人脸检测最初来源于人脸识别，是指对于任意一幅彩色图像，判断其是否存在人脸，若存在则标记出人脸在图像中的位置及其面部的主要特征，并确定人脸的个数。近些年来该研究方向在模式识别与计算机视觉领域中，已经成为一个受到普遍重视的方向，其应用背景远远超过了人脸识别系统的范畴，已经被广泛应用于身份识别、自动监控、人机交互等方面。　　本课题采用基于肤色模型和基于支持向量机相结合的方法(以下简称为多层支持向量机人脸检测算法)实现人脸检测。具体方案如下：　　首先，本文利用了面部的固有特征从众多的肤色区域中分离出候选人脸区域，具体实现方法为：首先根据自适应光照补偿思想对带有复杂背景的图像进行消噪处理，其次将图像从RGB色彩空间转换到YCbCr色彩空间，在该色彩空间里利用高斯肤色模型将具有复杂背景的图像进行分割，得到相对应的肤色似然图，然后采用最佳阈值分割方法初步分离出肤色区域，最后利用面部的显式特征从这些肤色区域中得出候选人脸区域。　　其次，本文在肤色模型检测的基础上提出了多层支持向量机思想实现了人脸区域的快速高精度检测，即粗检测和细检测相结合的方法。该过程中的粗检测过滤掉了候选人脸区域中不可能是人脸的候选项，然后细检测进一步检测经过粗检测后保留下来的候选项。具体实现方法为：首先，构建粗分类器的过程将采用线性核函数的支持向量机与主成分分析方法做对比，而试验结果表明线性支持向量机得出的粗分类器要比PCA方法得出的粗分类器效果好，因此本文选用线性支持向量机作为粗分类器；而细分类器的构建选用高斯径向基核函数。二者相辅相成，共同完成复杂背景下的人脸检测。另外，在构建SVM分类器的过程中，由于支持向量机的参数C和G对学习结果的影响较为显著，所以本文采用了遗传算法来优化参数C和G。　　本文使用自行从网上下载的彩色图像作为试验数据。试验结果显示，文本提出的算法检测精度可达95.7％，与其他方法相比具有检测精度高的特点；此外，在检测速度方面，由于采用了多层支持向量机检测方法，实现了快速检测，与单一SVM检测相比，速度提高了20%。我们相信多层支持向量机方法可以在多种实际的二分类或多分类问题上得到广泛的应用并得到较好的效果。