文献综述
人脸检测问题来源于人脸识别。早在二十世纪六十年代，计算机视觉研究的早期，人脸识别就已经引起了研究者们的极大兴趣。进入九十年代后，随着社会的快速发展，世界人口的流动量和流动速度日益加剧，流动区域更加广阔，人脸识别就在流动人口管理和通缉邻域起到了重要作用[1]。人脸识别被用于公共场合对人们的监控、图像数据库的检索、提高人与计算机的交互能力等[2]。而人脸检测作为人脸识别技术的前提与基础，是人脸识别系统中重要的组成部分，也相应的越来越受到研究人员的重视。一个效率高、鲁棒性强的人脸检测算法是保证人脸识别准确性的前提。在这种应用背景下，人脸检测技术渐渐被确立为一个独立的研究课题。
人脸检测是指对于任意一副给定的图像，采用一定的策略对其进行搜索，并确定其中是否含有人脸，如果有人脸则返回人脸的具体位置和大小，并将人脸区域从背景图像分离出来[3]。它主要可以分为特征提取和特征分类两步。如何提高人脸检测的检测率、检测速度以及鲁棒性，并适用于多姿态、多角度和各种复杂环境的人脸检测系统，都是当前研究的热点和难点问题。在整个人脸识别系统中，人脸检测与定位的作用十分重要，它的成功与否直接关系到后续人脸特征的提取与识别。
对于人脸检测的方法，从人脸描述方法的角度划分可以分为四类[4]：基于知识的方法、基于特征不变的方法、基于模板匹配的方法、基于统计分析理论和机器学习的方法。
1）基于知识的检测方法是指将人们对人脸的了解表达成计算机可以理解的规则，并对待定位的人脸使用这些规则进行定位。这些规则的定义主要是人脸的特征和人脸特征间的关系，而该方法的困难也在于此。这些规则的过于简单或过于严格都将会使人脸的检测率降低。同时，这种方法不适合于多姿态、多角度的人脸检测。如Yang和Huang提出的一种分级的基于知识的人脸检测方法[5]。
2) 基于特征不变的检测方法是指，当人脸的周围环境不断变化时或人脸姿态不断改变时，人脸中仍然保持稳定的结构特征，利用这些特征来检测图像中的人脸[6]。这种方法是依靠脸部特征的提取，故受噪声、光照变化和特征遮挡等因素的影响比较大。
3) 基于模板匹配的方法的核心思想是，首先手动地预定义一个标准的人脸（通常正脸）模式，给定一幅待检测图像，分别计算待检测图像中人脸轮廓、眼睛、鼻子和嘴巴与预定义的人脸模式之间的相关值，利用这些相关值确定检测图像是否为人脸。当然，单一的脸部模板的检测效率低，检测效果也不好，所以又在此基础上提出了多分辨率、多尺度、子模版和变形模板等方法来提高检测效率和检测效果[7]。
4) 统计分析和机器学习的人脸检测方法同样需要模板，但是该模板通过收集大量的人脸样本，利用机器学习的方法获得。这种方法通常需要利用统计分析和机器学习的方法来找到人脸与非人脸的差异。然而，这种方法面临的巨大难题是图像的降维。当前许多方法通常是采用概率进行判决，近年来，支持向量机[8],[9]Adaboost[4],[10]等方法也快速发展起来。该检测方法对于正面人脸的检测效果不错。多姿态、多角度、旋转的人脸由于过于复杂，因此，有效的方法并不多。
目前，统计学习的方法应用较为广泛，但该法用于复杂背景下的人脸检测时，需要对所有的窗口进行穷举检测，计算量大、复杂度高、耗时严重，最重要的是非人脸样本范围过大造成训练困难。国内外对人脸检测的研究也有很多，尽管目前人们取得了显著进展，提出了许多人脸检测算法，但是由于人脸的特殊性导致人脸检测依然面临巨大挑战，主要有以下几点[11]：（1）人脸具有相当复杂的细节变化，人们的肤色、表情以及人脸姿态等不同使人脸图像之间有很大差异；（2）实际图像和视频中，人脸往往与很多附属物同时出现，造成对人脸的局部遮挡；（3）光照的过于明亮或过于灰暗导致脸部信息的丢失。当然，人脸检测识别技术也已经从实验室中的原型系统逐渐走向了商用。虽然有一些局限性，但是在特定的应用条件下取得了较好的效果。
就本课题应用于智能巡逻机器人的人脸检测系统，对巡逻机器人采集的视频图像进行人脸检测[12-14]，主要作用就是在机器人巡逻的过程中,在自由公共环境[15]中进行人脸检测，为下一步的人脸识别作准备，从而达到识别行人身份，挑选违法犯罪者与锁定他们的踪迹的效果，一定程度上起到安保的作用。
以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
