人脸识别技术作为机器视觉和模式识别领域中长期关注的一个重要课题,具有极高的学术研究价值和商业应用价值。完整人脸识别系统分为人脸检测和人脸识别两个部分,首先从给定的一个场景的静态图像或动态视频中,检测出是否存在人脸图像,若存在则利用存储有若干已知身份的人脸图像数据库验证和鉴别场景中单个或者多个人的身份。由于人脸的非刚性特征和易受光照、姿态等因素影响的特性,使得人脸识别面临很大挑战。本文对人脸检测和人脸识别分别进行了研究。1,首先在基于AdaBoost算法的人脸检测研究基础上,对AdaBoost算法的收敛性能、泛化能力以及权重更新方法对分类器的影响进行了深入的分析。并进一步提出了新的样本参数更新方法,该方法改变了传统AdaBoost算法中权重调整过程,更加关注正确样本权值参数的修正,从而提高了检测效率。2,在传统的人脸识别过程中,通常采用图像的全局特征作为分类识别信息,在各类方法中,采用融合了主成分分析原理和线性判别的Fisherface方法识别效果最佳。研究证明,人脸的全局特征和局部特征对于人脸感知和识别过程有不可或缺的作用。针对于此,本文提出了融合全局特征和局部特征的Fisherface方法,采用一种距离权值法对各部分局部特征进行赋值,权值大小反映了各个局部特征对识别效果的贡献。针对基于全局特征和基于局部特征人脸识别方法的局限性,采用模糊综合准则融合两种方法的识别结果,新的算法可以很好的融合两者优点,弥补两者不足,从而提高了识别效率。在MATLAB7.0仿真环境下的实验结果表明了改进后方法的优越性。