人脸检测是一个复杂的模式判别问题,其难点主要由成像角度不同所引起:如平面内旋转和平面外旋转,偏转角度会直接影响判定人脸的准确度。当前基于深度学习卷积神经网络的检测方法虽然有着很高的检测率,但是在神经网络的输出层对人脸的处理不够精确,忽略了一张人脸对应的多个检测窗口之间的关联关系,从而导致最终人脸框不够精确。结合条件随机场模型CRF对神经网络的输出层进行调整,使得最终的人脸框更加精确。提出了一种基于卷积神经网络和条件随机场模型的人脸检测方法CRF-CNN,该方法提高了最终人脸框的精确度。方法首先对卷积神经网络进行训练,得到判定人脸和非人脸的分类器,对输入图像进行滑动窗口人脸检测,得到包含人脸的窗口;然后标注同一张人脸对应的所有检测窗口,窗口对应的置信分作为条件随机场CRF的随机变量,通过CRF模型计算窗口之间的关联关系,根据关联关系的紧密程度对窗口进行取舍;最后根据面积重叠的大小和横向距离、纵向距离重叠的大小分别对同尺度和不同尺度的窗口进行合并,得到最终的人脸框。为了使得检测率更高,该方法还对输入图片做了不同尺度的缩放处理,缩放程度的不同只会很小程度影响检测时间,不会影响检测的正确性,所以本方法对选用何种缩放算法及其参数并不敏感。实验分别与卷积神经网络检测方法DDFD、R-CNN和局部特征检测方法DPM进行了比较。结果表明,CRF-CNN的准确率和召回率与DDFD相近,高于R-CNN和DPM。在面内旋转和面外旋转的人脸检测中,CRF-CNN得到的人脸框更加准确,尤其在面外旋转的人脸检测中,CRF-CNN置信分均值为0.99759,高出DDFD 0.00527。