人脸检测问题最初作为人脸识别系统的定位环节被提出,近年来由于其在安全访问控制、视觉监测、基于内容的检索和新一代人机界面等领域的应用价值,开始作为一个独立的课题受到研究者的普遍重视。对于人脸这类复杂、难以显式描述的检测模式,基于神经网络的方法具有独特的优势,它把人脸模式的统计特性隐含在神经网络的结构和参数之中,通过对大量样本的训练,来完成检测任务。通过分析研究神经网络的原理和人脸器官的特征,设计了一个输入层节点数为625、输出层节点数为2、隐层节点数为20的三层误差反向传播网络;同时收集了大量不同类型的人脸样本,并对初始人脸样本集中的部分图像进行了一些变换,以提高网络的适应能力;根据误差反向传播网络的特点,对目前普遍采用的非人脸样本收集的自举方法做了一些改进,可以有效地收集到更多的具有代表性的非人脸样本,以进一步提高网络的适应能力。而且在训练过程中引入了学习率这个参数,有效地解决了误差反向传播算法的步长问题。在进行人脸检测之前,对待检测的图像作预处理,以提高检测的准确性。并在窗口扫描过程中采用了基于金字塔的子采样方法来解决图像中人脸的大小和位置问题。实验结果表明,基于误差反向传播神经网络的人脸检测方法可以有效地运用于多人脸、不同大小、不同位置、不同方向、不同面部表情和不同光照条件等情况,同时取得了较高的正确检测率和较低的错误报警率。而且通过适当地增加训练样本的数量和类型,可进一步提高检测性能。