人脸检测是指采用特定的方法对要求的检测样本进行搜索,判断是否存在人脸,若存在人脸,就在检测样本中标注出人脸的过程,是人脸识别的一个重要部分。人脸检测是复杂的模式分类问题,相关研究多集中在简单背景下的人脸,但随着视频会议、安全监控等技术的广泛应用,复杂背景中的人脸检测逐渐成为模式识别和计算机视觉领域中的研究热点,本文主要针对复杂背景下的多视角人脸检测问题进行了相关研究。首先研究了聚合通道特征的应用。聚合通道特征(Aggregate Channel Feature)拓展了原始图像的通道,将原始图像从三通道提升到十通道,然后在十通道内任意选择不同大小、不同位置的矩形计算像素值作为候选特征构成人脸特征集。聚合通道特征与Haar矩形特征表现形式相同,但聚合通道特征在几乎不引入额外计算量的情况下,大幅度提高了特征的表征能力。实验证明,聚合通道特征结构简单,计算速度块。其次,将AdaBoost算法与嵌套级联算法结合在一起,提出AdaBoost-Nesting算法训练人脸分类器。本文对Adaboost算法进行研究,该算法的基本思想是按一定规则组合多个弱分类器能够获得性能较强的强分类器；针对传统级联结构各节点分类器独立训练,前面节点训练过程中的信息只被用来进行二分类(人脸或非人脸)的判定,没有进行后续应用,损失了大量信息这一不足,将AdaBoost算法与嵌套级联算法结合在一起,提出AdaBoost-Nesting训练算法,该算法能够合理利用相邻节点间的训练信息,降低计算负担。此外,传统的姿态估计方法是将待检测样本送入单独训练的姿态分类器中进行姿态估计,依据姿态估计的结果,选择特定的视角检测器进一步处理待检测样本,姿态估计的计算量将被全部加入到待检测样本的平均计算量中,导致了检测速度的下降。本文针对这一问题,引入了改进的姿态估计策略。本文针对复杂背景下的多视角人脸检测问题,利用聚合通道特征表征复杂背景下的人脸信息,通过AdaBoost-Nesting算法训练得到各个视角检测器,再与改进的姿态估计相结合,搭建出本文的复杂背景下多视角人脸检测框架。实验结果表明,该人脸检测框架能够很好的检测复杂背景下的多视角人脸,检测速度较快。