人脸检测作为人脸识别的关键步骤,在计算机视觉和模式识别等领域得到广泛的应用。由于人脸结构具有可变性,并且人脸图像在进行采集时易受到外部因素的影响,使得人脸检测成为一种极具挑战性的课题。随着人脸检测的应用领域越来越广泛,各种检测算法层出不穷。其中Ada Boost算法具有较高的检测率和较快的检测速度。在此基础上,如何进一步提高Ada Boost算法的检测率和检测效率则成为主要的研究目标。本文在基于Haar-like特征的Ada Boost算法的基础上,对特征提取方法和算法本身进行分析和改进,并且在Matlab平台上对这些改进做了仿真实验,证实了所提的改进方法对人脸检测性能方面有较为明显的提高。本文的主要工作包括:针对Haar-like特征的缺点,引入另一种特征(LBP特征),并且提出一种将Haar-like特征和LBP特征融合的方法,将其引入到Ada Boost算法中,从而实现快速人脸检测。该方法首先针对LBP特征的提取方法进行了一些改进,使其能更好地提取人脸特征,其次将Haar-like特征和LBP特征分别训练的最佳弱分类器进行线性融合,确定最佳权重使两个目标函数最小,然后依据最佳权重确定最终的强分类器。在MIT+CMU人脸数据集上的实验结果显示,该方法的特征提取时间少于Haar-like特征,训练弱分类器的耗时也大幅度减少。检测率相比Haar-like特征基本持平,检测速度优于Haar-like特征。在Haar-like特征和LBP特征融合的基础上,针对Ada Boost算法样本中存在噪声样本等特殊样本时导致的过学习现象,对算法本身做出改进。一方面将人脸样本和非人脸样本分别归一化,另一方面提出一种与样本分类正确率相关的权值更新规则,从两方面保证对人脸样本的重视。该方法首先运用前面的方法进行特征提取,然后使用改进的权值归一化规则和权值更新规则引入到Ada Boost算法中。实验结果表明,相对于基于Haar-like特征的Ada Boost算法,改进的Ada Boost算法在大幅度减少训练时间的同时,提高了检测率,对整个人脸检测性能都有较为有效的改进。