人脸检测作为人脸识别的前提条件,其检测效率和速度都会影响到人脸识别的识别效果,因此人脸检测越来越受到研究者的关注,并提出了大量的人脸检测算法。基于局部特征的方法可以快速并准确地确定一幅图像中是否存在人脸,但却很难检测出一幅图像中人脸的大小和具体位置。其主要的难点是人脸模式可变性和外部条件,如人脸表情的多样性,光照等。由于上述原因,提出了大量的基于统计理论的机器学习算法,并得到了快速的发展。该类算法的优点是具有一定的自学习能力,根据测试集可以建立检测模型,进而对测试集进行检测。2004年Viola将基于矩阵特征的Adaboost算法应用在人脸检测中,使用Adaboost进行学习生成强分类器,取得了较好的检测效果,该算法是人脸检测领域的经典算法之一。然而,该算法所选的特征是最原始的矩阵特征,为了达到较高的检测率,不得不选择很多特征值,而且级联的级数过高,难以满足实时检测的需求。而Schmid提出的CS-LBP特征可以很好的表示人脸局部纹理特征,这将大大提高人脸检测速度。而Floatboost在一定程度上解决了Adaboost获得的强分类器并不一定是最好的分类器的问题。因此本文结合CS-LBP特征和级联Floatboost检测算法进行人脸检测。为了兼顾人脸检测中的TP、FP和检测时间,做出了如下改进:a)对CS-LBP纹理特征进行改进,提出一种计算简便且表现力强的纹理特征,来减少FP和加快检测速度。b)为了进一步提高Floatboost的性能,采用双阈值Floatboost算法来训练强分类器,可以进一步地减少级联的级数,从而加快检测速度。通过上述几个方面的改进,在MIT CBCL,BioID和AT&T数据库中的验证结果表明:本文提出的基于改进型LBP和Floatboost的人脸检测算法在保证了高TP的同时,还减小了FP和检测时间。最后将分层过滤思想应用于灰度图像处理中,即先采用基于haar-like特征的双阈值Floatboost级联分类器来快速地选取人脸候选区域,然后在人脸候选区域中采用基于改进型LBP特征的双阈值Floatboost级联分类器来精确定位人脸。