人脸检测是图像处理的重要组成部分,也是计算机视觉的一个重要研究领域,在智能安防、人机交互及免密身份验证等方面有着非常广泛的应用。目前人脸检测方法对于姿态视角多变、背景复杂、光照变化等影响因素的处理还存在着局限性。本文在机器学习理论框架下对人脸检测算法进行了探究,提出了两种提高人脸检测准确性和鲁棒性的算法:1.为了提高姿态视角多变情况下人脸检测的准确性,本文提出了基于BING和多纹理CS-LBP的多视角人脸检测算法。该算法中将二值化规范梯度(BING)引进到人脸检测中,训练能够进行人脸目标筛选的两级模型,实现对人脸区域的初选。基于中心对称局部二值模式(CS-LBP)改进多纹理特征,分别从四个纹理方向对人脸图像进行表达,增强算子的辨识能力。此外,通过计算面部拓扑距离完成人脸姿态视角划分,采用多个单视角嵌套级联分类器和多层感知器(MLP)级联相结合的人脸检测结构,提升对多视角人脸检测的鲁棒性。通过在人脸数据集FDDB和PASCAL Faces上的相关验证实验,结果表明本部分提出的人脸检测算法能够有效地提高人脸检测的准确性和检测速度。2.为了弥补单一特征在人脸描述方面的局限性,本文提出了基于局部多核学习特征融合的人脸检测算法。该算法将多纹理CS-LBP特征、ORB和HOG进行联合,从纹理信息、关键点提取和梯度特性三个方面描述人脸图像。对每种局部特征进行稀疏编码并采用空间金字塔匹配视觉词袋模型对编码向量统计表达,增强描述子的抗干扰能力。为了实现多特征的有效联合,提出了基于局部多核学习(LMKL)改进的特征融合算法,引进多特征融合的方式,构建新的选通函数,通过学习为每种特征赋予相应的权重,保证权重分配的合理性。实验表明,本部分提出的基于局部多核学习特征融合的人脸检测算法能够更加全面地反映人脸图像特性,有效地提高了人脸检测的鲁棒性。