1引言
人脸检测是人脸识别系统的第一步，是指对于任意一幅给定图像，采用一定策略对其进行搜索，以确定其中是否含有人脸，并确定人脸的位置、尺寸等信息。人脸检测作为物体检测问题的一个特例，长期以来一直备受关注[1] [2]。国内外有很多学者在研究人脸检测与识别算法，提出了很多算法。常用的人脸检测算法可以分为两大类：基于显式特征的方法和基于隐式特征的方法。基于显式特征的方法有：模板匹配法[3]，基于肤色模型的方法[4][5]，基于知识的方法[6]；基于隐式特征的方法有：子空间法[7][8]，支持向量机法，神经网络法，隐马尔科夫算法，Boosting算法[9][10]。
Boosting算法是把弱分类器通过组合从而成为强分类器的一类统计学习方法。其基本思想是对训练失败的样本赋予较大的权值，让学习算法在后续的学习中集中对该类样本进行学习，最后将选出的若干个分类器加权相加组成强分类器。P.Viola等提出了一种基于Boosting 方法的实时人脸检测系统[9]。该方法不仅具有较高的检测精度，而且检测速度也比较快，达到了实时检测。该算法逐渐成为今年来的研究热点方向，许多学者对此算法进行了改进，并得到了很好的检测结果[10]。然而Adaboost算法在复杂场景下易造成误检，比如周围环境中有类似人脸形状和纹理的事物时，Adaboost算法可能会误检测。肤色特征是人脸检测中最常用的特征之一，它对于图像的旋转、平移、缩放以及人脸表情的变化等都能很好的适应性，具有相对的稳定性。研究表明：不同人种的肤色在色度空间中是聚合的。本文将肤色检测与Adaboost算法相结合，提出了一种改进的人脸检测算法。
由于光照变化对检测效果的影响很大，尤其是肤色特征更易受光照变化的影响。因此在进行人脸识别之前需要进行光照处理，本文针对传统的光照处理算法处理复杂光照效果不理想的问题，提出了一种改进的“参考白”光照补偿算法，实验表明，本文提出的检测算法与传统的检测算法相比，正确检测率有所提高，尤其是在复杂光照下，正确检测率提高明显。
2改进的Adaboost人脸检测
人脸检测的挑战性问题主要来自两个方面：
（1）内在因素。比如人脸不同的表情，肤色，外貌特征等，即人脸是具有模式的可变性；人脸的遮挡问题（饰物，头发等）。
（2）外在因素，比如光照变化的影响；图像采集设备的性能、角度的影响等。
针对人脸检测存在的问题，尤其是肤色等彩色信息，更易受到光照的影响。本文首先对光照变化的影响进行了影响，提出了一种改进的“参考白”光照补偿算法。
2.1 改进的参考白算法
常用的光照补偿算法有全局平衡法、局部平衡法和“参考白”方法。“参考白”方法是首先将整个图像中的所有像素的亮度从高到低进行排序，取前5%的像素，若这些像素足够多（比如大于100），就把这些像素的亮度作为“参考白”，其他像素点根据“参考白”进行相应调整。
“参考白”方法基于以下事实：人脸图像中应该有一部分是纯白色的，比如人的眼睛周围。然而，如果人脸图像光照不足而周围环境的纯白色像素足够多，则对图像的“参考白”处理就不会很明显，如下图所示，进行“参考白”处理后的图像提取的肤色区域如图1（d）所示，可见，“参考白”处理的效果不是很理想。