人脸检测是近二十年来研究较热的领域,其功能是检测图像中的所有人脸。它是任何人脸处理系统的第一步。另外,它本身有着广泛而重要的应用,包括基于内容的图像检索、安全认证、视频监控等。目前,多数的人脸检测算法是通过将图像窗口在输入图像上滑动,然后用人脸分类器对其进行分类来实现的。由于人脸分类器构造的复杂性和穷尽的搜索策略,很多人脸检测算法的检测速度较慢。本文为解决这个问题展开了研究。为了提高检测速度,本文将感知器引入人脸检测算法。感知器是一种线性判别函数,尽管表达能力有限,但形式简单,尤其对线性可分或近似线性可分的数据来说,其优越性是其它分类器所不能比的。本文提出了一种新的感知器训练算法,并用级联感知器来提高人脸检测速度。本文的研究工作主要包括以下三个方面:1.提出一种基于最大化分类间隔思想的感知器训练算法(MM)。首先,在理论上,与其它感知器训练算法做了比较,然后,通过与其它训练算法的实验对比对MM算法做了以下几个方面的分析:1)分类间隔相对学习周期的变化情况,并分析了训练数据的分类间隔与其本身的可判别性的关系;2)在多个线性不可分训练集上,分析MM算法训练的感知器在其上的分类错误率;3)在复杂数据集上,分析了MM算法在训练感知器过程中,分类错误率相对学习周期的变化情况;4)在讨论上述三个方面的同时,对MM算法的训练速度也做了分析和比较。2.提出级联感知器(cascaded perceptrons),并作为为人脸检测的过滤器。感知器运算速度很快,级联感知器有较强的分类能力,因此,级联感知器作为过滤器,能够将那些不像人脸的非人脸既快又多地过滤掉,提高整体的检测速度。这样使得很多检测准确度高,但计算很慢的人脸检测算法得到提速而变的实用化。同时,并为以级联感知器为过滤器的人脸检测器设计了训练算法。3.本文将级联感知器与BDF(Bayesian Discriminating Features)人脸检测器结合,并通过实验分析级联感知器的作用和性能。实验表明,跟其它感知器训练算法相比,MM算法在分类间隔的性质、分类错误率、训练速度等方面具有较好的性能,也基于此,本文用MM算法训练感知器。另外,人脸检测算法在将级联感知器作为过滤器后,能在保证检测率和假阳性个数两个指标不减的前提下提高检测速度。