人脸检测是使用计算机确定待检测图片中人脸位置、姿态、大小的一种智能技术，在生物特征验证、自动监控、新型人机交互等方面都有着广泛的应用前景。人脸作为一种复杂环境下的非刚体目标，其检测过程充满了挑战,为了寻找一种普遍适用的检测算法，国内外的学者投入了大量的研究，然而却收效甚少，已有的检测算法都存在各自的局限性。为了解决上述问题，本文在归纳和总结现有的主要检测算法的基础上，深入研究了基于肤色的人脸检测和基于Adaboost算法的人脸检测，提出了一种联合人脸肤色特征及灰度分布特征的快速人脸检测方案。主要内容为：1.研究了不良光照对肤色信息的影响，设计了基于YCbCr色彩空间和高斯模型的肤色分割方案。使用自适应阈值法分割肤色似然图获取二值图片，对二值图片进行形态学滤波和人脸筛选后获得候选人脸区域。2.研究了基于Adaboost的人脸检测方法，介绍了利用积分图计算Haar特征的方法，对Adaboost算法的弱分类器和强分类器的训练办法及组成原理进行深入学习，给出了基于Adaboost算法的人脸检测器的详细设计流程。3.对经典的基于Adaboost算法的人脸检测进行了补充和改进，扩展了Haar特征种类，引入了带45°旋转的Haar模板。针对Adaboost输出为离散值的问题，使用了连续Adaboost取代其作为本文的学习算法。针对n等距的样本空间划分方式不能很好刻画正负样本边界问题，提出了一种自适应样本空间划分方式。针对连续Adaboost强分类器的非单调性问题，引入了一种浮动搜索的策略。最后，以通用人脸库作为正样本，以自举的方法在线收集负样本，使用改进的连续Adaboost算法训练出级联人脸检测器。4.分析了基于肤色及基于Adaboost算法的两种人脸检测方法的优缺点，利用他们的互补性，设计了基于肤色分割及连续Adaboost的人脸检测系统，在检测前期利用肤色特征快速排除图片中大量的背景区域，提取出候选人脸区域，再对候选人脸区域使用级联人脸检测器进行二次定位。实验结果表明此方法可以很好的提高检测速度，降低误检率，对检测系统性能的提升具有积极的意义。