人脸的分析与理解在计算机视觉领域始终是研究热点。近些年,人脸的分析与理解的应用十分广泛,如人机交互、智能监控、门禁系统、人脸支付等。人脸检测与人脸跟踪的效果容易受到周围环境、光照变化、人脸姿态变化等因素的影响。本文从人脸检测和人脸跟踪两个方面展开研究。在人脸检测部分,本文采用肤色分割与基于梯度直方图的SVM分类器相结合的方法进行人脸检测,肤色预分割可以有效地缩小人脸检测范围并且降低背景对检测效果的影响。针对于人脸图像可能受到光照、姿态等因素的影响,本文对图像进行预处理,包括去噪以及光照补偿。在肤色分割部分,本文在YCbCr色彩空间建立高斯肤色模型,利用自适应阈值、数字形态学等方法分割出肤色区域。而后利用基于梯度直方图的SVM分类器进行人脸检测。经实验验证,在本文测试集下,与基于Haar特征的Adaboost分类器法相比,本文的算法提高了检测率,降低了误检率。在人脸跟踪部分,本文简要分析了四种跟踪算法:TLD跟踪算法、Struck跟踪算法以及KCF跟踪算法。由于KCF跟踪算法在跟踪准确率以及成功率上有突出优势,本文采用基于特征融合的多尺度核相关跟踪算法进行人脸跟踪。由于颜色直方图特征对于目标的旋转、变形等具有很好的鲁棒性,本文将HOG特征、灰度特征与颜色直方图特征进行融合,并引入了多尺度变换与跟踪置信度判断机制。本文算法弥补了 KCF跟踪算法忽略颜色特征,不能适应目标的尺度变化以及模板更新机制上的缺陷。在本文测试集下,目标存在部分遮挡、光照变化、姿态变化、尺度变化等情况,经实验验证,与KCF算法相比,本文算法的跟踪成功率、准确率更高,并且可以满足实时性要求。