该文的研究工作主要包括人脸光照样本重构及其在人脸检测中的应用和基于支持向量机的多层人脸检测分类器两部分内容.主要的创新可以分为如下几个方面:第一:通过对人脸样本进行光照重构生成新的样本解决人脸检测中的光照问题.光照问题是人脸检测中比较难于解决的问题之一,在基于学习的方法中,由于光照样本的不足,对各种光照特征的学习不够,学习的结果对于光照的推广性不强.在人脸光照样本重构的研究中,我们利用已知样本生成新的光照样本,从而解决了上述光照样本不足的问题.光照可以用谐波函数空间的前九个展开系数来近似表示,利用这个理论我们用九维系数来近似表示所有可能的光照条件.利用一个平均的三维人脸模型和商图像的概念,我们可以给人脸样本加上新的光照,从而可以获得特定光照条件下的样本.同样我们也可以获得多种不同光照条件下的样本,从而丰富了人脸训练样本库.第二,提出一种新的边缘特征作为人脸分类器的分类特征.边缘特征对光照具有比较好的鲁棒性,我们充分利用人脸的外轮廓和内部边缘方向特征,提取了人脸样本的54维边缘特征,对人脸进行分类.在特征提取时,还利用了人的肩部轮廓信息,可分性比较高.第三,基于支持向量机的多层人脸检测分类器.我们使用支持向量机作为基本的分类器,利用边缘特征进行分类,最后利用面部区域狄度特征进行认证,构造了一个多层的人脸检测分类器.由于非线性的支持向量机计算速度比较慢,而线性的SVM分类能力又比较差,为了达到速度和检测率两方面的要求,我们首先使用线性SVM分类器排除大量的明显的非人脸样本,然后利用非线性SVM进行进一步的分类,去除第一层分类器的误检.由于人脸面部灰度中蕴涵有很多人脸的关键特征,我们使用人脸面部灰度特征来进行最后的人脸的验证.实验表明该分层人脸分类器在测试集上取得了良好的结果,在结合样本光照重构的结果,该系统还能够在一定的程度上解决光照问题.