为了深入研究人脸识别问题,本文从人脸检测与人脸识别两个方面进行了系统研究。实验主要从图像预处理、人脸检测、人脸图像特征提取、分类器训练四个阶段进行。其中在图像预处理阶段主要对图像进行滤波、对比度增强处理,以提高识别准确率改善模型性能。人脸检测使用多任务卷积神经网络(MTCNN),在经过适当拓宽网络结构与参数优化后模型性能显著提升。本文统计了三个级联网络在人脸与非人脸的分类、人脸边界框回归、关键点定位三种任务中的检测率与召回率,结果显示训练分类准确率达到95.57%,边界框回归准确率为96.60%,人脸关键点定位准确率为95.97%。人脸识别方面使用主成分分析(PCA)、方向梯度直方图(HOG)、线性判别方式(LDA)三种算法提取人脸特征。分类阶段使用支持向量机(SVM),其中数据库中的75%的样本用于训练,25%的样本用于测试。两种设计方案如下,方案一:首先计算人脸图像的方向梯度直方图(HOG),提取人脸图像最明显的轮廓信息。将输出的每一个特征向量纵向堆叠为一个二维矩阵。然后使用主成分分析(PCA)进行特征降维减少特征间的相关性和噪声。最后使用支持向量机(SVM)进行分类识别,计算随着PCA算法方差阈值的增大分类器的识别准确率。最终结果显示方差阈值在0.8出识别准确率最高超过96.0%。使用ROC曲线评价该方法的优劣,得到曲线下的面积为0.98。方案二:首先使用主成分分析(PCA)将人脸图像变换到新的特征空间中,消除图像特征间的相关性和噪声提取人脸全局特征,在实验阶段取较多的投影方向使其尽可能多的保持原始信息。然后使用线性判别分析(LDA)算法进一步投影变换,降低数据维度。最后使用支持向量机(SVM)分类识别。实验将PCA、LDA和SVM三种算法的优点结合起来,分别在ORL、Yale、AR数据库以及检测得到的数据上进行仿真实验,结果表明该方法的识别率在方差阈值取0.8时最高可超过99.0%。其ROC曲线下方的面积为0.99。