在我国,“两客一危”主要包括长途班线客车和旅游包车、运输易燃易爆危险品的专用车辆。在“两客一危”监控中,由于乘客不配合、光照不均匀、噪声干扰以及人脸较小等因素,现有的人脸检测算法性能不理想,本文研究这种情形下的低质人脸检测。本文对“两客一危”低质人脸检测算法进行了系统研究。本文首先介绍了自建的监控图像数据库;然后在该数据库的基础上,对低质监控图像进行预处理并对人脸进行由粗到精的检测;最后介绍了基于“两客一危”的车辆管理平台的设计与实现过程。本文的主要工作如下:1.对低质监控图像进行预处理。在去噪方面,本文研究了双边滤波器、中值滤波、非局部平均去噪三种去噪方法,参照峰值信噪比、基于结构相似性的度量准则和主观质量评价指标,比较了这三种去噪算法的性能。由于双边滤波的保边去噪效果较好,并且耗时较短,所以本文采用双边滤波对图像去噪。在图像增强方面,本文比较了三种基于Retinex的图像增强算法,由于MSRCR减弱了光照对颜色的影响,使得色彩保真较好,最终选择MSRCR算法对图像进行增强处理。本文通过去噪和增强,从整体上提高图像质量,为后续的人脸检测提供质量较高的输入图片。2.基于二阶高斯混合肤色模型的人脸粗检测。本文在实验中发现,复杂的背景对人脸检测造成很大的干扰。由于H-SV和C’bC’r的二阶高斯混合模型将亮度和色度很好的分离,因此基于该模型的肤色检测算法对光照的鲁棒性更强,具有更好的肤色检测性能。本文利用该方法进行肤色检测,将肤色检测的结果进行形态学处理,消除人脸区域中的孔洞,得到完整的人脸,此时人脸区域和复杂背景区域被正确分割。3.基于Haar-Like的L型特征的人脸精检测。针对人脸小尺寸的问题,本文提出了Haar-Like L型特征,由于人脸中包含了丰富的L型结构,本文提出的特征更好的描述了小尺寸人脸。实验表明,本文提出的基于Haar-Like L特征的人脸检测算法在小尺寸人脸检测中具有更好的性能。此外,本文实现了基于Tensorflow的深度学习人脸检测,实验表明,在样本数量少的情况下,本文提出的算法实现了实时地低质量人脸检测,并且算法性能有明显地提高。4.“两客一危”车辆管理平台的设计与实现。本文首先介绍了平台开发所依托的系统架构和开发工具,然后介绍了“两客一危”车辆管理平台的功能模块和数据库设计过程,最后介绍了数据库的优化方法和平台上线过程。其中,低质人脸检测得到的人脸数目是判断客车是否超载的依据。此外,针对生成统计报表耗时过长的问题,本文将动态数据与静态数据进行了分区,并将当天的统计结果保存下来,提高了数据利用率,缩短了统计报表生成时间。