随着生物特征识别技术的兴起,人脸检测与识别技术已经成为应用数学与模式识别领域的重要研究课题。人脸检测是一个复杂的模式分类问题,是进行人脸识别的第一步,人脸检测部分的好坏直接影响到整个识别系统的性能。人脸检测还在视频监控、基于内容的图像检索、人脸表情识别系统等方面有着广泛的应用。由于受到人脸模式复杂、人脸表情、姿态、光照、采集条件等因素的影响,建立一个实时的、检测率高的人脸检测分类器是一个具有很大挑战的热门问题。本文的研究目标是构建一个实用的、可以嵌入到人脸识别系统中的人脸检测分类器。本文所做的研究工作如下：(1)研究了在5种颜色空间进行肤色检测的方法,提出了一种新的肤色检测方法。在肤色样本库进行了肤色检测方法的对比实验,证明本文提出的肤色检测方法具有较高的检测率和较低的误检率。将肤色检测方法成功应用到基于视频的实时人脸检测中,提高了检测速度。(2)深入研究了基于Haar特征和AdaBoost算法的人脸检测方法,分析了单阈值弱分类器和双阈值弱分类器分类能力的差异,通过实验证明双阈值弱分类器的分类能力强于单阈值弱分类器。(3)改进了传统AdaBoost算法的训练方法,大大提高了训练人脸检测分类器的训练速度。在检测阶段加入窗口预判断机制,提高了检测速度。训练的可见光人脸检测器在中科院可见光人脸数据库上检测率达到98.64%。训练的近红外人脸检测器在中科院近红外人脸数据库上检测率达到99.23%。本文所开发的人脸检测模块已经成功应用到东北大学应用数学实验室开发的人脸识别系统中,检测效果良好,性能稳定。