人脸检测是当前人工智能和模式识别研究中的一个热点，它可以将人脸信息有效地应用于视频监控、身份验证、档案管理、可视化通讯、多媒体数据库检索以及网络传输中的基于内容的压缩与检索等很多领域，同时也可以作为一个很友好的交互接口。目前，人脸检测已有上千种检测算法，应用比较广泛的是基于统计理论的人脸检测方法。其中，Paul Viola等人提出的基于积分图像和AdaBoost算法的检测方法在正确率和检测速度上都有很好的表现。　　 针对Paul Viola提出的人脸检测方法进行了研究，对其Haar特征对检测率和误检率的影响、训练耗时以及选取样本做了深入研究及改进。　　 第一，在实际生活中，由于人的个体差异，存在眉毛与眼睛很相似的个体。因此，为了能够有效地避免眼睛和眉毛混淆，提出了一种扩展的Haar特征，同时针对不同姿态的个体，训练了基于不同视角的人眼检测器，然后利用人眼定位，根据人脸几何结构准确检测出人脸。实验证明，扩展的Haar特征能更好地适应目标模式的灰度变化，同时多视角人眼检测器能更准确地检测到人眼与眉毛相似且不同姿态的个体人脸。　　 第二，为了排除人脸图像训练集的局部特征，缩小提取脸部范围特征至人眼；同时，针对Adaboost算法训练非常耗时且对机器的硬件要求非常苛刻这一不足，选取与人眼样本相近的非人眼样本，有效地减少训练后期更新负样本的时间，并训练为不同视角的人眼检测器，然后进行人眼定位，最后快速检测出人脸。实验证明，该检测器能够解决训练集的普适性以及大大减少样本训练时间。　　 第三，通过计算被检测点的最小距离对，然后利用对称相似性判断是否为真正的人眼对。实验证明，该方法能有效地实现人眼定位，且简单、实用。　　 以上改进都是基于人眼对可见的情况下实现多视角的人脸检测，对于人眼局部可见的人脸尚无法实现有效检测，有待进一步研究。