目前模式识别领域中最为热点的研究课题是对人脸检测的研究。人脸检测是指利用计算机对一幅待检测图像进行检测，以判断出待检测图像中是否含有人脸、所有人脸的位置、人脸的大小以及包含人脸的个数等信息。人脸检测在实际中的应用十分广泛，如：安防、公司考勤、视频监控以及数字图像处理等多个方面，因此在国内外对人脸检测进行研究的机构、人员阵容非常庞大。因为人脸属于三维非刚性的目标：具有结构的恒定性如鼻子、眼睛、耳朵等；外观的可变性如表情、相貌、光照等；具有复杂的模式变化性如图像的分辨率、图像的几何变化等；人脸特征的复杂性与多样性如肤色特征、椭圆轮廓、对称等。所以对人脸的检测存在一定的复杂性。本文的主要研究内容如下:首先详细地分析几种传统的Adaboost算法的基本原理，以及其在人脸检测中的应用，然后总结出传统Adaboost算法在人脸检测时的缺点，提出能对其进行相应改进的方法，然后通过对上面这些内容的总结，提出采用分层的PCA特征与Adaboost算法相结合的快速人脸检测算法。最后设计出运行上述快速人脸检测算法的硬件图。本文的主要创新点如下：1、提出用Walsh特征代替传统的Haar特征进行人脸检测，并用增强型的Cascade分类器代替传统的Cascade分类器。Walsh特征具有特征向量的相互正交性，当对人脸进行计算时不会产生冗余，这样节省了人脸检测的时间以及计算机的存储空间，以此提高人脸检测的速度。实验证明使用少量数目的Walsh特征进行人脸检测与使用大量的Haar特征进行人脸检测能达到基本等效的结果。增强型的Cascade分类器与传统的Cascade分类器相比较，它既保留了前层分类器的样本的分类信息，又保留了训练样本的自主性。这需要在前层分类器与相邻的后层分类器中间增加一个评判标准，虽然这样会增加人脸检测的计算难度。但是在某种程度上提高了人脸检测的精度。2、用PCA特征与Adaboost算法相结合进行人脸检测。在人脸检测的前一阶段用Walsh特征代替传统的Haar特征与用增强型Cascade分类器代替传统的Cascade分类器相结合对人脸进行粗略的检测，因为Walsh特征的一些固有缺点其不能对人脸进行细检，所以在后一阶段用PCA特征与AdaBoost算法相结合进行人脸检测，这在第一阶段的基础上对人脸进行检测能快速、精确的检测出待检测图片中的人脸。实验证明这种分层的人脸检测算法能快速、精确的达到人脸检测算法设计的目标。3、实现快速人脸检测算法的硬件设计。由于这种分层的人脸检测方法计算复杂，对硬件系统的要求比较高，传统的ARM11根本无法对这类型的算法进行计算，所以本文用TI公司的内嵌DSP和ARM9的处理器DM6446作为主芯片设计了一款人脸检测系统，在各方面的帮助下最后实践证明这套系统是能稳定地，快速地对人脸进行检测。