近几年来,模式识别受到了许多人的关注,尤其是人脸检测,人脸检测是对象检测中的一个大类,作为人脸识别中的重要步骤,也是人机交互的重要部分之一,在各个领域都有广泛应用,如街道监控、门禁等。考虑到非限制场景下光照变化、姿态表情、人脸偏转、遮挡等情况,如何从一张图像中精准地检测出人脸成为当今研究的一大热点。本论文的研究方向是非限制场景下的人脸检测算法,主要从传统Ada Boost算法和卷积神经网络两个方面进行研究,以下是本文的主要研究内容:在一些比较复杂的场景下,比如人脸姿态表情较多、光线干扰、背景复杂等,只通过Ada Boost算法进行人脸检测可能存在漏检。肤色信息的聚类性较好,通过肤色分割可以排除大量十分复杂的背景,所以提出了一种将肤色分割与Ada Boost算法结合的人脸检测算法。首先,提出了一种全新的融合HSV-YCb Cr色彩空间,在此色彩空间上做肤色检测,采用形态学处理生成最后属于肤色的候选区域,筛掉大量不属于人脸的区域。接着,在原有Haar-like特征的基础上做扩充,再利用Ada Boost算法在上一步得到的肤色候选区域中检测人脸区域。实验表明,把肤色分割与Ada Boost算法联合起来进行检测人脸,可以从一定程度上降低人脸检测在复杂场景下受到的影响,与其他方法相比提高了人脸检测的性能。另外,针对传统方法在非限制的场景下对人脸检测存在一定的局限性,如人脸偏转角度过大,背景十分复杂等等,检测效果往往不太理想,而深度学习中这些局限性较少,单级神经网络需要深层复杂的结构来保证系统的性能,而级联结构往往比较简单并且保证效率,所以设计了一个全新的两阶段卷积神经网络对人脸进行检测。对图像做预处理后,将图像转为图像金字塔形式之后输入到神经网络中,网络的第一阶段旨在搜索人脸窗口及其边界框的回归向量。第二阶段采用Soft-NMS合并了被高度覆盖的人脸候选区域。在AFW和FDDB数据集上与其他算法进行对比证实了算法的有效性。