人脸检测是使用某种策略在图像中搜索是否包含人脸,一旦包含就给出脸部的位置、姿态等信息。人脸检测源自人脸识别,近年来随着智能监控和安全认证等实际要求,许多的学者开始对人脸检测展开重点的研究。本文针对复杂光照下人脸检测的问题,首先对待检测图片进行光照预处理,以消除光照对图片的影响,然后本文将肤色分割和Adaboost算法结合起来用于人脸检测。其中,针对光照预处理问题,本文改进了Retinex算法并将其应用到光照预处理当中,有效的改善了光照对图片的影响;针对人脸检测问题,考虑到Adaboost在实际人脸检测应用当中的不足,将代价敏感因素引入到Adaboost算法的优化当中。实验数据显示,文章研究的人脸检测系统具有优良的检测效果。本文具体的研究内容总结如下:1、本文在Retinex算法的理论之上,研究了几种基于Retinex算法的光照预处理方法,并针对目前Retinex光照预处理方法的不足进行了改进,更好的解决了光照因素对图片效果的影响。2、研究了利用肤色检测的人脸预筛选策略,文章通过分析对比肤色在几种色彩空间中的聚集特性,设计了在YCbCr色彩空间建立数学模型的分割方法,并根据形态学处理和先验知识得到最终的候选人脸区域。3、系统的研究了利用Adaboost算法进行人脸检测的方法。细致的讲解了算法的流程、Haar矩形特征以及积分图;深入的学习了Adaboost算法对强弱分类器的训练过程、分类器的级联结构以及多尺度检测的机制。然后针对Adaboost在实际人脸检测应用当中的不足,将代价敏感因素引入到算法的改进当中,通过代价敏感因子来刻画算法对不同训练样本的重视程度,从而突出分类器对人脸的检测性能。最后本文在实验的情况下研究了不同大小的代价敏感因子对分类器性能的影响,并根据实验的结果设计了本文所使用的级联人脸检测器。4、分析总结了肤色分割与Adaboost算法各自的优点和不足之处,然后融合两者的优点用于本文的人脸检测研究。首先利用肤色分割准确度高、速度快的特点,排除掉一些复杂的外部区域,然后再利用Adaboost算法进行精确定位。实验结果表明这种方法能有效的提升检测率并减少误检率,能很好的提升系统的检测性能。