人脸检测作为人脸信息处理中的一项关键技术，近年来在模式识别与计算机视觉领域中，已经成为一个受到普遍重视、研究十分活跃的方向。随着智能化信息处理技术的发展，人脸检测在身份识别、基于内容的检索、自动监控、人机交互等方面有着日益广泛的应用。 本文以Internet下载的图像及CMU和MIT的标准人脸库作为算法效果验证的基准，从基于显性特征的方法和基于隐性特征的方法两个方面分别阐述，文章最后对两种方法进行了结合，并取得了令人满意的效果。下面分别对这两种方法进行简单的介绍。 在基于显性特征的方法中，本文主要采用改进的高斯分布模型法和中线定位法。这两种方法的预处理过程相似，都是通过人脸的五官特征进行候选区域的排除，确定最终候选人脸区域的个数。在改进的高斯分布模型法中，首先仔细分析高斯分布法相关文献并且按其方法实现，然而检测的效果不能令人满意，但通过实验发现，边缘检测与腐蚀后的候选人脸区域的高斯分布特征较其他非人脸区域明显，因此本文采用改进方法实现了多人脸的检测，效果较原方法有显著提高，并对复杂背景与裸露肤色等情况有较强的鲁棒性。中线定位法也是以边缘检测后的结果作为处理对象，首先确定人脸的中线位置，然后通过中线临近区域像素积分法进行二值图像“1”的个数统计，进而定位嘴的位置与宽度，并依据嘴的位置去确定其它五官位置，实验表明，该方法具有运算速度快，受表情变化的影响较少等优点。 在基于隐性特征的方法，本文主要采用adaboost积分图算法。首先，作者对Viola方法中所使用的矩形特征进行了扩展，采用了Rainer Lienhart等人提出的扩展的矩形特征，这个矩形特征库与Viola采用的矩形特征相比而言主要是增加了45°旋转的矩形特征，通过积分图可以快速计算矩形特征值，从而扩大了训练的范围，提高了检测率，并且降低了误检率。其次，本文采用级联式的检测方法，分别对建立好的正面端正人脸样本库和侧面人脸样本库进行特征训练，用获得的两种强分类器进行人脸检测，达到了多姿态人脸检测的目的。由于采用级联的方法进行检测，检测的速度受到了很大的限制，因此本文最后结合显性特征，进行候选区域排除，只对可能存在人脸的区域进行级联方法的检测，其他区域忽略，这样做既缩短了检测时间又保证了高检测率。