针对人脸识别中存在的一系列问题，本文主要研究光照，表情以及姿态对人脸识别的影响。其中光照问题的解决方案是WLS(Weighted Least Square)算法与直方图映射算法;表情的解决方案是使用HSLGBP(Histogram Sequence of Local Gabor Binary Pattern)算法;而针对姿态问题主要解决的是人脸在平面内的旋转问题，采用的解决方案是首先定位出人眼的坐标，然后根据人眼的坐标对人脸图像进行仿射变换，使之矫正为归一化的人脸图像。本文的主要研究工作包括:　　(1)人脸检测部分主要研究了基于肤色聚类的人脸检测算法，基于Adaboost弱分类器挑选的人脸检测算法以及这两种方法的融合。　　Adaboost算法进行一系列的迭代以生成一些弱分类器，最后将这些弱分类器组成一个级联的强分类器，这些弱分类器可以是任何的分类器，如SVM，决策树，ANN等。基于颜色空间(YCrCb，HSV)的肤色模型检测的核心思想是寻找一个颜色空间，在此颜色空间内肤色能很好的聚类在一起。　　为了提高人脸检测的精准度和降低Adaboost算法的误检率，将基于肤色模型的人脸检测算法和基于Adaboost算法的人脸检测算法结合起来提高人脸检测的可靠性。算法首先使用Adaboost算法进行初检，最后使用肤色对检测出的疑似人脸区域进行后验证来排除掉一些非人脸区域。　　(2)人脸矫正部分主要研究了基于统计模型的人脸坐标点拟合算法(ASM)，基于ASEF的人眼坐标定位算法。　　基于统计模型的人脸特征点拟合主要包括三个步骤:第一个步骤为在大量的人脸图像上标记相应的特征点;第二个步骤为使用这些已知的特征点的坐标或者纹理来生成相应的模型;第三个步骤为在未知的人脸图像上搜寻相应的特征点即算法拟合部分。　　基于ASEF的人眼坐标定位算法分为两个部分:第一部分为模型的训练部分，使用大量的已知人眼坐标的图像，假设其在频域中只有在眼睛处具有较为明显的响应，按照滤波模型求出这些响应对应的滤波器，然后将其做平均生成相应的滤波器模型。第二个部分为滤波部分，将检测出的人脸图像归一化到模型人脸的大小，并与求出的滤波器模型进行卷积求其局部最大值，定位出人眼的坐标。　　(3)光照预处理部分主要研究了基于同态滤波的人脸光照预处理，基于小波滤波的人脸光照预处理，基于Retinex理论的人脸光照预处理，基于WLS算法的人脸光照预处理。　　(4)特征提取部分主要研究了基于子空间的人脸特征提取算法(PCA，LDA)，基于LBP的人脸特征提取算法，基于Gabor的人脸特征提取算法。LBP算法可以对人脸图像的关键区域，如嘴巴、眼睛、眉毛、鼻子等进行有效的描述。Gabor小波能够提取人脸图像不同频率，不同尺度的信息。这两种算法在一定程度上能够有效解决光照、姿势、表情变化的影响。然后使用Gabor小波和LBP结合的提取特征的新方式提取人脸图像的特征。Gabor小波变换是在频率域中进行的，速度要比在时域中快很多，处理320×240的图像基本可以达到实时性。　　本文以开发一套实时在线人脸识别系统为目的，研究了人脸识别的各个关键环节，包括人脸检测、人脸矫正、光照预处理、人脸特征提取等。由于本文在人脸识别的各个关键步骤都有所考虑和改进，较之以往的人脸识别算法在性能和识别率上都有所提升。