取与分类回归
特点：
检测精度高
对小目标和遮挡有较好表现
缺点：
网络结构复杂
推理速度较慢，不适合强实时监控场景
4.2 单阶段检测算法
（1）YOLO 系列（YOLOv3 / YOLOv5 / YOLOv8）
YOLO 将检测任务视为一个回归问题，一次前向传播即可完成检测。
优势：
检测速度快，适合实时监控
工程实现成熟，社区活跃
不足：
对极小目标检测仍有一定挑战
（2）SSD（Single Shot MultiBox Detector）
通过多尺度特征图进行目标检测，在速度和精度之间取得平衡。
4.3 轻量化与边缘计算模型
在实际监控系统中，算法往往部署在边缘设备（如摄像头、NPU盒子）上，因此轻量化模型尤为重要。
常见方案包括：
YOLO-Nano / YOLO-Tiny
MobileNet-SSD
ShuffleNet + 检测头
目标：
降低参数量与计算量
保证可接受的检测精度
五、视频监控场景下的关键技术问题
5.1 遮挡问题
人群密集导致人体部分或完全遮挡
可通过：
更高分辨率输入
引入上下文信息
与多目标跟踪（MOT）结合缓解
5.2 小目标检测
远距离行人常呈现为小尺寸目标：
使用 FPN（特征金字塔网络）
提高输入分辨率
针对监控数据重新设计 Anchor
5.3 实时性要求
需要在25–30 FPS下稳定运行
常见优化手段：
模型剪枝、量化
TensorRT / ONNX 加速
多线程与流水线处理
六、实验数据集与评估指标
6.1 常用数据集
INRIA Person Dataset
Caltech Pedestrian Dataset
CrowdHuman Dataset（密集人群）
COCO（person 类别）
6.2 评估指标
Precision / Recall
AP（Average Precision）
FPS（检测速度）
在监控场景中，往往需要在检测精度与实时性之间权衡。
七、发展趋势与总结
当前，视频监控中的人体检测正朝着以下方向发展：
检测 + 跟踪一体化
跨摄像头行人分析
边缘端智能化
与行为识别、事件检测深度融合
总体来看，深度学习方法已成为人体检测的主流选择，但在真实监控场景中，仍需根据硬件条件、应用需求与场景复杂度进行算法权衡与系统优化。
