人脸识别因其在安全验证、档案管理、视频会议、人机交互、公安罪犯识别等领域的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。人脸识别系统以人的脸像作为识别身份的媒介，采用计算机视觉和图像处理技术，抓住人脸的轮廓特征和局部细节特征，研究匹配和识别的方法，具体又包含人脸的检测、跟踪和识别三个环节。本文针对这三个环节分别进行了研究和算法实现。主要工作如下：　　 (1)人脸的检测与特征定位是实现复杂条件下人脸识别的基本前提，本文采用了两种方法分别实现了人脸的检测和定位。基于肤色模型的方法，首先根据肤色的聚类特性检测人脸的2DPCA区域，在提取灰度和轮廓特征对眼睛、嘴巴等进行特征定位，最后得到人脸的精确位置；基于AdaBoost的方法，通过训练分类器，实现人脸的检测和定位。系统的测试结果表明：基于肤色模型的人脸检测对正面人脸的检测效果较好，而对多尺度检测的能力较弱并且对光线的变化敏感；基于AdaBoost的人脸检测算法具有更好的实时性和准确性。　　 (2)基于视频的人脸跟踪技术能为人脸识别系统提供更多的信息和更高的性能，本文将基于CamShift的目标跟踪算法应用于人脸识别系统中；并采用了AdaBoost方法的人脸检测算法实现跟踪区域的初始化，克服了CamShift算法跟踪窗口必须手动标定的缺陷，实现了人脸的自动追踪。　　 (3)深入研究了基于PCA的人脸识别方法。并对应用过程中特征值和距离准则选择问题进行了对比试验，实现了优化的基于PCA算法的人脸识别。针对PCA方法特征值提取计算量大的问题，本文实现了改进的2DPCA算法，在Orl和yale人脸数据库上的实验结果表明其算法速度和识别率均优于基于传统PCA的人脸识别算法。　　 (4)在算法研究的基础上，本文采用了VC++和OpenCV开发了分立的人脸识别系统，其中包括基于肤色的人脸检测子系统、基于AdaBoost算法的人脸检测子系统，人脸跟踪子系统和基于图形的人脸识别子系统。　　 课题研究中所实现的人脸检测、跟踪和识别算法程序具有良好的性能和可移植性，在下一步研究中针对具体应用需要，很容易采用模块化设计搭建出实用的人脸识别系统。由于时间和精力所限。本文没有完成集成的人脸识别系统开发。