对人脸的研究在身份验证,档案管理和可视化通讯等诸多领域有着巨大的应用前景。对于人脸的研究大致分为人脸检测,人脸跟踪和人脸识别三部分。人脸检测作为整个人脸分析过程的第一步,其目标是准确、快速的从图像中检测出人脸。如何从人脸图像中提取出能较好区分人脸与非人脸的特征,从而可以提高人脸检测的准确率目前仍然是个复杂的问题。本文提出采用傅立叶变换,小波变换,自适应独立分量分析(ICA)模型和稀疏编码(Sparse Coding)这4种不同的方法从静态灰度图片中提取表示人脸的有效特征。主要思想是先找出能够有效捕捉人脸结构特点的函数基底,然后将人脸图片和非人脸图片投影到这些基底上,利用得到的投影系数对图像进行分类。由于正面人脸的结构非常相似,因此在这些基底上投影出来的特征系数也比较相近;而不包含人脸的自然风景图片投影到这些基底上得到的特征系数和表示人脸图像的特征系数就会不同。通过比较这两类图像的特征系数,可以区分出两者。4类函数基底中,傅立叶变换和小波变换是固定的基底,而ICA和超完备的稀疏编码方法则是通过给定的人脸图片样本训练出可以捕捉脸结构特点的函数基底。文中还采用了基于互信息最大化的特征选取算法,从提取出的特征向量中选出与分类目标最相关的特征子集。选择过程去掉了冗余的、与目标不相关的特征,从而进一步提高了分类的准确率,降低了训练时间。文中还采用了支持向量机(SVM)对选择后的特征进行分类。最后将四个用不同类型特征训练出来的SVM进行级联组合,得到一个可以进行人脸检测的分类器。实验结果表明,4种特征提取算法都能得到有效的表示人脸的函数基底。特别是通过自适应ICA算法和稀疏编码算法自适应学习得到的函数基底能够更好的捕捉到人脸的结构特点,因此图像投影到这些基底上得到的特征系数有更好的分类效果。而级联的人脸检测分类器在一定条件下得到了较好的检测效果。