目前,面向视频监控的人脸识别技术引起了广泛关注,国内外很多研究组织和商业机构对此都投入了大量人力物力,并取得了众多研究成果。对于视频人脸识别来说,不仅需要较高的精确性,更重要的是要有实时的人脸识别速度。实际应用中速度与准确度是一对相互制约的因素,因此找到同时满足这两个指标的解决方案,对产品的广泛应用具有重要的研究价值。基于面部关键点描述的算法SIFT具有较好的识别效果,并且鲁棒性强,能够满足单样本条件下可靠的人脸识别,但是速度较慢,完全不满足快速人脸识别的应用要求。针对视频人脸识别的应用要求,本文对SIFT算法进行深入研究,并在关键点提取、描述子建立、匹配策略三个方面对SIFT算法进行了改进。改进后的算法相对于原有算法在保证识别率和鲁棒性的前提下,识别速度得到了大大提高。在使用DoG提取关键点时,高斯金字塔的建立需要通过一系列的图像卷积和作差运算,这样的操作非常费时。针对DoG算法提取关键点速度慢的缺点,本文提出采用快速的关键点提取算法FAST来进行人脸图像关键点的提取。并针对FAST算法提取关键点过于集中的现象,采用非极大值抑制原理来筛选出局部最优关键点。在关键点描述子建立阶段,SIFT算法中利用关键点邻域像素的梯度和方向信息来建立描述子,方法相对复杂,并且在关键点匹配阶段,对计算机来说,相对于二值运算,浮点运算花费长,占用的空间多。针对这个问题,本文提出将快速的关键点描述算法Brief应用于人脸识别,同时结合FAST关键点检测算法和局部匹配的策略,提出新的面部关键点描述识别算法FBrief。仿真结果表明,在多样本识别率、单样本识别率、约束条件下的识别率以及识别时间四个指标的对比试验中,本文的算法相对于其他人脸识别算法在保证识别率不下降的前提下,识别速度上得到了很大提高,并且当人脸图像存在大范围遮挡的条件下,也能表现出比其他算法更好的鲁棒性。