生物识别技术是一种用智能机器来模拟辨别验证身份的一种技术,其中人脸识别技术可以利用人脸部的生理或行为特征来检测图像中的人脸位置或识别出人的身份。由于人脸形态多变以及光照、环境等外在因素的影响,目前从人脸识别技术的研究现状来看,现有算法仍然存在种种弊端,大都需要根据具体用途和背景调整现有的算法。人脸是人体的一项重要的生物特征,人脸检测在人脸识别中起着非常重要的作用,准确的人脸位置的检测结果可以有效地提高人脸识别率;随着信息技术的发展,生物识别技术的应用领域也日趋广泛,因此人脸识别算法需要做深入的研究。本文对多种人脸识别算法进行了研究,重点研究了AdaBoost算法和2DPCA结合AdaBoost人脸检测算法。分析了AdaBoost算法的优缺点,改进了两种不同的弱分类器样本;利用2DPCA算法对人脸图像进行训练形成特征脸空间,结合AdaBoost学习算法将多个弱分类器组合成强分类器。AdaBoost算法是机器学习中比较流行的算法,是一种多项式级别的Boosting算法。AdaBoost是通过调整训练样本的阈值改变整体数据分布的,它根据训练样本每次分类是否正确和总体训练样本的分类准确率,确定训练集中样本的下一步的阈值。由于图像中人脸的扭转角度不同,图像背景的复杂程度的不同,实验结果的检测率和误检率会出现很大差别。本文第三章提出了一种基于Haar-like和AdaBoost结合的人脸检测算法,改进了表征人脸的Haar-like模版,主要目的是来表征有一定扭转侧度的人脸,结合AdaBoost算法,训练出强分类器,然后通过强分类器加权级联,组合成分类能力更强的级联分类器主成分分析法(Principal Component Analysis,PCA)作为最成功的线性鉴别方法之一,目前仍然被广泛应用于人脸等数字图像处理领域;AdaBoost是一种具有自适应学习能力的机器学习算法。本文第四章提出一种将二者结合的算法,即一种基于2DPCA-AdaBoost的人脸检测算法,将二维主成分分析和AdaBoost结合改进了原来的算法,即2DPCA-AdaBoost算法。该算法首先对图像进行预处理,然后用2DPCA算法对人脸图像进行训练形成特征脸空间,结合AdaBoost学习算法将多个弱分类器组合成强分类器。实验结果证明,改进的算法提高了人脸检测率,也降低了错误检测数。