在復雜背景下進行人頭檢測（Head Detection）是智能視覺處理系統(tǒng)的重要組成部分。在現(xiàn)實中，基于單一特征（如頭部輪廓、發(fā)色及相關統(tǒng)計特征等）的頭部檢測方法容易出現(xiàn)目標區(qū)域的誤檢測，兇此基于多特征的頭部日標檢測是研究的熱點。

　　常用的人頭檢測算法有兩大類：一是基于先驗規(guī)則的，比如發(fā)色模型形狀和膚色等：另一類是基于特征和分類器的檢測方法，比如尋找人頭輪廓，然后采用支持向量機SVM（support　vector machine）、AdaBoostr、神經(jīng)網(wǎng)絡等分類器進行訓練。

　　基于先驗規(guī)則的方法，其主要思想是通過對大量的實驗數(shù)據(jù)統(tǒng)計，得出一個模型，然后利用提取出的模型來準確地檢測人頭：但是，先驗模型的提取容易受到光照影響，造成獲取的模型不準確，從而導致人頭檢測方法失敗。基于特征提取和分類器訓練的方法具有良好的魯棒性，人頭檢測的正確率也很高：但是分類器的訓練比較耗費時間，如果特征數(shù)目比較多還會增加空間復雜度?；谏鲜鰞深惙椒ǖ幕A上，本文提出利用mean shift的彩色圖像分割算法的人頭檢測方法，文中采用的白適應mean shift算法是一種特征空間聚類算法，它的一個突出優(yōu)點是不須人為地設定過多參數(shù)而可以得到較為客觀的分割結果。灰度圖像處理包括選擇式掩模平滑和灰值形態(tài)學進行處理，以提高頭部日標的灰度與背景的區(qū)別，為閾值分割的預處理和為輪廓特征進行人頭檢測提供基礎。
?