人脸是一个信息极丰富的模式集合,是人类互相判别、认识、记忆的主要标志,在计算机视觉、模式识别、多媒体技术研究中占有重要的地位。人脸检测作为人脸图像应用领域中的关键技术,近年来受到研究者的普遍重视。本文结合国家自然科学基金项目,对彩色图像中的多姿态人脸检测技术进行了深入的研究。本文详细分析了Viola等人提出的Adaboost层叠式人脸检测算法,采用积分图像的表示方法,快速计算出弱分类器用到的特征,然后基于Adaboost学习算法,从一个较大的特征集中选择少量的关键特征,产生一个高效的强分类器,再用级联的方式将单个的强分类器合成为一个更加复杂的分类器,既降低了误识率和计算时间,又显著提高了检测性能且具有不断扩展升级的能力。本文针对具有复杂背景的彩色图像和视频图像中多姿态人脸检测问题提出了一种基于多分类器融合和人脸肤色验证相结合的人脸检测方法。首先使用Adaboost层叠式算法分别训练正面脸分类器和侧面脸分类器,用得到的分类器并行检测彩色图像,将正面人脸检测结果和侧面人脸检测结果相融合得出可能包含人脸的候选区域,同时在YCbCr色彩空间建立肤色模型对候选区域作进一步的人脸验证,最后标定出人脸区域。本文提出的算法对不同姿态人脸分类器信息进行融合,利用了人脸灰度纹理特征和人脸肤色信息进行验证,对人脸姿态和图像背景有较强的鲁棒性。本文针对彩色图像构造了正面人脸、侧面人脸和复杂姿态人脸三组测试集,分别用正面脸分类器、侧面脸分类器、正面脸和侧面脸融合分类器以及本文构造的分类器进行人脸检测。实验结果表明,本文系统不构造一个复杂的多姿态人脸样本库,而是将正面和侧面等不同姿态人脸的检测任务划分给不同的分类器并将分类器的结果进行融合,提高了对复杂姿态人脸的检测概率,后期的肤色验证又大大降低了虚警检测概率。另外,本文针对动态图像构造了室内外四组多姿态人脸视频测试集,同样用上述四种分类器分别进行人脸检测。实验结果表明,本文系统的肤色验证是在少量候选人脸区域进行的,不仅能够准确、可靠地检测出人脸,而且具有很高的处理速度,能够满足实时人脸检测的需要。