人脸检测作为图像处理应用中重要的组成部分,一直是近些年来研究的重点与热点。人脸检测方法种类繁多,呈现多角度性,与多层次性。如何选择与利用合适的方法满足不同的检测要求已成为人脸检测研究的核心内容。本文从信息论等角度阐述了检测问题的核心模型,对检测方法做了详细的分析,并且提出了一种改进的随机森林检测人脸的方法,主要完成了如下研究工作:1.从检测机制上对人脸检测方法做了系统的介绍,分别从知识学习与统计学习两个角度出发,对检测方法进行分类,对每一类检测方法,特别是统计学习类的方法进行了详细的分析与比较。2.详细深入地描述了随机森林分类模型,并对该模型的理论基础进行了剖析与论证,详细讨论了模型边缘误差与范上界误差的推导过程以及随机森林分类的机制原理。并且根据模型原理,得到了随机森林与Adaboost,Bagging算法类的深层次联系,为随机森林与实验步骤的改进提供了理论依据。3.引入前向逐步叠加模型对随机森林进行重新描述,令随机森林以前向叠加的方式逐层生长,使得层与层之间存在传递制约的关系,提出了???型随机森林模型。在继承原模型优点的基础上,较大程度上解决了原模型无法确保达到全局最优的问题,提升了检测速度与效率。最后通过实验验证了该模型的良好分类性能。4.选取Haar特征作为人脸分类特征。为增强检测算法的可分配性,利用Adaboost与随机森林的潜在联系,首先通过Adaboost方法生成Haar特征的候选集,再利用???型随机森林进行样本训练,间接优化了实验过程。最后通过对人脸检测的实验与结果对比,验证了新型的随机森林模型在检测中的可行性与优越性。