目前人脸检测的研究重点已逐渐集中于在复杂条件下的人脸检测,一方面需要检测系统提高人脸检测率降低错误报警率,另一方面希望加快检测速度同时易于训练,能够快速适应不同的环境。由于支持向量机方法具有坚实的数学基础和良好的推广能力,它被广泛的用于模式识别和回归分析等问题中。在本文中,我们主要讨论了支持向量机方法在人脸检测中的应用,同时提出了采样非线性支持向量机过滤器和基于矩形特征的非线性支持向量机检测方法。 支持向量机是一种统计学习理论,我们通过一个简单的线性分类问题说明了它的具体思想,然后介绍了几种改进的训练算法,利用这些改进方法我们能够大大加快支持向量机的训练过程。 传统的支持向量机人脸检测方法是将检测图像中的像素作为输入,与之配合的过滤器也是如此。我们对人脸平均模板、主分量分析和采样非线性支持向量机三种过滤器通过实验进行了详细的分析和比较,采样支持向量机过滤器取得了最好的过滤效果。在检测中,图像序列中的检测窗口被依次送入过滤器和主检测器,通过的窗口经过定位合并最后在原图像上输出。 我们提出了基于矩形特征的支持向量机人脸检测方法,它将Viola方法中的矩形特征和层叠分类器与支持向量机结合起来,把经过简化的层叠分类器作为过滤器,支持向量机主检测器的输入也变成了经过选择的矩形特征。这样虽然检测速度比Viola方法有所下降,但是可以大大加快训练速度,同时取得相当的人脸检测率和错误报警率。 为了进一步提高检测速度,我们介绍了SIMD(single-instruction,multiple-data单指令多数据)指令集在人脸检测中的应用。通过使用不同的指令集我们可以将四个整型或者单精度浮点数在一条指令中同时进行运算。 最后,我们提出了支持向量机人脸跟踪系统的设想,并探讨了通过特征选择加快层叠分类器训练的可能途径。