人脸检测作为人脸信息处理中的一项关键技术,近年来在模式识别与计算机视觉领域中,已经成为一个受到普遍重视、研究十分活跃的方向。随着智能化信息处理技术的发展,人脸检测在身份识别、基于内容的检索、自动监控、人机交互等方面有着日益广泛的应用。 本文的主要工作是对人脸检测的两大类方法进行了研究和分析,即基于知识的方法和基于统计的方法。基于知识的方法是提取人脸的各种基本特征,根据知识规则确认图像中是否包含人脸。基于统计的方法是通过从大量典型的样本中获得统计特征,建立一个能对人脸样本和非人脸样本进行正确分类的分类器。 对于基于知识的方法,本文对一种基于特征提取的算法进行了改进。采用自适应的熵阈值分割思想来提取脸部的横纹特征,根据特征的空间位置关系获得候选人脸,再利用灰度和纹理规则进行确认。实验结果表明,动态阈值方法比不变阈值方法下提取的横纹特征更加准确,简化了算法的运算复杂度。 对于基于统计的方法,本文提出了一种基于大量样本学习的多方法优化融合的人脸检测算法,该算法按照层次式的由粗到精的检测模式,将肤色模型、神经网络和模板匹配等各种方法有效的结合起来,互相取长补短。针对彩色图像先利用肤色模型进行肤色分割来缩小搜索范围,然后对灰度图像采用两个级联结构的BP神经网络分类器,进行人脸和非人脸两类模式的判别,最后结合模板匹配的方式进行验证,通过采用这种逐步排除的方法一步一步缩小搜索区域,实现单个或多个正面端正人脸的检测与定位。为了检测不同大小的人脸,采用多分辨率的滑动窗口策略,实现人脸检测的位置不变性与尺度不变性。大量实验结果表明,本文提出的方法对复杂背景图像中的正面人脸检测取得了比较好的结果,具有较强的鲁棒性。