2.3肤色检测
2.3.1颜色空间的选择
常见的颜色空间的分析如下：在RGB空间中，检测很易受到光照变化的影响；在HSV空间中，RGB到HSV空间的转换是非线性的，而且HSV空间中存在奇异点，同样不利于肤色检测；YCbCr模型将亮度分量分离，并且可以有RGB线性变换得到，而且肤色像素在YCbCr空间中有很好的聚类行，因此本文选择YCbCr模型。
2.3.2肤色模型的选择
常用的肤色模型有区域肤色模型和高斯肤色模型。
（1）区域肤色模型
区域肤色模型主要利用肤色在彩色空间中的聚类性，将肤色主要聚集的区域作为肤色区域，建立区域肤色模型。如果被检测像素点满足肤色区域的条件，就是肤色像素点，否则就是非肤色像素点。
区域肤色模型直观，计算简单，但是检测效果不是很理想。
（2）高斯肤色模型
高斯肤色模型主要是通过统计分析，预测肤色高斯分布的参数，得到高斯模型。对于待检测像素点，利用该模型判断是否是肤色像素点。高斯肤色模型检测率高，但是模型参数的估计比较困难，而且计算量大，耗时长。
本文采用区域肤色模型。
2.3.3区域肤色模型的建立
研究表明，不同种族、不同年龄的人的肤色都聚集在一个较小的范围之内，因此可以在色度空间内建立一个合适的肤色模型。通过对大量肤色像素的统计，肤色聚类在YCbCr色度空间中的一个较小的区域内。肤色在YCbCr空间的分布满足如公式5所示：

2.4 Adaboost+肤色人脸检测算法
根据上述讨论得知，Adaboost人脸检测算法由于是以Harr-like特征为基础的，而Harr-like特征只是对灰度特征的描述，易引入灰度分布特征类似于人脸的误检测，如图4所示。而这些误检测一般与肤色的差异较大，因此可以引入肤色检测来去除误检测的情况，算法的流程如图5所示。