本文的主要工作和特色如下.1.在差别特征分析的基础上我们提出一种新的特征提取的方法.差别特征分析源于我们构造一个新的特征向量,它是结合原输入图像、其一维Harr小波描述和幅度投影等所组成的.这样不但可以得到更加完整的图像的综合信息,而且因为Harr小波描述的幅度投影能够体现出人脸图像的垂直方向上对称分布的特性和水平方向上的特征,从而加强了其对人脸的判决能力.实验表明该算法能较好的反映原图像的特征,.而且在计算上效率也较高,表现出了在人脸和动态人体检测上较好的推广前景和良好的应用价值.2.我们设计了一个基于支持向量机的图像分类检测系统.支持向量机是在基于结构风险最小化原理的统计学习理论基础上提出的.SVM方法比基于经验风险最小化(Empirical Risk Minimization Principle,ERM)的人工神经网方法具有更好的推广能力.基于支持向量机的方法是是解决复杂的人脸检测问题的有效途径.在上述特征提取方法的基础上我们设计了一个基于支持向量机(SVM)的图像分类检测系统.并将其应用于复杂背景图像中的正面端正人脸检测问题.但由于需要对所有可能的检测窗口进行穷举搜索,计算复杂度很高,我们加入了平均脸模板匹配步骤以优化搜索区域,提高了检测速度.并跟传统的神经网络分类算法进行了比较.跟传统算法相比,本文算法具有良好的准确性和鲁棒性,对于复杂背景下的多人脸检测问题表现出良好的应用效果.3.在人脸检测算法中我们引入了肤色信息的先验知识对图像进行预处理和区域分割.由于人脸模式具有复杂而细致的变化,因此一般需要采用多种模式特征综合的方法.归纳起来,根据利用特征的色彩属性可以将人脸检测方法分为基于灰度特征的方法和基于肤色特征的方法两类.前者利用了人脸区别于其它物体的更为本质的特征,是人脸检测领域研究的重点.后者适用于构造快速的人脸检测和人脸跟踪算法.事实上图像中人脸可能出现的地方一般占较少的区域,当待检测图像是彩色图像时,我们在人脸检测算法中引入了肤色信息的先验知识对图像进行预处理和区域分割,其目的是希望通过在图像中进行是否是肤色的预先判断,选择出比较有可能是人脸的区域作为备选,以达到减小搜索空间、提高人脸检测算法的时间效率、降低误报率的作用.再结合基于支持向量机的方法进行进一步的检测.这样可以使两种方法的优势得以结合,在利用基于统计方法的准确性和鲁棒性的同时,减少了需要检测的区域,降低了计算代价,使整个检测系统的性能得以提高.