5.鲁棒性:在各种条件下，检测系统的适应能力。即系统对检测环境的限制条件越少鲁棒性越好。
综上，高鲁棒性、高检测率、低漏检率和低误检率的快速人脸检测系统是人脸检测领域追求的目标。但实际上这些参数往往难以同时达到最优。速度的提高常常是以牺牲其他几个参数为代价的，而其他几个参数的改善又往往会增加系统的复杂性，从而降低了检测速度。另外，检测率的提高往往会导致误检率的增加，而误检率的减少又会致使检测率随之降低。因为要保证人脸不被漏检，势必要降低检测系统的限制条件，就会使很多的非人脸窗口因为和人脸具有一定的相似性，而被误检为人脸，反之，如果检测系统对于被测窗口的限制过于苛刻，误检率的确会降低，同时大量人脸窗口也会被漏检。所以无论哪种检测算法都力求在这些参数间取得一个暨南大学硕士学位论文复杂背景下的正面人脸检测折衷的效果。在一定程度上说，由于检测方法应用背景的不同，有时很难比较各个检测算法的优劣。
1.4人脸检测研究现状
人脸检测是计算机视觉和模式识别领域中的经典和热点问题。有关人脸检测技术的研究可以追溯到20世纪70年代，人脸检测早期的研究主要是模板匹配，变形模板匹配和子空间方法。当时的算法只适用于背景无变化和严格正面的人脸检测，再加上硬件条件的制约，检测效率和速度都很差I’]。所以人脸检测一直没有受到社会的重视，而很少研究，直到20世纪90年代，随着计算机技术的发展和视频编码技术的出现，人脸检测技术才.开始成为研究热点，各种算法层出不穷。从那时开始，基于数据驱动的检测算法以其高检测性能和巨大的发展潜力而逐渐成为研究者的研究重点，如神经网络学习方法[2，3，4]，统计模型方法l5]，svM方法161，基于彩色统计模型的方法171，基于H~like特征的级联式分类器算法[8，9]等。
目前，对于人脸检测问题，国内外的研究机构很多。国外的有MIT，CMU等;国内的有清华大学、北京工业大学、中国科学院计算机技术研究所和中国科学院自动化研究所等。同时，随着人脸检测研究的深入，国际上发表的有关论文数量也大幅度增长，如IEEE的 FG(IEEEIniernationalConferenceonAutomaticFaeeandGestureRecognition)、 ICCV(IniernationalConfereneeonComPuterVision)、ICIP(Iniematinnal ConferenceonImageProeessing)、 CVPR(ConferenceonComPuterVisionandPatternReeognition)等重要国际会议上每年都有大量关于人脸检测的论文，占有关人脸研究论文的近l/3之多[’o]。然而，实际情况并不乐观，现有的大多数算法是在应用背景不太复杂、人脸姿态固定的情况下表现出来较好的效果，对于复杂背景和人脸姿态未知情况下的人脸检测，现阶段很难取得重大突破，而且在检测速度和精度上很难达到两全的效果。因此，研究特定应用背景和约束条件下的人脸检测仍将是今后该领域研究的主题。对于目前出现的众多的人脸检测算法(不会少15011”])，按照不同的分类角度，有多种的分类方法[川。本文根据人脸检测算法在图像的处理方式和判定方法上的不同，将人脸检测算法划分为两大类:
.基于图像的方法:首先在一定数量的训练样本的基础上训练分类器，然后利用暨南大学硕士学位论文复杂背景下的正面人脸检测滑动窗口扫描图像，用分类器对扫描到的每个窗口内的对象进行检测分类。基于特征的方法:利用人的面部特征(如:肤色、眼睛、鼻子、嘴巴等)，或各个器官间的相对位置等来判断被测对象和跟人脸的相似程度。
.4.1基于图像的人脸检测方法
基于图像的方法不需要模板和先验知识，已经成为当前较为实用和广为提倡的算法。它的核心思想是采用恰当的特征表示法来表示人脸，然后利用统计学知识和机器学习算法在大量正负人脸样本基础上对系统进行训练，最终得出人脸和非人脸的统计学规律，从而构造出可用于人脸检测的分类器。在检测过程中，利用一个滑动的窗口来对整幅图像进行多次遍历，窗口每滑过一个位置，就把窗口内的图像部分，作为一个人脸候选区送入分类器，根据分类器返回的结果来判断该窗口是否是人脸区域。本征脸方法I’2，’31，神经网络方法12，3，4l，svM方法16]，sNow方法I，41，基于Haar-l议e的级联式分类器算法[8，9，‘5，‘“]，Fishe:线性判别式方法[，7}(FLn)，隐马尔可夫模型法t’“，’9，20，2’]等都属于这类检测方法。
:4基于特征的人脸检测方法
基于图像的人脸检测方法是基于学习的方法，它通过对正负样本集的学习而得到一个人脸统计模型，但它不能直接反映了某个特定人脸的外在特征。基于特征的方法主要是基于这样的一个视觉事实:人类和某些动物能够很快将在各种复杂环境下的人脸和其他事物区分出来，主要是因为人脸或者人脸的部件具有某些不变的固有特征。于是有许多研究者就提出了根据面部特征(如肤色、眼睛、头发、嘴巴、面部器官的几何特性和几何关系)来检测人脸的方法，此类方法大多数是先利用肤色信息得到候选区域。Y泣19和N.Ahuja利用肤色的聚类性122】，结合人脸区域增长和分割算法将人脸候选区域从彩色图像中分离出来，再根据候选区域内部的肤色象素比例是否大于70%来判断该区域是否属于人脸;Saber和TekalP将肤色候选区域进行椭圆拟合，二者的拟合程度来判断是否为人脸123]。文献〔241通过分析肤色区域内是否有不同于肤色的人脸特征的存在来判定人脸的存在与否。文献「25]通过分析面部器官的几何关系来检测人脸。
.4.3有关复杂背景下正面非直立人脸的研究暨南大学硕士学位论文复杂背景下的正面人脸检测第一个可靠的非直立正面人脸检测算法是Rowley等[4]于 1998年提出来的，他们训练了两个神经网络分类器，一个用于姿态估计，一个用于人脸检测。检测过程分为三个步骤:首先利用姿态估计神经网络对人脸偏转角度的进行估计，然后根据姿态估计的结果对被检窗口进行反旋转，使得窗口中的人脸成为直立的人脸，再将窗口输入到人脸检测神经网络来确认窗口是否为人脸，检测时假定非人脸窗口的旋转角度是任意的。受Rowley等提出的算法的启发，Vi01a等在2003年的计算机视觉和模式识别会议上发表文章[26]，将他们自己在2001年提出的人脸检测算法19，91提出了改进，用Haa了.like特征分别训练了一个姿态估计决策树和12个人脸检器。Voila等在文献[8，9]中提出的级联分类器法可以检测到偏转角度在士15。的人脸，在文献[2习中他们训练了3个分类器:O度级联分类器(可以检偏转角度在一15“到巧”的人脸)，30度的级联分类器(可以检测偏转角度在15“到45。的人脸)，60度的分级联分类器(可以检测偏转角度在45。到75“的人脸)。因为这些级联分类器可以进行90“的旋转，所以再将上面训练得到的3个级联分类器分别进行90”、180“、270“旋转就可以得到平面内覆盖360“范围的12个级联分类器。这种算法的缺点是:仅仅是单个级联分类器的训练就是一件十分耗时的烦杂工作，更何况要训练3个分类器，