人脸检测成为近年的研究热点，这主要来源于两大动力：学术价值和商业价值。这一重要课题的突破性进展将给人脸识别、表情姿态的识别、视频监控等相关领域的研究带来很大的推动作用，从而促进计算机视觉、模式识别等计算机科学分支甚至整个计算机科学的发展。 目前对人脸检测的研究已经相当深入，值得一提的是，在脸部特征的选取上，目前为止，国内外的大量研究都集于五官中的“眼、鼻、嘴”的特征，而对眉毛的研究甚少。事实上，人类的眉毛具有足够好的稳定性、抗干扰性和多样性，而不会像眼睛和嘴巴那样受表情的变化而产生大幅的形变，因而可以作为一种独立的、良好的生物特征用于人脸检测。 本文重点研究了彩色图像由眉毛检测实现人脸检测的算法。眉毛检测是人脸检测、识别的关键，其位置的确定可大致估计出人脸的尺度及方向。本文的眉毛候选区域的验证建立在眉毛定位的基础上。眉毛的验证使用了仿生模式识别方法，在此基础上被拒识的样本进一步采用模糊模式识别进行判别。具体来说，本文的工作重点分为以下几个方面： 第一，依据眉毛处在人脸之中的条件，即眉毛由肤色围绕，为了减少搜索范围，对原图像进行肤色分割。提出了一种最优阐值分割方法分割肤色相似度图。较之固定阈值法，该方法较好地保留了肤色区域。对分割后的肤色区域，采用形态学滤波和欧拉数等原理进一步排除非人脸的肤色区域。 第二，提出用眉毛检测来实现人脸检测的思路并作了探索性的研究。通过一个眉毛在人脸识别中所能起到的作用的评估性的实验，证明了眉毛在人脸识别中的地位不亚于眼睛等面部特征，这为本文工作的开展奠定了实验基础。为减少仿生模式识别验证次数，本文的眉毛初步定位算法利用眉毛的亮度及灰度投影等信息大致确定眉毛的区域。对于误检的区域，根据眉毛的几何规则排除之，如眉毛连线与水平线的夹角、检测区域外接矩形的宽与双眉中心连线之比等。 第三，直接用人脸的全部数据进行训练的话，由于空间维数较高，训练时间长，检测耗时。本文先采集眉毛图像，并进行归一化，再提取矩不变量构成特征向量来进行训练。 实际检测时，对算法检测出的眉毛区域进行尺度归一化再计算20阶Legendre矩，组成特征向量进行判别。这样相对于用整个人脸区域可大大缩短检测时耗。 第四，对眉毛训练样本进行仿生模式建模，对待识别眉毛候选区域进行仿生模式判别。对该轮判决后遭拒识的样本进一步采用模糊模式识别方法，构造适当的隶属函数，通过实验确定判决阈值，从而实现对待识别眉毛的最终判定。 从实验结果中可以看出，本文所采用的方法是较有效的，具有一定的理论和实用价值。