人脸检测作为计算机视觉领域的一个重要分支,是人脸跟踪、表情识别、人脸识别和年龄估计等诸多人脸相关技术中至关重要的一步。人脸检测结合深度学习技术,将检测的精度推向了一个新的台阶,并广泛应用于安防技术、身份识别、信息安全、无人售货以及智能监控等有着广阔发展空间的领域,受到了国内外学者与研发人员的广泛关注。在实际应用场景中,人脸检测依然面临着许多问题。例如在受到光照、分辨率、部分遮挡、表情与姿态等影响时,检测器的精度和速度都会受到较大干扰。本文针对复杂环境下人脸检测算法的鲁棒性与实时性进行研究。首先阐述了国内外人脸检测技术的现状,详细介绍了基于传统机器学习与深度卷积网络的人脸检测技术的发展历程;其次,设计了端到端的级联卷积神经网络人脸检测模型,将图片金字塔化后送进三层逐级复杂的级联检测器,依次进行分类任务和边框回归任务,在保持检测精度的同时使得该算法基于CPU部署时依然可以实时检测;再次,针对遮挡、模糊和小人脸等问题,基于区域建议网络设计了利用上下文信息的三分类人脸检测算法,提出了基于滑动窗口的数据训练方式,并在FDDB与WIDER FACE数据集上进行算法的验证,证明算法的鲁棒性;最后,基于级联卷积神经网络人脸检测算法,搭建人脸检测平台,对日常照片、场景等进行检测,验证算法的有效性和实时性。