K-L变换是主成分分析法PCA中的一个重要知识，在本文中采用K-L变换对人脸特征进行提取并降维。在对人脸图像进行必要的预处理和归一化后，人脸图像变为了一个灰度化的标准图像，本文把每一幅94*112大小的人脸标准图像按列相连构成一个矢量，并把这些图像作为训练样本集，以该样本集的总体散布矩阵作为产生矩阵，求出产生矩阵的特征值和特征向量，求出特征向量又叫做特征脸，用特征脸构成一个特征脸空间，之后利用K-L变换公式求出人脸图像在新构成的特征脸空间的系数向量，同时把系数向量存储起来。当输入一幅人脸，并得出其系数向量，用此系数向量与存储起来的系数向量比较可以实现对图像库中人脸的检测。

本文工作的主要内容和结构

本论文是研究K-L变换在人脸检测中的应用，主要工作如下：

第一章 绪论，主要介绍本文要介绍的人脸检测的国内外发展现状、背景和意义，及人脸检测所面对的主要问题。

第二章 人脸识别的理论基础，主要介绍了人脸检测和人脸识别所用到的理论基础，一些基础概念及人脸检测所用到的一些方法。

第三章  基于K-L变换人脸检测的实现，主要介绍了实验的具体步骤和实验所获得的结果。

本文主要介绍的是基于K-L变换实现对人脸的识别，K-L变换是一种经典的人脸识别方法，尽管此种方法可以实现对人脸的检测，但是其效果并不足以让人满意。在这种方法的基础上还可以对其进行改进，使其获得更好的效果，比如，因为人脸是完全对称的，为了更有效的简化和检测图像中的人脸，可以使用基于半边脸的方法去实现人脸的检测。基于半边脸的人脸检测方法理论上来讲可以降低人脸模型密度的过度对称性，从而提高人脸检测的速度。当然使用这种方法也会出现新的待解决的问题。

基于肤色分割与模版匹配检测人脸缺点

有上面的结果可知，这种方法在一定的条件下可以很好的检测出人脸位置。但是其缺点也是非常明显的，尽管人脸肤色可以通过亮度分割出来，但现在大部分由CCD摄像机采集得到的图像都是亮度和色度高度相关的RGB形式，肤色对光照的变化很敏感，从而导致肤色像素的检测是肤色检测的一个难点，原因有两点：

1）高亮度情况下肤色和非肤色具有很高的相似度，人类视觉在高亮度情况下对颜色并不敏感，各种颜色往往都是一片白亮，而这个时候仅仅依靠色度差异来区分肤色和非肤色是十分困难的。

2）还是高亮的的方面，经过科研人员多年的观察和研究表明，高亮度肤色像素的色度和亮度不完全独立。

3）在实验中，发现周边颜色与人脸极为相近的情况下，这种方法的效果较差，出现了把不是人脸的部分也被检测为人脸的情况.......