人脸检测问题的研究重点在于提高检测速度和降低误检率。Viola基于积分图像和AdaBoost算法的人脸检测方法是继Rowley人工神经网络方法之后的重大发展,微软研究院提出的FloatBoost算法在AdaBoost算法的基础之上加入了浮动搜索,并且引入了回溯机制,更进一步地提升了分类器的精确度,并且实现了多姿态人脸的实时检测。本文继承了以上重要算法和文献的思想,做了以下几个方面的工作:首先,我们提出了整体训练方案和其中快速建立特征库的方法。根据弱学习定理的内在要求,我们采用随机矩形特征的方式,减小了特征运算所需的搜索空间;在选取阈值?时我们采用分段搜索的方式,缩小了确定阈值所需的时间;关于动态剪裁样本,我们截取权值较高的样本作为特征训练的数据,减小了测试特征和阈值的时间;分布式的特征训练,由于这里特征的训练和强分类器的组建过程是分离的,所以我们实现了分布式的特征训练,可以同时在多台计算机上运行特征库训练程序,最后可以归总到一起,形成一个较大的特征库。通过这些方案,我们的特征库训练变得实际可行,并且给出了一个时间曲线。然后,我们提出了用选择和回溯的方法来训练分类器。区别于FloatBoost算法的一个特征一个回溯的繁重运算任务,我们的做法先建立一个容量足够大的特征库,通过性能指标函数来衡量和选取特征。初始的强分类器特征为空,通过指标函数来选择特征加入到强分类器中,不同的阶段选用不同的步长,从大到小,粒度由粗到细。每加入一批特征,我们就用回溯搜索来优化,去除掉使分类器性能下降的特征。借鉴神经网络的思想,我们对强分类器进行优化。通过对特征进行加权,以“聪明人做决定”的原则进行加权运算,并最终确定强分类器的阈值。最后,我们给出了新算法的实验结果,并与Viola的方法作了比较,在拥有相同特征数量的情况下的取得了相近的效果。最后,我们对论文做了总结,提出了其中存在的问题,并对这些问题作了一些探讨。