人眼定位[19]，随着一些特殊的要求的出现，对人眼睛的定位也被广泛研究。比如在中国每年都会有大量交通事故，对国家及个人的财产生命构成严重威胁，而疲劳驾驶就是重要的“马路杀手”成员，若能对疲劳驾驶的司机再进入疲劳驾驶状态时及时提醒，就能有效避免类似惨剧的发生。确定人脸区域人眼的位置，对人眼的定位可以很好地确定人脸区域的大体位置，同时，在人脸区域进行人眼的检测的速度将会大大提升，人脸检测与人眼定位相互结合，能够有效提升检测速率。论文网

1.2 研究现状

2  常见人脸检测算法

2.1 概述

人脸检测技术从最初对背景单一的正面灰度图像的检测，经过对多姿态人脸的检测研究，发展到能够动态实现人脸检测，目前正在向三维人脸检测的方向发展。在此过程中，人脸检测技术涉及的图像逐渐复杂，检测效果不断地得到提高。虽然人脸检测研究已积累了宝贵的丰富经验，但目前的检测技术仍然不能对诸如复杂背景中的人脸等进行有效的处理和自动跟踪。人脸自身及所处环境的复杂性，如表情、姿态、图像的环境光照强度等条件的变化以及人脸上的遮挡物等，都会使人脸检测方法的鲁棒性受到很大的影响[6]。近几年国内外的研究者依据不同切入点及侧重点研发很多人脸检测的算法，下面列出较为经典的几类[25]。

2.2 肤色区域分割与人脸验证方法[7]

彩色图像在确定了肤色的模型后，先对脸部的颜色进行检测，得到肤色的像素之后，再依据像素色度的相似性以及空间上的相关性，得到所有可能的人脸区域，然后再通过区域几何特征或者灰度特征实现对人脸的验证，从而排除颜色与皮肤的颜色类似的其他物体。

2.3 基干启发式模型的方法

基于启发式模型使用的方法，先获得物体的几何形状，灰度，纹理等一系列的特征，然后，通过验证它是不是符合人脸部的知识。Govindaraju等[26]人通过用变形后的模板匹配头顶轮廓线，以及左右两条面颊的轮廓线，达到人脸检测的目的。

2.4 基于特征空间的方法[27]

此类方法将人脸区域图像变换到某一特征空间，根据其在特征空间中的分布规律划分“人脸”与“非人脸”两类模式。Sung等[28]提出在特征空间中采用k-均值聚类方法训练样本。Yang等[29]使用基于EM算法[30]和基于脸部变形模板特征[31]的方法。文献综述

2.5 基于支持向量机的方法[32][33][34]

支持向量机(Support Vector Machine, SVM)法是基于结构风险最小化原理的方法，在实际的应用中会存在计算量大，内存消耗大的缺点。梁路宏等[35]在这方面做了大量工作，利用模板匹配的方式优化了该方法。

2.6 基于人工神经网的方法[10]

人工神经网的方法是把模型的统计特征隐含于神经网的结构和参数中，对于人脸这类复杂的难以显式描述的模型，基于人工神经网便于建模，鲁棒性较好，但是运算度较慢。此类方法应用大量神经元来进行样本训练从而逼近最佳的判别函数。Sung等[36]采用神经网络构造一个基于距离的判别函数来进行分类。

 3  Haar分类器 

3.1 Haar-like特征 

Haar特征：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板[17]。特征模板中有白色和黑色两种类型的矩形，定义模板特征值为白色矩形內像素总和减去黑色矩形的像素和。Haar特征值反映图像灰度的变化情况。人脸检测中，人脸的一些特征可以用由矩形特征描述，比如眼睛的颜色要比脸深等等。但是矩形特征仅仅对简单的图形结构，比如边缘、线段等比较敏感，它只能用来描述特定走向结构，所以比较粗略。