人脸检测是模式识别与计算机视觉研究领域比较基础和重要的研究课题,在基于内容的图像与视频检索、视频监控、智能人机交互以及自动人脸识别等领域有着重要的应用价值。人脸检测是人脸分析的首要环节其处理的问题是确认图像中是否存在人脸,如果存在就对人脸进行定位。AdaBoost算法是Viola等人于2001年提出的一种快速人脸检测算法,是人脸检测领域里具有里程碑式的意义。本文重点研究了基于AdaBoost的人脸检测算法。AdaBoost算法是一种可以将弱学习转换为强学习的方法,从理论上讲,只要有足够多的样本,训练足够充分,就可以训练出错误率无限趋于零的分类器。但是,正因为如此,当样本数目比较多的时候,AdaBoost训练算法存在训练时间过长的问题。针对这个问题,本文首先提出了一个并行化的AdaBoost人脸检测算法,通过对样本的分割,使得训练过程得以并行进行,显著地加快了样本的训练过程,同时通过对每一部分样本训练得到的弱分类器进行组合,最终得到的强分类器的错误率也保持在一个理想的数值。然后,结合MapReduce的特点,给出了改进算法的一个具体实现方案。最后,通过实验结果分析,验证了并行化的人脸检测算法确实能提高训练速度,并且新算法对训练时间的加速比优于传统的并行化改进算法。