随着数字技术和因特网的发展,人脸检测和识别广泛地应用于身份识别、人机交互等领域中。目前对于人脸检测算法的研究已经相当深入,但对于复杂背景下的人脸检测仍难以取得较好的效果。此外,人们将研究的重心从灰度图像转向彩色图像中的人脸检测。在人脸检测中,精度和速度是一个人脸检测系统的两个重要方面,一般都希望一个系统既能有很高的精度又能达到实时的速度。但是实际研究中这两方面又常常存在矛盾。一般是在精度不能满足的条件下,牺牲速度来满足精度。如何能在保证精度的前提下,有效地提高系统的速度,对人脸检测的研究有很重要的意义。 针对以上关键性问题,本文在以下几个方面进行了创新性的探索: 1)对传统的SVM检测算法进行改进,即在学习和检测过程中,对人脸和非人脸进行预处理之后,先需经过ICA特征提取得到对应模式的特征向量(即新的分类依据),再采用SMO算法训练支持向量机。这里创造性地采用核独立分量分析算法,并在算法中运用不完全Cholesky分解来降低时间复杂度。对求得的特征采用遗传算法再进行了一次特征选取以便有效地减少特征空间的维数,得到独立基的一个最优子集。实验表明,和传统的SVM方法相比,检测率提高了将近15%,检测速度也有明显的提高。 2)对链式Boosting方法进行了一些研究工作。首先介绍了链式Boosting的结构、训练算法以及对算法的一些优化。然后将链式Boosting运用到人脸检测中。在该检测方法中,先利用核独立分量分析算法构造重建图像信噪比阈值函数,再使用Boosting算法构造一个基于信噪比阈值的检测函数序列,然后将它们组合成一个总检测函数,形成一个Boosting分类器,再使用链式Boosting算法用相同的方法构造一个个Boosting分类器(结点),并将它们串起来形成链式Boosting结构,据此可以判别一幅图像是否为人脸图像。实验表明,链式Boosting方法检测率比1)方法要有所提高,检测速度也比1)疗法快:但是虚警数随着检测率的提高也迅速增加,同时它需要较长的训练时间。 3)提出了一种新的基于肤色模型和模板匹配的人脸检测算法。在模板匹配中,提出了一种基于边缘检测的人脸平均模板。该模板相对于一般的灰度平均脸