人脸检测(Face Detection)顾名思义就是通过相应的算法来准确定位出人脸的位置。人脸检测作为人脸识别的首要步骤,备受研究者的关注。随着科学技术的不断进步以及人们安全意识的普遍提高,人脸识别技术被应用到越来越多的领域。例如,失踪儿童互助系统、公安视频监控系统、人脸识别签到系统等。由此可见,不断推进人脸检测技术的发展将会成为一个持续性的话题。本文改进并设计了基于肤色模型、模板匹配以及Gentle Adaboost的人脸检测算法并进行了实用性验证,其主要工作可概括如下:1、基于肤色模型的人脸快速检测方法研究及应用(Research and Application of Face Detection Method Based on Skin Color Model)。肤色作为人脸的重要生物特性之一,可以为彩色图像的人脸检测研究提供极大的便利。利用人脸的肤色信息进行人脸检测,可以不受其他任何细节特征的影响,从而大大缩短了检测时间并减少了计算量。本文通过肤色模型的建立,实现了对视频某一帧画面中存在的人脸的检测。为了减少光照变化对人脸检测的影响,在进行人脸检测之前,先进行光线补偿处理,然后在YCbCr色彩空间中利用椭圆模型进行肤色建模。最后将传统的先开启后闭合的形态学处理改进为先开启后膨胀再闭合的形态学处理最终检测出人脸区域。2、基于改进的模板匹配的多角度人脸检测(Multi-angle Face Detection Based on Improved Template Matching)。为了解决传统模板匹配算法在人脸检测中计算时间长以及对不同角度人脸检测率低的问题,本文提出了一种基于高斯混合模型和改进的模板匹配的多角度人脸检测算法。在人脸检测之前,首先进行必要的光线补偿处理,然后在YCbCr色彩空间中利用高斯混合模型进行肤色建模,最后通过适当的形态学处理得到人脸的候选区域。接下来制作并计算得到七个不同角度的平均脸模板,并组成一个人脸模板数据库,根据待检测人脸的角度选择角度最为接近的模板来进行匹配,便可以准确标记出人脸的位置。实验表明,该算法在对多角度人脸的检测中比传统的模板匹配算法平均高出了 8%的正确率并且检测时间也有所减少。3、多特征融合的人脸检测算法(A Face Detection Algorithm Based on Multi-feature Fusion)。针对Haar-like矩形特征种类较少,导致在对人脸的描述中由于需要的特征数目庞大而使分类器训练时间过长的问题,本文采用了局部二进制模式(Local Binary Patterns,LBP)。考虑到基本LBP特征在人脸检测方面的不足,本文结合统一化思想,采用了统一化的MB-LBP特征和统一化的旋转不变LBP特征。又考虑到MB-LBP特征和旋转不变LBP特征对人脸边缘信息描述的不足,本文提出了基于Canny算子的边缘方位场特征与上述两种特征相结合来共同描述人脸信息。最后本文设计了 Gentle Adaboost分类器对提取的所有特征进行分类。实验结果表明,将统一化MB-LBP特征和统一化旋转不变LBP特征与基于Canny算子的边缘方位场特征融合,既能从局部又能从整体来描述人脸信息,大大提高了对多姿态以及不同旋转方式的人脸的检测率与检测速度。在应用于人脸检测时,同等条件下的Gentle Adaboost分类器与其他Adaboost分类器相比也具有更优越的性能。