人脸检测技术是进行自动人脸识别的前提和基础,其目标是对一幅输入图像进行遍历搜索,判断其中是否存在人脸,并对存在的人脸位置进行标记。目前,人脸检测技术已经在人脸识别、视频监测、网络会议等多方面得到了广泛的应用。基于Adaboost的人脸检测算法具有较高的检测率、较低的误检率以及较快的检测速度,是当前人脸检测的一个主流方向。RealAdaboost算法作为Adaboost算法的改进,将弱分类器的输出由离散值扩展到实值空间,具有比Adaboost算法更优秀的分类性能。RealAdaboost算法将样本特征空间划分为多个小区间,通过统计小区间的正负样本概率分布来模拟人脸在特征空间的分布。传统的RealAdaboost算法等分样本特征空间,这种方式不能很好的刻划正负样本的边界,弱分类器的分类性能仍能进一步的提升。基于上述分析,本文对传统的RealAdaboost算法样本空间的划分进行了改进,以最小化归一因子Z为优化目标,以样本特征空间划分的阈值作为决策变量,对其进行编码,采用用遗传算法进行建模优化求解,找到实现样本空间最优划分的多个阈值。接着针对小区间正负样本权重和的统计计算,设计了样本权重积分表,减少了训练过程中的大量计算,优化了算法结构。然后,对于非等分样本区间的弱分类器的输出,构造了一种新的查找表,避免了对输入特征所处小区间的查找,直接就能给出其对应的输出。在瀑布型级联检测器的框架下,利用改进后的算法训练了一个人脸检测器。为了加快训练的速度,对提取的Haar特征作了尺度约束,一方面保留了分类效果好的特征,另一方面又裁剪掉了大量对人脸表现能力差的特征;并且,设计了一种多尺度自举负样本的策略,既成功的解决了每一级强分类器训练负样本冗余度的问题,又避免漏掉具有代表性的负样本,使得每一级强分类器能对更多类的样本进行正确分类,从而进一步的提升了人脸检测器的性能。最后,通过实验验证了改进方案的有效性。改进后的算法训练得到的弱分类器具有更小的分类错误率,算法的收敛速度更快;改进后算法训练得到的级联检测器相比于传统算法,获得了更好的检测效果。