人脸检测的任务是对于一个输入图像,给出图像中是否存在人脸的判断,如果存在人脸,给出人脸的具体位置与范围。人脸检测是人脸识别技术的一个重要组成部分,随着时代的发展,已逐渐发展成一个重要的研究领域。人脸检测的难点包括:光照影响、年龄影响、装饰影响、姿态影响等。对于嵌入式设备,时间开销与内存开销直接决定了检测算法的可用性。为了减少环境光照的影响,工业界与学术界都进行了大量的研究工作。相比算法的改进,更为有效的办法是利用主动近红外光进行人脸检测和人脸识别。本文的主要工作是将人脸检测方法进行了实验比较,实现了一个包含多算法的Boosting训练器,提供了训练专用的SDK。为了减少环境光带来的影响,引入了主动近红外光的光照系统和专用的摄像头模组。在完成人脸区域定位的研究工作后,进行了人眼精确定位的研究,并与其他定位算法进行了比较。为了将检测算法应用于嵌入式系统,本文提出了很多的优化方案,对于程序执行的时间开销有很好的优化效果。本文还提出了一种新型的基于数理形态学的近红外人脸检测算法。算法首先使用基于Haar特征和AdaBoost算法进行检测器的训练,在完成训练后利用分类器对目标图像寻找人脸候选区域,然后对候选区域进行归一化处理。利用人眼瞳孔在近红外光图像中会生成白色光斑的特点,使用基于数理形态学的Quoit滤波器精确定位眼睛。由于每个人瞳孔大小有差导,单一的Quoit滤波器无法适应这种情况。为了减小不同瞳孔大小带来的影响,使用了多尺度的Quoit滤波器以提高准确性。在实验部分,本文对训练算法的性能进行了评估。实验表明,AdaBoost+LDA的训练算法具有最快的错误率收敛速度。同时,引入图像处理后,级联分类器的错误率也有很大的改进。多尺度Quoit滤波器与AdaBoost人眼定位方法相比,有更好的检测率和定位精度。总而言之,本文提出的人脸检测算法不仅准确性高而且速度快,达到了实时人脸检测的要求。