人脸检测的挑战和难点在于:(1)人脸是非刚体,不同的人脸在形状、大小、颜色和纹理方面变化很大;(2)姿势的变化,即人脸与获取人脸的摄像机间相对位置的变化,如正面人脸、45度旋转的人脸等,会引起采集到的人脸图像面部器官位置的变化;(3)通常情况下的人脸上,可能存在眼镜、胡须等附属物,使得人脸在形状、尺寸和颜色上发生变化;(4)人脸的表情直接影响着人脸的形状;(5)遮挡,一个场景中的人脸可能被其它物体遮挡:(6)光照条件也直接影响人脸图像的获取.因此,如果能够很好的解决人脸检测问题,将为其它类似的复杂模式检测问题提供重要方法或启示该文围绕人脸检测这一目标,借鉴国内外在该领域已有的研究成果,综合运用数字图像处理技术和模式识别技术,结合颜色空间模型、统计决策原理、决策树理论和AdaBoost学习算法,深入研究了基于肤色的人脸检测、基于AdaBoost算法的人脸检测、弱分类器的选择、分层塔式结构训练算法的优化等算法.该文的主要研究工作:1.对基于肤色的人脸检测进行了详细研究,针对复杂背景彩色图像提出了一种基于HSV色彩空间的自适应肤色检测算法.该算法首先使用阈值在HSV空间对人体肤色区域进行肤色分割,然后对分割出的肤色区域使用相对重要性滤波和自适应区域归并,最后将归并后的肤色区域使用人眼定位进行验证,将多人脸检测转化为单人脸检测.实验结果表明,该算法复杂度较小,对光照变化具有较好的鲁棒性.2.对弱分类器的选择进行了详细研究,提出了基于熵期望最小的弱分类器和基于加权错误最小的弱分类器并对相关部分进行了比较和证明.3.对基于AdaBoost算法的分层塔式人脸检测系统进行了详细研究,分析了人脸特征的选择、积分图快速算法的基本思路;对人脸特征进行了描述;对构建分层塔式结构的训练算法进行了优化,实验表明优化后的算法效率较高.4.初步构建了基于AdaBoost算法的分层塔式人脸检测器,在目前的训练条件下,该人脸检测器已经表现出较好的实验结果.