人脸信息相对于人体众多其他的器官,具有安全、稳定等良好的生物特征的优点让其成为国内外学者研究的热点。人脸检测作为人脸图像处理的关键环节,建立一个快速准确地提取出人脸信息的数量和位置的方法具有重要的研究意义和价值。人们在采集视频图像时,会有众多环境因素的干扰引入噪声,从而影响系统的精度和稳定性。因此本文在深入研究了人脸检测算法的基础上,对相关的人脸检测算法进行改进优化。研究的主要内容如下:1、本文在分析了传统的肤色模型和Adaboost算法的基础上,针对视频图像中人脸遮挡、扭曲等环境中图像人脸,提出一种基于K-means聚类的肤色分割人脸检测方法。首先是对视频图像的预处理,再将彩色的RGB图像转换到YCb Cr空间,在此空间中进行K-means聚类的肤色分割,再通过椭圆肤色模型判定肤色区域信息,在肤色区域中通过二值形态处理和肤色连通域面积的确定,来判断人脸;再通过Adaboost算法对候选的人脸区域进行二次验证。实验结果表明,通过融入聚类信息的肤色人脸检测具有更高的检测效果,具有很好地鲁棒性。2、针对视频图像序列是连续的、渐变的过程,相邻帧之间的变化很小,若对每帧图像都进行检测,增加了复杂度,并且具有很大冗余。由此,本文将人脸检测和跟踪结合起来,减少视频帧之间的冗余,提高检测效率,首先采用改进的人脸检测系统检测视频图像中的人脸,对检测出来的人脸进行跟踪,当跟踪偏移量大于给定的阈值,则启动人脸检测系统。相对人脸检测,跟踪需要更少的时间复杂度,跟踪结果的好坏,严重影响了检测结果的效率。所以在跟踪系统中融入了特征点,通过实验表明,融入特征点的跟踪效率更高。通过实验分析可知加入跟踪信息的人脸检测具有更少的时间复杂度。