现阶段的人脸检测算法是从单张图像或视频帧中定性地判断是否有人脸存在。随着人脸检测应用范围的扩大,仅仅检测出图像中是否存在人脸并不能满足某些图像编辑、视频编辑应用对精确定位的需求,更需要提高检测结果在人脸具体位置和角度上的定量描述。在实际的视频人脸替换项目中,传统的人脸检测算法忽略了视频中人脸位置和角度的时间连续性,导致替换后的人脸出现抖动现象。基于以上研究,本课题从视频中人脸定量检测的角度出发,分别对源视频及目标视频中的人脸位置和角度进行定量检测,从而得到人脸的具体位置和偏转角度。本文主要工作如下:在人脸位置定量检测部分,提出一种基于帧间约束模型的视频人脸位置定量检测算法。本文首先采用基于Haar＿like特征的Adaboost人脸检测算法对视频中人脸的有无进行初步检测,由于视频序列中相邻两帧之间的人脸位置检测结果一般会有偏差,该模型考虑视频中相邻帧之间人脸位置的相关性,对检测到的人脸位置进行约束,从而定量的给出人脸具体位置信息,避免单帧独立检测的偏差,保证视频中人脸位置的时间连续性。提出了自适应的人脸搜索区域模型,用以提高视频人脸检测的速度。将上一帧检测到的人脸位置及附近区域,作为下一帧人脸检测的候选区域,从而自适应的改变人脸搜索区域并规避无效的非目标人脸范围,与遍历整帧图像相比时间效率要高,一定程度上满足了视频人脸检测的实时性要求。提出两种针对眉眼的Haar＿like EB(Haar＿like Eye and Brow)特征,有效地解决了Haar＿like特征人脸检测算法存在由于眼睛和眉毛的灰度值相似而引起的误检问题。实验表明,改进后的算法提高了人脸分类器的性能且降低了误检率。在人脸角度定量检测部分,本文以卷积神经网络为主要方法来设计用于人脸角度定量检测的模型。通过参照经典的VGG卷积神经网络模型,并结合复合角度方向下人脸图像的特点,改进了网络层次结构,给出一种22层的Face Angle Net深度卷积神经网络模型。该模型能够在pitch和yaw两个方向上对视频中的人脸进行角度分类,从而实现视频中人脸角度的定量检测。通过采用CAS-PEAL-R1人脸数据库进行训练,得到其在验证集上的分类正确率达到96.45%,并高于其他几种算法。