在计算机视觉领域中人脸检测与跟踪是一项重要技术,学者们对其进行了大量的研究。由于人脸在视频序列中总有一些不可控的干扰因素,如光照变化、背景复杂、目标尺度变化和快速运动等。因此如何解决这些问题,设计出准确度高和鲁棒性强的人脸检测与跟踪算法是一个很大的难题。本文分别从人脸图像的光照处理、人脸检测、人脸跟踪三大模块做出了不同程度的改进和优化。主要研究内容如下:1.针对人脸图像分解时,反射率图像被光照污染和光照图像中有价值的判别信息易丢失这两个问题,提出一种基于局部边缘保持滤波器(LEPF)和光照子空间的光照处理方法。首先用LEPF分解图像,生成光照不变纹理信息保存良好的反射率图像。此外为了有效地归一化光照图像,提出了一种基于类别的光照子空间,通过将光照图像投射到光照子空间的基本图像上,可以有效地从光照图像中提取并消除光照图像变化量,而不丢失其判别信息。实验结果表明,在不同光照条件下,所提的光照归一化方法相较于其他算法具有一定的优势。2.针对在样本训练过程中,可能产生训练退化和正负样本权重严重扭曲导致训练精确度降低,并且影响检测率的问题,提出了一种基于样本错分次数的Adaboost算法,即MTAdaboost算法。通过实验发现MTAdaboost算法能够控制训练目标类权重过适应现象。将MTAdaboost与YCb Cr肤色分割结合用于人脸检测,有效地提高了人脸检测率和检测速度。3.为提高跟踪算法在目标尺度或外观变化情况下的精确度,提出了基于特征点跟踪的人脸跟踪方法。针对角点不平衡分布使得目标窗口偏离人脸中心的问题,在特征点跟踪的基础上运用了Cam Shift算法。由于人脸快速移动使得人脸模糊,特征跟踪方法失败,采用了基于粒子滤波的人脸跟踪方法。通过粒子滤波计算Cam Shift的初始位置,提高了捕捉快速移动的人脸的性能。另外本文提出了一种跟踪模式检测方法,用于判断何种情况下使用何种跟踪方法。通过对实验结果进行定性和定量分析,所提方法在快速移动,目标尺度或外观变化情况下都具有更好的性能。