人脸识别技术是近年来人工智能化的一个热点,人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术,可被利用与公安刑侦破案、门禁系统、摄像监视系统、网络应用等。一般来说,人脸识别系统包括图像摄取、人脸定位、图像预处理、以及人脸识别。而人脸定位由人脸检测和特征点定位两部分构成。本文就人脸定位这两个部分进行展开。人脸检测(Face Detection)是指通过一定的搜索算法,判断一幅输入图像中是否存在人脸,如果存在,则返回人脸所在的位置及其大小。由于人脸检测具有广泛的应用场景,例如:楼宇门禁、视频监控、人机交互、数码相机等,再加上其问题本身的高度复杂性以及其对实时性的要求,它一直是近年来计算机视觉研究领域的一个热点问题。经过数十年的研究与发展,至今已有很多针对人脸检测的算法和方法,其中Adaboost方法是目前较好的方法,本文前半部先对这种方法进行了讨论,然后对算法的优化和实际过程中碰到的问题进行了深入的分析,尤其是对多姿态搜索的姿态预判和聚类以及SVM(支持向量机)的后段验证提出了新的方法。主要的改进包括以下三点:1)对框图中的像素均方差做一个计算,通过对均方差的统计排除掉单调的背景区域或者过度复杂区域,在大量单调背景的图片中能够加快检测速度。2)提出了多姿态预判和聚类的新方法。3)引入了以小波提取为特征的SVM后段验证,降低了误检出率。人脸特征点定位在人脸检测的基础上进行,目的是对人脸的各个特征点进行精确定位。目前比较成功的方法有ASM和AAM等,AAM又称动态表观模型,最早于1998年由F.T.Cootes提出,并于2001年由卡内基梅隆大学的S.Baker等人对算法部分进行了改进,通过逆向拟合的方法提前计算Hessian矩阵,减少了定位时循环迭代的计算量。具有三维扩展性好、特征点定位准确以及最高可达230帧/秒的处理速度等优点,AAM被认为是人脸特征点定位方法中一种有效的方法。但是改进后的算法存在形状模板的非法形变而导致拟合失败的风险,正确率不高。本文后半部对AAM算法进行讨论和研究,并提出了在拟合过程中加入概率阻尼的方法,有效的避免形状模板的非法形变,大大提高了拟合的准确性。