在当下,人脸图像的研究突飞猛进,而且随着人工智能的发展,该领域的相关技术已经应用到大众的生活中,并趋于成熟。本文面向监控视频,研究了人脸检测与识别技术。同时为了提高识别的准确度与速度,提出了一种图像筛选算法加入到人脸检测与识别的框架中,并且针对人脸检测与跟踪过程中容易出现目标丢失的特点,提出一种改进的核相关滤波跟踪算法。本文实现的人脸检测识别与跟踪系统,首先对输入的视频图像进行人脸检测,其次在检测的过程中,利用最佳正面人脸提取算法筛选检测到的每个对象人脸,并选取一张最合适的人脸图像输入到识别网络中,判定每个对象的身份并生成标签标到视频中的人脸框之上。与此同时,把检测的结果传递给跟踪器,实现对目标对象的持续跟踪。另外为了满足监控视频中时常会有人进入和出框的情况,以上的检测和跟踪过程以周期的形式反复进行,并当出现新的“未知人脸”时再次调用识别模块识别身份。本文研究的主要工作包括:(1)为了适应本文对于视频进行人脸检测的应用环境,在实现多任务级联卷积网络(Multi-task convolutional neural network,MTCNN)人脸检测器的过程中通过权重自调整算法不断地调节MTCNN网络中的关键参数,得到了最为合适的参数设置。通过测试,证明了本文实现的MTCNN模型对视频中的人脸检测满足了高效和高准确率的期望。(2)为了提高人脸识别的效率以及准确率,建立了一个人脸检测与识别框架,在人脸检测与人脸识别之间加入了一个图像筛选模块。为了避免因人脸图像的角度和质量影响识别效果的问题,本文通过计算人脸特征点的位置关系、图像清晰度和框选的图像是人脸的概率,给出一种最佳正面人脸提取算法。通过该算法对输入识别网络的图片进行筛选,从而提高整体识别过程的性能。(3)针对人脸检测与跟踪过程中容易出现目标丢失的问题,提出一种改进的KCF算法。首先,利用峰值旁瓣比计算目标是否丢失。其次,如果判断跟踪丢失,则分为两种情况进行解决:第一种,部分遮挡:通过MTCNN检测器再次检测;第二种,完全遮挡:先通过遗传学算法对图像进行预处理,然后再利用Kalman滤波器根据临近视频帧中目标的状态信息来预测目标现在的位置。