1、人臉檢測是指采用特定的方法對要求的檢測樣本進行搜索，判斷是否存在人臉，若存在人臉，就在檢測樣本中標注出入臉的過程，是人臉識別的一個重要部分。人臉檢測是復雜的模式分類問題，相關研究多集中在簡單背景下的人臉，但隨著視頻會議、安全監(jiān)控等技術的廣泛應用，復雜背景中的人臉檢測逐漸成為模式識別和計算機視覺領域中的研究熱點，本文主要針對復雜背景下的多視角人臉檢測問題進行了相關研究。
　　首先研究了聚合通道特征的應用。聚合通道特征(Aggrega

2、te Channel Feature)拓展了原始圖像的通道，將原始圖像從三通道提升到十通道，然后在十通道內任意選擇不同大小、不同位置的矩形計算像素值作為候選特征構成人臉特征集。聚合通道特征與Haar矩形特征表現形式相同，但聚合通道特征在幾乎不引入額外計算量的情況下，大幅度提高了特征的表征能力。實驗證明，聚合通道特征結構簡單，計算速度塊。
　　其次，將AdaBoost算法與嵌套級聯算法結合在一起，提出AdaBoost-Nesting

3、算法訓練人臉分類器。本文對Adaboost算法進行研究，該算法的基本思想是按一定規(guī)則組合多個弱分類器能夠獲得性能較強的強分類器;針對傳統(tǒng)級聯結構各節(jié)點分類器獨立訓練，前面節(jié)點訓練過程中的信息只被用來進行二分類（人臉或非人臉）的判定，沒有進行后續(xù)應用，損失了大量信息這一不足，將AdaBoost算法與嵌套級聯算法結合在一起，提出AdaBoost-Nesting訓練算法，該算法能夠合理利用相鄰節(jié)點間的訓練信息，降低計算負擔。
　　此外，

4、傳統(tǒng)的姿態(tài)估計方法是將待檢測樣本送入單獨訓練的姿態(tài)分類器中進行姿態(tài)估計，依據姿態(tài)估計的結果，選擇特定的視角檢測器進一步處理待檢測樣本，姿態(tài)估計的計算量將被全部加入到待檢測樣本的平均計算量中，導致了檢測速度的下降。本文針對這一問題，引入了改進的姿態(tài)估計策略。
　　本文針對復雜背景下的多視角人臉檢測問題，利用聚合通道特征表征復雜背景下的人臉信息，通過AdaBoost-Nesting算法訓練得到各個視角檢測器，再與改進的姿態(tài)估計相結合，