随着银行不断加强用户自助存取款业务,自助取款机得到越来越广泛地使用。与此同时产生的自助取款机犯罪案件数量也明显上升,而此类案件的犯罪人员往往戴有墨镜、口罩或者帽子等遮挡饰物来遮挡面部。因此,为了及时防范该类案件的发生,检测并判识出戴有饰物遮挡的人脸显得尤其重要。本文主要研究了在银行的复杂背景下,对具有饰物如墨镜、口罩、帽子遮挡的人脸进行检测与判识饰物所属类别的方法。该方法主要分为三个阶段。本文提出了一种由动到静的前景目标检测策略用来进行人的检测。第一阶段为所提策略的动态检测。该阶段提出基于更新学习的码本模型来检测动态目标,用来改善码本模型不能更新背景的缺点。第二阶段为所提策略的静态检测。该阶段提出基于LBP+HOG特征的头肩检测模型,通过这两个特征的结合,不仅能提高检测精度,还能大大提高计算效率。首先对运动的物体进行检测,排除静态背景的干扰,降低动态背景的影响,然后进一步确定该目标是否为人。同时,该策略在检测到有运动目标之后,才对检测到的目标区域进行人的检测,这样不仅可以节省系统的计算时间,而且能减少背景的干扰,提高检测精度。第三阶段为对遮挡人脸的检测与判识。该阶段提出基于遮挡饰物的Adaboost分类器,采用遮挡饰物区域图像作为正样本训练,并将正常人脸图像与背景图像一起作为负样本,能够使误检的情况明显减少,准确地检测出遮挡饰物的所在区域以及判识出饰物所属的类别。并利用PCA联合最近邻分类器对检测出的可能的遮挡区域来做进一步的判识,提高正确率。经过在真实视频库和实验室视频库的大量实验证明,本文的方法在遮挡检测率、正确率、误检率和漏检率等指标上均能达到良好的效果。