人脸检测作为远程视频会议、人脸视频监控和手机智能支付等领域的基础和前提，所以人脸检测技术有研究的必要性。目前，单一人脸检测算法不能同时解决多姿态、光照条件和复杂背景等因素对静态图像检测效果的影响，本文针对上述问题，把肤色聚类和改进后AdaBoost算法进行结合，并通过实验验证了该方法的有效性。本文的主要研究内容为：
　　基于肤色聚类的人脸检测。本文选用肤色聚类分割作为人脸检测的预处理步骤，具体的步骤为：首先对待处理静态图像是否需要光照补偿，把图像由RGB色彩空间转换为肤色聚类性好的YCbCr色彩空间，建立高斯模型得到肤色似然图并对图像进行二值化，随后采用形态学处理图像的噪点和空洞，最后进行肤色填充后的图像为AdaBoost算法检测人脸的候选区域。
　　基于AdaBoost算法的人脸检测。针对传统Haar-like特征数数量多和针对偏转的人脸存在漏检问题，本文根据偏转人脸特征设计了改进的Haar-like，通过实验对比改进前后同一强分类器层数对应的特征数，改进后的分离区域Haar-like有效减少了特征数的数量，通过实验验证，改进后的Haar-like能提高弱分类器检测精度，同时有效提高了偏转人脸的检测率。
　　设计人脸检测系统。本文把肤色聚类和改进后AdaBoost算法结合后组成了人脸检测系统。主要流程为肤色聚类分割得到人脸的候选区域由级联分类器进行人脸检测。通过实验验证，本文设计的人脸检测系统对比肤色聚类和AdaBoost算法的人脸检测，提高了检测率同时降低了误检率。