人脸检测(Face Detection)是指对于任意的一幅输入图像,通过一定的搜索算法,判断图像中是否存在人脸,如果存在,则返回人脸所在的位置及其大小。由于人脸检测具有广泛的应用场景,例如:视频监控、人机交互、图像检索、视频会议和数码相机等,再加上其问题本身的高度复杂性以及其对实时性的要求,它一直是近年来计算机视觉研究领域的一个热点问题。经过数十年的研究与发展,至今已有很多针对人脸检测的算法和方法,其中比较典型的两种方法分别是人工神经网络和Adaboost算法。这两种方法都各有所长,但也都存在一些不足之处。本文先分别针对这两种方法进行了讨论,并就其各自存在的问题提出了一些改进措施。为了达到更好的检测效果,我们将Adaboost和神经网络有机的结合在了一起,并加入简单的模糊逻辑控制和一些有效的后期处理操作,从而构成一个训练时间短、检测率高、误判率小的混合人脸检测系统。实验结果显示,经过我们改进的基于Adaboost的人脸检测算法的训练时间大大缩短,现有的Adaboost人脸检测系统,如Viola和Jone系统、Matlab7.0.1,挑选一个特征平均需要几十分钟,训练整个系统需要几天甚至几周的时间,而我们的系统平均每个特征只需要几秒钟的时间,整个系统只需要几十分钟就能训练完成。在检测准确率方面,对于正面无旋转的人脸图像,我们的系统不管是人脸的检测率还是非人脸的误判率,都比基于单纯的人工神经网络系统要好;与基于单纯的Adaboost算法的人脸检测系统相比,在保证同样的人脸检测率的情况下,我们系统的非人脸的误判率要低一些。在检测速度方面,对于一张320X240的图像,我们的系统平均需要0.48秒,比基于神经网络的系统要快,但比基于单纯的Adaboost方法的系统要慢。