人脸检测技术是生物特征检测的一个重要方面,以其非接触式采集和无侵犯性的优点,拥有广泛的应用前景,它的主流算法是AdaBoost算法。本文重点研究了AdaBoost算法,为了提高检测速度和弱光照下的准确率,对其作出了三点改进,主要内容如下:第一,在YCrCb空间用肤色检测对图像预处理来缩短AdaBoost算法检测范围,提高检测速度。由于在YCrCb空间中,能够通过CrCb值比较好的区分出肤色区域,所以在YCrCb空间中进行肤色检测。在检测之前,需要先对肤色的Cr和Cb值统计,以确定它们的分布范围。在肤色检测时,对转换到YCrCb空间中的图片象素点进行CrCb值检测,分割出肤色区域,再用AdaBoost算法检测人脸,这样就提高了检测速度。但是仿真结果表明,在处理弱光线图片时则出现了严重的问题:肤色区域被误检甚至漏检。第二,针对肤色检测在弱光照条件下漏检的现象,用HE-lgDCT方法对弱光照图片进行光照补偿。在读入图片后先求图片Y(光照)分量分布范围,如果Y分量很大部分集中在低频区域,则对图片进行光照补偿:对灰度图片用HE(直方图均衡化)补偿光照,对彩色图片用lgDCT(对数域DCT变换)。虽然光照补偿增加了处理时间,但是保证了弱光线条件下检测的准确率,降低了误检率和漏检率,提高了检测性能。第三,用Gabor特征代替Harr-like特征以达到更好的人脸表达能力,然后用PCA方法对人脸Gabor特征降维,以达到更高的检测速度。相比于其它特征,Gabor特征对人脸图像具有很强的刻画细节与局部结构的能力。由于Gabor特征数量过于庞大,需要用PCA对其降维。PCA不仅使得降维后的Gabor特征均方误差最小,而且使得Gabor特征在变换后的低维空间有很好的人脸表达能力。用PCA方法对Gabor特征进行降维后,选出了14维具有高贡献率的特征,并将其训练为弱分类器,通过AdaBoost算法组合为强分类器。最后,搭建了人脸检测系统,并将上述三点改进应用到该系统中,测试结果表明该人脸检测系统提高了39%的检测速度,弱光照下检测率提高了23%,并且该系统能满足实时检测要求,摄像头正面人脸检测跟踪达到20帧/s,正面及侧面人脸检测跟踪达到17帧/s,并能检测出较大角度旋转的人脸。