人脸检测作为人脸信息处理中的一项关键技术,近年来受到模式识别与计算机视觉领域内研究者的普遍关注。支持向量机(Support Vector Machines,SVM)是在统计学习理论的基础上发展起来的一种新的学习机器,能够较好地解决人脸检测中的小样本、非线性、高维数、局部极小点等实际问题,将其与常用的人脸检测算法相结合,对于人脸检测技术的研究具有重要意义。论文的工作主要集中在以下几个方面:对SVM分类器与平均脸模板匹配、PCA的分类器进行人脸通过率和非人脸过滤率实验,实验结果分析表明通过正反样本训练的SVM分类滤波器比只通过正样本训练的平均脸模板和PCA具有更好的分类能力;在人脸检测过程中,采用由粗到细的策略,提出一种基于SVM的灰度图像人脸检测算法,算法采用三层分类器结构,将平均脸模板匹配作为第一层分类器,将线性SVM作为第二层分类器,前两层为粗分类器,第三层将非线性SVM作为核心分类器。用训练好的分类器对本文提的人脸检测算法和现有的两层分类滤波器的人脸检测算法进行了比较实验,结果验证了采用模板匹配加线性SVM加非线性SVM三层滤波器的人脸检测算法,检测率和检测速度有明显提高,错误报警数明显降低,证明了该算法的有效性和鲁棒性。