人脸检测由于它的学术价值和应用范围,越来越受到人们的关注。其中自适应自举学习算法(AdaBoost)将人脸检测带入了实用领域。人脸检测的任务是从静态图像或视频中定位人脸的位置。深入研究了灰度图像复杂背景下的平面内多视角的人脸检测以及人脸跟踪技术,具体工作如下:改进了AdaBoost的训练算法。该算法改原分类器的单阈值为双阈值,且对样本的一次遍历便可完成一个弱分类器的训练,降低训练耗时。对其可行性给出了数学证明。提出了一种改进的AdaBoost权值更新算法,该算法较原算法加入了评价其整体分类性能参数,以缓解的过拟合特性。对于改进后算法在训练集上的错误率上限给出了数学证明。对Haar型特征进行了扩展,采用45°积分图像并放宽了特征的计算条件以发掘具有更好分类性能的特征,从而保证多视角人脸检测的需要。提出了层级决策树分类器以满足检测多视角人脸需要。出于不同层次的子分类器对其性能有不同的要求,在训练时,对于不同样本赋予不同的分类错误代价,并参考错误代价,改进AdaBoost的权值更新算法,使其满足不同分类器性能要求。在人脸跟踪方面,改进了Mean-shift算法的采样方法,加入了灰度几何特征,使算法在复杂背景下的人脸跟踪更具鲁棒性。数学证明了加入核带宽后的自适应检测窗口大小的Mean-shift算法的收敛性。