本文以静态图像为研究背景,融合人体的肤色特征和Adaboost算法级联分类思想设计了人脸检测系统。因人脸的非刚体结构、现阶段的研究现状及图像采集的外部环境的影响,使得人脸检测技术的发展不是很成熟,处于上升期。人脸检测作为模式识别和计算机视觉领域中的重要研究方向之一,在图像与视频检索、信息安全、人脸识别与检测、视频监控等领域有着重要的应用价值。本文详细论述了Adaboost算法实现人脸检测的检测原理及其检测过程,整个检测过程主要包括图像中矩形特征的提取,矩形特征值的计算,积分图的引用机制,弱分类器的训练过程,强分类器的提升方法,以及级联分类器的设计机制。单纯使用Adaboost算法检测人脸,存在着很高漏检率,另外Adaboost算法中样本权值自适应调整会导致非人脸样本权值过大学习过度现象。针对问题一,采用融合人脸肤色特征的方法减小分类器检测区域,将检测的重点缩小到人体的肤色区域。肤色区域的提取又涉及到图像处理中的知识,因为人体的肤色灰度值在空间的分布比较集中,可以使用颜色空间建立肤色模型,对图像灰度变换,利用阈值法将图像中的肤色像素点和背景区域像素点二值化,形成一个黑白分明的图像。对处理后的二值图进行边缘锐化噪点过滤。就此得到一幅人体目标区域与背景区域相分离的图像。针对问题二,解决的方法是对非人脸样本,设定一个阈值,当样本权值在这个阈值之内,则可以增加此样本的权值,若不在这个阈值范围之类,则相应的减小权值,可以有效的解决分类器对分类错误的样本过度学习的情况。人脸检测研究领域,最大的问题是人脸检测精度和检测的速度没有达到人们的预想的期望,未来的人脸检测研究重点主要针对以下几种情况：人脸检测系统不再是单纯的使用某一种检测方法,其发展方向必将是融合两种或者多种人脸检测思想,通过相互间的融合改进系统的检测精度及速度。最后,进行检测的对象必将更加复杂,不再是静态的或者是单人脸检测,或者是复杂背景下的人脸检测,或者是动态视频中的人脸检测。