本论文研究人脸检测和识别的多特征分析方法,设计和实现了一个具有高检测率和识别率、具有可扩展性的实时人脸检测与识别系统。我们分析和实现了最近比较流行的人脸检测和识别算法,提出了新的多特征分析方法、新的弱分类器及新的级联结构——动态级联结构学习方法来改进人脸检测算法,比较了各种不同的人脸识别算法的性能和适用情况,并在此基础上完成了人脸检测与具有在线学习功能的人脸识别系统。本论文的主要工作包括以下几个方面:(1)在人脸检测方面,我们在传统的Adaboost训练框架的基础上,提出了多特征的动态级联结构(Dynamic Cascade)训练算法,并训练了一个同时具有高检测率(Recall)和低误检率的(False Alarm)正面人脸检测器。首先,在连续的Adaboost(RealBoost)算法中,我们提出了新的弱分类器——Bayesian Stump,以此来解决传统弱分类器中存在的例如子区域(Bin)划分个数的选择、如何根据训练样本分布进行不同划分的问题。其次,我们提出了新的级联结构(Cascade)方法——Dynamic Cascade来解决使用级联结构训练中训练参数过多的问题,并充分利用了上一个级联结构分类器的信息,提高了分类效果,同时也降低了分类过程中的平均弱分类器使用数量。第三,我们提出了多特征的方法来满足人脸检测中Cascade不同阶段对特征性质的要求,各特征间形成了互补,有利于检测精度的提高。在CMU/MIT的正面人脸数据集上的评测表明了以上改进算法的有效性。在实际应用中,这个正面人脸检测器完全达到了实时的性能。(2)在人脸识别方面,我们阐述、实现并比较了不同的人脸识别算法并针对人脸识别在线训练算法提出了一些解决方案。通过在中科院人脸数据集CAS-PEAL和FERET数据集上对这些算法采用的预处理方法和识别性能进行测试得到的分析结果表明,采用第二种结构的独立成分分析(Independent Component Analysis, ICA)算法相对于其他算法在CAS-PEAL数据集中的困难光照测试集中表现出了相当好的识别结果;对于普通的饰物、时间跨度、背景、距离、表情等测试集,局部二值模式(Local Binary Pattern, LBP)算法取得了绝对优势。对预处理方法的实验表明,采用直方图均衡化和高斯模糊,均能对不同的识别算法有显著提高。(3)采用了上述改进的人脸检测算法以及在测试集中胜出的人脸识别算法开发了快速在线人脸检测识别系统。在实现上,采用了多线程、识别结果平滑处理等技巧提高了系统性能,保证了系统检测和识别的准确性、实时性和可交互性。人脸识别在线学习算法的提供为系统的实用性提供了保证。整个系统的设计具有可扩展性,为后续的功能模块提供了相应的接口。