随着社会进步和科技发展,机器劳动将在一定程度上取代人类劳动,这就要求机器具备能够像人类的感觉器官一样感知外界的能力。计算机如果能够将这些“客观事物的个别属性”记录并分辨清楚,那么,就可以实现类似感觉的功能。其中,计算机视觉在科学家们的不断努力下取得了相当大的发展。而人脸检测是计算机视觉、模式识别等领域的重要组成部分,也是人脸识别的第一个环节,其在安全监控等方面的作用不可替代。

人脸检测[1]是指对于给定的图像对其进行查找,判断图中有没有人脸存在,倘若检测到了人脸,那么就返回该脸的位置、大小和姿态。人脸相较于别的生物特征而言,更加的形象、具体、直观。因此人脸检测、识别等技术在越来越多的领域得以运用。例如：

·智能监控：用于机场、火车站等交通部门,银行、大型商场、政府涉密机关、国家情报部门等机构,监控可疑人物行踪和可疑事件过程。

·感知接口：模拟人眼功能,代替传统的键盘、鼠标输入和文件读取,使得机器能够更加容易地进行交流。

·虚拟现实：游戏中人物形象模型、行为、关节、运动机制的建立；视频会议、虚拟聊天室等虚拟现实情境。

·视频搜索：随着媒体技术的成熟与发展,视频内容占网络内容的比重越来越高,基于人脸的搜索比基于文本的搜索更加的直观、便捷。

·电子商务：随着例如支付宝、微信支付等电子快捷支付应用的迅速发展,电子商务领域急需高效的自动身份认证技术,人脸识别技术加上密码保护技术可以保证电子商务的安全性。

1.2  人脸检测的发展和现状

1.3  现有算法

1.3.1  基于先验知识的人脸检测

     这是一种在实际使用过程中基于先验知识的算法。其对有关人脸的一些知识进行编码。比如一个人脸通常具有一些通用规则,这些检测规则包括：人有两个对称的眼睛、两个对称的耳朵、一个鼻子、一个嘴巴,这些人体器官之间的位置、相对距离等。这些规则可以运用来进行检测，判断图片中是否含有人脸。这种方法实现比较困难。如果规则比较完善,则可能由于光线、噪声和遮挡等不利因素的影响检测不出完全符合这些规则的人脸。如果规则过于简单,则可能造成非人脸区域误检。[2][3]

1.3.2  基于肤色的人脸检测

一幅彩色图像, 肤色是人脸的一个最为显著的特征。并且面部肤色在彩色空间里的分布相对而言比较集中。该算法将肤色在颜色空间中聚类成单独的一类以用于人脸和背景的分割。可以使用的颜色空间有：RGB、HSV、HSI、GLHS等。该算法实现手段简单,但受光照、摄像头色偏、背景颜色等因素影响较大。

1.3.3  基于特征的人脸检测

    人脸具有一些对不同姿势而言具有鲁棒性的特征。基于对这些特征的提取,创建可以描述特征之间关系的统计模型,用以验证人脸的存在[6][8][13] 。特征检测法是把人脸的图像特征空间看做众多的一维向量,并且把它们再次变换到相对简单的特征空间。对于给定的图像,我们计算其特征值和特征向量,判定是否为人脸。最常见的特征就是本文所提到的Haar-like特征。该算法适应性能好,是一种常见的检测算法。

1.3.4  基于模板匹配的人脸检测

    模板匹配[5]的方法是根据计算出的标准人脸模板和输入图片的相关性,来判断图片中是否含有人脸。在这些方法当中,不同姿态的人脸图样被存储在模板库中,这些标准模板和输入图片的相关性被当做了检测标准。对于给定的输入图像,我们分别计算面部轮廓、鼻子、眼睛、嘴等部位与标准模板之间的相关性。目前,已经提出了多尺度、多分辨率和可变形的模板[12][14][15]。 AdaBoost算法基于DSP的嵌入式人脸检测(2):http://www.youerw.com/zidonghua/lunwen_43526.html