随着人工智能的发展,越来越多的人脸智能检测仪器走进了人们的日常生活,如人脸识别考勤机,人像识别门禁机、人脸智能识别身份验证终端等设备已经被人们所熟知,可以说人脸检测仪器的研发正处于快速发展阶段。人脸特征检测技术是人脸检测仪器设备研发的关键技术之一,但复杂条件下,受人脸可变塑性和成像过程中多种因素影响导致的人脸固有特征信息缺失的问题将直接影响仪器的检测性能,因此开展复杂条件下人脸特征检测技术的研究具有重要的现实意义。本文对复杂条件下的人脸局部特征检测技术进行了研究,重点对其中如何解决目标边缘特征丢失、如何消除目标尺度变化和状态变化对特征提取的影响问题展开全面的综述和系统的研究,将要开展以下工作:在图像边缘检测过程中,采用目前的平滑去噪方法,普遍存在去噪过度导致重要特征丢失的问题。为此,提出图像融合的目标梯度幅值边缘检测方法,以人脸轮廓边缘为研究对象,首先采用Mean-Shift算法去除人脸图像的噪声,再采用肤色高斯模型对原图像进行肤色分割,然后运用高斯模糊对皮肤区域进行羽化,进而生成蒙版,将去噪平滑图像和原图像蒙版相融合,保留原图像的头发细节信息,增强脸部轮廓的边缘细节,为人脸边缘特征提取提供更多有效的信息。针对常见卷积神经网络在固定窗口中采样时,目标部分重要特征丢失的问题,提出多尺度采样的卷积神经网络(MSCNN)人脸特征检测方法。研究构建多尺度采样层替代网络结构中的普通采样层,实现应变状态下的自适应特征采样。首先在YCbCr色彩空间内采用高斯混合模型进行肤色分割,确定可能存在人脸的目标候选窗口,然后将候选窗口中的不同尺度的图像子块输入到多尺度采样卷积神经网络中,经过一系列卷积和采样操作后,形成固定尺寸的特征表达,获得多尺度人脸信息,提高多尺度人脸图像的检测率。人脸图像在姿态、表情、伪装遮挡等状态发生变化时,会造成部分重要特征的缺失,直接采用当前流行的纹理特征提取算子精度低、速度慢。为此,引入并行计算机制,提出并行多区域局部相位量化的人脸特征提取算法(PMLPQ)。改进局部相位量化算法提取特征的方式,克服状态变化因素对特征提取的影响,达到目标特征的稳定获取。先将原始人脸图像分为若干大小均匀的子区域,并行计算提取各子区域的LPQ特征向量,然后将每个子区域的特征向量串联起来,最后利用Fisherfaces算法对PMLPQ算法提取后的人脸特征进行降维,从而实现变化状态下人脸特征的稳定提取。最后,本文分别对图像融合方法、多尺度采样卷积神经网络的人脸检测方法和PMLPQ算法与Fisherfaces的人脸特征提取方法进行整合,设计开发了人脸智能识别平台。系统测试结果表明本文所研究的人脸特征检测方法在实际应用中是有效的,并且具有较高的鲁棒性。