随着技术的革新,人脸识别技术已逐渐走向现实社会。目前已有较多的应用,因此本文对人脸识别技术进行了一定的分析研究,完成了一个基于Fisher脸的人脸识别系统的训练测试工作。我们知道,人脸识别过程应包括:人脸特征提取、人脸检测、人脸预处理、人脸图像样本集的训练与识别。本文对于上述过程做了以下工作:首先,介绍了几个重点改进型LBP特征,分别研究了基于MB-LBP特征以及Haar-Like特征的人脸特征提取方法。根据人脸的Haar-Like特征,结合adaboost算法,以部分AFLW人脸数据库作为样本集,利用opencv训练得到一个人脸检测器,并进行了实验比较分析,得到性能最好的人脸检测器。其次,由于检测人脸时较容易出现误判,这里使用人脸和人眼检测器共同作用,在很大程度上降低了检测的错误率,使出现误判的可能性减小。此外,使用连续四次预处理操作,减少了由面部表情、光照条件和人脸平面内旋转对识别率的影响。之后,以ORL人脸数据库作为样本集,KNN作为分类器,实验发现:最佳鉴别特征空间维数对Fisher脸算法识别率有较大影响,而最佳描述特征子空间维数只对PCA算法识别率有较大影响,对Fisher脸算法识别率基本没有影响;训练样本数量对两种算法均有较大的影响,当训练样本较少时,PCA算法识别率优于Fisher脸算法,但整体看,Fisher脸算法最高识别率达到100%,优于PCA算法最高识别率96.25%。最后,利用OpenCV2.4.11和Visual Studio 2013,设计了一个基于Fisher脸算法的实时人脸识别系统。此系统对训练样本中采集过的目标,识别能力很强。这里实验了3个人,每人连续22次的识别中,均准确的识别出了对应的目标编号。但是由于训练样本较少,没有进行全方位的光照采集,对于陌生人脸的识别效果不好,经常会将陌生人错误的识别为训练样本中存在的目标人脸。因此,要获得好的识别率,需要保证训练样本集中的人脸图像要采集到全方位光照条件、面部表情以及希望测试的角度。