人脸识别是当今新兴生物识别技术的一个重要部分。人脸因具有不可复制、采集方便、不需要被拍者的配合等优点,而使得人脸识别在科研领域和商业市场上有着广泛的应用前景。嵌入式硬件平台使得人脸识别系统应用在可移动、便携的新领域。本文研究了人脸识别的各处理阶段,讨论了人脸图像的成像原理,预处理过程,常用的人脸特征提取方法到人脸识别的几种主流算法这一系列过程。从理论上来说,近红外图像人脸识别可以解决在光照条件变化、人脸伪装等情况下人脸识别困难的问题。因此本文使用近红外光摄像头采集人脸图像。本文详细介绍了LBP特征(局部二进制模式特征)应用于人脸识别领域,并对既有的LBP进行多尺度改进。实验结果证明多尺度的LBP优于既有的LBP。在分类器的设计阶段,本文讨论了AdaBoost学习算法,从多类问题到两类问题的转化形成适合于AdaBoost分类器分类的样本,以及特征提取、分类器匹配等方面进行了研究和实验。本文设计和实现了用于嵌入式设备上,使用主动近红外光的高效快速的人脸识别系统。考虑到嵌入式系统的内存限制和CPU处理速度的问题,需要选择能够充分地描述人脸的特征,高效率的算法来实现人脸识别系统,因而本系统开发了使用高效率的LBP特征提取方法和AdaBoost分类器,使用C语言开发核心算法,以满足在嵌入式系统上运行。对于本文实现的人脸识别系统,做了大量实验验证分析其识别性能及影响因素。实验结果表明,图像的质量对系统的识别率影响较大,AdaBoost的训练样本越多识别效率越好,并且多尺度的LBP特征优于单一尺度,实验中测试库的运行时间能够达到嵌入式系统上的实时识别。虽然本文的人脸识别系统是为近红外图像库设计的,但也可用于可见光人脸图像库,只需要重新训练可见光的AdaBoost分类器既可,因此具有良好的兼容性。