人脸识别技术是一种无接触式的人机交互技术,与其他人体生物特征相比,人脸特征拥有不可被复制的安全性和稳定性等特点。因此基于人脸识别的人机交互技术对人工智能领域的发展具有重要的理论研究意义和实用价值。本文首先完成了人脸识别系统的总体方案的规划和设计工作,并完成了人脸检测的研究。针对由光照和噪声等非约束条件下人脸检测鲁棒性较差的问题,本文提出一种IMTCNN人脸检测算法。首先采用双三次插值方法将原始人脸照片进行预处理,之后利用非极大抑制去除错误的检测框,并用边框回归来对检测框进行微调。最后输出1个准确的人脸框和4个人脸的特征点。实验结果证明,本文提出的IMTCNN算法能够在非约束条件下检测出人脸并准确定位出人脸的特征点,为下一步的人脸特征提取奠定基础。在对特征提取的研究过程中,针对在光照和噪声等非约束条件下人脸特征信息存在丢失,且采用单一的局部特征提取方法不能获取人脸的特征信息从而影响特征提取和识别的问题,本文提出一种基于改进的自适应局部三值模式IALTP与二维双向主成分分析(2D)~2PCA的人脸特征提取方法。首先采用IALTP算法提取出4个人脸特征点的特征信息作为人脸局部特征,然后采用(2D)~2PCA算法提取出人脸的全局特征,最后将局部与全局特征进行融合得到IALTP+特征。实验表明,该方法能够在非约束条件下准确地提取出人脸纹理信息,同时获得较高的人脸识别率。在对分类识别的研究阶段,采用了梯度增强提升决策树XGboost算法。该方法通过引入二阶泰勒展开式来计算损失函数,将正则项加入损失函数中以防止数据过拟合;并且采用CPU的多线程并行计算机制来加速计算,这对提高人脸识别的准确性和实时性起到了重要的作用。实验结果表明,在非约束条件下人脸识别的平均识别率为96.2%,平均识别时间为75ms。最后,本文完成了基于移动机器人的人脸识别系统的平台验证。将人脸识别系统的识别结果转化为控制移动机器人运动的指令。通过大量的实验测试,验证了本文算法的准确性和可靠性,证明该方法能够实现基于人脸识别的机器人运动控制。