近十年来，尤其是自2010年以来，立体显示技术获得了长足的发展，各种立体显示器已逐步融入到人们的日常生活之中。按照是否需要辅助设备分类，立体显示技术分为需要佩戴辅助设备的有辅助立体显示技术和不需要佩戴任何辅助设备的无辅助立体显示技术。后者不需要借助于任何设备就能够为用户提供立体场景，使得立体显示的观看具有自然、方便的特点，因此，无辅助立体显示技术引起越来越多的科研机构和科研人员的注意，成为立体显示领域的研究热点。　　结合内置于立体显示器内的摄像装置，实时的检测出摄像机视场中用户的双眼位置，然后，将同一幅显示画面的左右两个视图定向投射到用户的双眼中，从而使得用户观看到立体场景。这是一种非常有效也非常重要的无辅助立体显示技术，具有立体场景分辨率高、传输带宽占用率小等优点，截至目前，国内外多家知名的立体显示研究机构都展开了对该种立体显示技术的研究。这种无辅助立体显示技术需要实时的检测出摄像机视场中多个用户的双眼位置，并能够对环境光变化、人脸偏转、部分人脸遮挡、用户佩戴近视镜和用户快速移动等情况具有良好的适应性，因此对人眼检测系统的准确度、实时性和鲁棒性都具有比较高的要求。本文介绍的人眼检测系统在2.8GHZ主频、单核1G内存的PC机上达到人眼检测率96.10％，单帧检测用时低于20ms，达到了实时性的要求，同时，该系统对于环境光照变化、人脸偏转、部分人脸遮挡、用户佩戴近视镜和用户快速移动等情况均具有良好的适应性。　　为了准确、实时和稳定的检测出每帧图像中的用户人眼位置，本文介绍的人眼检测系统采用先检测人脸，再检测人眼的级联检测结构完成整个人眼检测的流程，并引入人眼跟踪算法以提高人眼检测的效率。针对人脸偏转、部分人脸遮挡、用户佩戴眼镜和用户快速移动等可能对检测算法引发干扰的情况，分别引入或提出了在线预测、分区域特征选择、结合模板匹配的Kalman滤波和跟踪等算法以消除影响，提高整个检测系统的鲁棒性。本文介绍的人眼检测系统使用的具体方法如下:　　(1)构造由离散Haar特征和连续Haar特征构成的混合Haar特征空间，结合金字塔模型，利用AdaBoost算法进行多尺度人脸检测，其中，为了抑制过学习现象，提出了权重调整抑制策略和归一化因子自适应调整策略，为了降低AdaBoost算法机器学习的时间复杂度，引入了基于并行计算的CUDA计算策略，为了提高检测系统对人脸旋转的鲁棒性，引入了在线预测算法，为了提高检测系统对部分人脸遮挡的鲁棒性，提出了分区域特征选择策略;　　(2)构造AdaBoost和SVM级联的人眼检测算法，利用AdaBoost前置级快速筛除掉伪人眼候选位置，利用SVM算法精确检测出人眼位置，其中，为了提高AdaBoost前置级的检测鲁棒性，提出了相关计算策略，为了抑制用户配戴眼镜对人眼检测的影响，提出了基于模板匹配的Kalman人眼滤波算法;　　(3)针对人脸运动存在随机性，不能严格符合某一既定运动模型的特点，对Kalman预测算法进行扩展，提出人眼区域的模板匹配算法作为状态转移模型，选取当前帧中与上一帧人眼模板最为匹配的区域，并在该区域优先进行人眼检测，结合人脸位置标示策略，以提高整个系统的检测效率。　　本文介绍的人眼检测系统经过一系列的实验测试，在不超过20个用户同时使用的情况下，其人脸检测率达到98.2721％，人眼检测率达到96.1033％，并可以满足每秒钟25帧的实时性处理要求。同时该系统对于用户配戴眼镜、人脸偏转、环境光照变化、部分人脸遮挡以及用户快速移动均具有较好的鲁棒性。