人脸检测是计算机视觉与模式识别领域非常活跃的研究课题,在视频监控、人机交互、图像检索、视频会议、身份验证、虚拟现实等很多方面都有着广泛的应用。随着智能计算技术发展的日新月异,新方法、新技术的不断引入,给人脸检测研究注入了更多活力。本文在综合分析以往的人脸检测算法的基础上,提出了基于AdaBoost和多重决策树的多姿态人脸检测方法,主要内容如下:(1)根据多姿态人脸的旋转角度不同,在对训练样本角度空间自动划分的基础上,提出了基于多重决策树的多姿态人脸检测方法。该方法引入数据挖掘中的FCM算法对多姿态样本进行自动空间划分,解决了对多姿态人脸样本的角度认定中不确定的问题。在保证检测率的情况下,用算法最优化原则控制样本空间的分裂,通过FCM聚类算法和算法复杂度分裂原则运算得到最优分类。该方法在不降低检测速度的前提下,得到的检测树具有更强的鉴别性能。(2)深入研究ADABOOST算法、类Haar特征计算,级联分类器、检测结果处理等问题,针对对人脸区域重复检测的问题提出自适应步长的输入图像遍历方法。该方法使用倒金字塔结构对图像进行遍历,并利用图像的镜像图控制检测窗口的滑动,充分利用了级联分类器正检测率高的特点,避免了不必要的冗余计算,并省略了检测中的后处理环节,缩短了检测时间,提高了检测效率。(3)利用视频中人脸的运动特征,在现有的目标跟踪算法的基础上,提出自动跟踪人脸检测结果的方法。该方法避免对视频中的每一帧都进行检测运算,节省计算时间,提高算法实时性能,并根据视频中人脸的变化特征进行跟踪监测,在判断跟踪失效后,自动重新检测人脸。(4)为了验证本文提出的改进算法的有效性和可行性,本文将其在多个数据集上进行了检测实验。实验结果表明:本文的检测方法较好地解决现有的Adaboost人脸检测系统在对多姿态人脸检测失效的问题。在检测准确率方面,对于各种无遮挡的多姿态人脸图像,本文的检测系统不管是人脸的检测率还是非人脸的误判率,都优于现有的检测系统。