复杂场景下的人脸分析和理解是计算机视觉与模式识别领域的一个重要研究问题,在视频人物检索、智能视频监控、人机交互和智能安防等领域有广泛的应用前景和巨大的市场需求。人脸检测是人脸分析的核心技术和应用基础,然而由于视角、形变、光照和遮挡等外部因素,使得人脸检测成为一个极具挑战性的研究课题。本文针对真实场景中的人脸视角变化问题,着重研究基于多通道图特征的多视角人脸检测算法,该方法可以有效抑制图像背景中噪声信息,提高人脸检测精度和速度。本文的主要工作如下:(1)针对复杂环境下的人脸受外界多种复杂因素影响,导致聚合通道特征检测率不高的问题,提出一种判别权重池化特征用于多视角人脸检测。该方法以多通道图特征为基础,引入了具有强判别性的中间层矩形滤波器,从而提高了特征的判别能力。该滤波器基于平均人脸形状统计信息,并利用线性判别分析及其改进的不平衡嵌入算法学习正负训练样本的分布信息。在FDDB数据库上通过与原始多通道特征和一些主流算法的对比,验证了本文方法的有效性。(2)针对传统HAAR特征检测率不高,以及正负训练样本分布的不平衡问题,提出一种基于多通道图的判别投影HAAR特征(PHF)的多视角人脸检测算法。该方法首先计算人脸训练样本的底层多通道图,其次基于正负训练样本利用线性判别投影学习增强型HAAR特征对底层ACF特征图进行滤波,并利用非对称AdaBoost算法选出具有强判别性的PHF特征,有效的抑制了正负样本空间的不平衡问题。实验结果表明,本文方法和当前已有主流方法相比,有更高的检测精度和更快的检测速度。(3)针对不同人脸视角下部分脸部局部结构相对稳定的特点,提出一种基于人脸局部模块字典的多视角人脸检测算法。该方法首先把人脸局部结构用方向梯度直方图(HOG)特征来表示,然后通过聚类算法得到具有相似语义类别的显著脸部局部模块,再用支持向量机分别训练不同的人脸局部模块的多个分类器。在检测阶段用霍夫投票处理各模块分类器的检测结果,得出人脸位置。实验结果表明,该方法可以有效提高检测率。