人脸是一种细节变化非常丰富的自然结构目标,其检测结果容易受到光照、图像背景复杂程度以及图像中存在的噪声的影响,这增加了人脸检测的难度。目前,新的人脸检测算法不断出现,但是大多数只能用于一般背景或者特定约束环境,而针对复杂背景的人脸图像检测仍需要做进一步的研究。肤色检测具有对姿态、表情变化鲁棒性好、检测速度快、误检率高的特点,而AdaBoost检测具有准确率高、训练样本大以及训练时间长的特点,本文针对这两种算法的特点,提出了一种将肤色检测算法和Haar方差特征相结合,用SVM而不是AdaBoost进行分类器训练的人脸检测新算法,在提高检测准确率的同时降低检测时间。首先将YCbCr颜色空间进行分段的非线性变换,得到YCb’ Cr’空间,在该空间建立椭圆肤色模型并利用logistic回归模型确定每一点的肤色概率,构建肤色概率图,从而将每一点的像素值映射到[0,1]。接着在Ostu方法的基础上采用并行的遗传算法确定图像分割的阈值,将图像二值化,利用形态学处理的方法将二值化后的图像进行去噪。通过肤色初筛选出人脸后,为了在提高检测准确率,本文提取人脸图像的Haar特征,采用积分图的方式对特征值进行计算,为了减小特征的数量及增强特征的表征能力,文章计算矩形特征的方差,并用少量的Haar方差特征取代原来的Haar特征,最后用支持向量机训练出的分类器对分割出的肤色区域进一步验证。