人脸作为人体重要的特征之一,有着非常强的区分性、恒定性和个体差别。包含了人脸检测、识别和追踪等。因为人脸优势明确,它有不接触、全过程简明及距离适中等技术上明显的优势,目前已经是模式识别、计算机视觉和人工智能等领域的研究热点。在国家安防、交通、社区安全、智能车等许多与我们休戚相关的领域有着广阔的研究前景。近年来,人脸检测与识别的研究已经取得了很多成绩。当前已经有很多方法能够快速而准确的对正面人脸进行检测。但在实际应用中,很多情况下会因为图像采集设备位置不佳以及被检测者有意或无意的不配合造成采集到的人脸图像不是正面图像。在进行人脸识别时,由于训练样本有限,会出现准确率低、运行慢及鲁棒性差等缺点。因此,人脸图像还是有很大的研究价值。鉴于以上存在的一些问题,本文为了更好的提升人脸检测率和识别率,对前人的大量算法进行了深入的研究后,提出了相应的改进算法。本文重要的研究贡献分以下几点进行阐述:(1)旋转人脸图像的检测算法研究。本文采用了改进的尺度不变特征变换(SIFT)旋转人脸检测算法。首先,将主成分分析(PCA)与SIFT方法结合,分别利用PCA方法的降维和SIFT算法的旋转、平移、缩放及部分仿射不变性快速完成旋转人脸的初检测。接着,通过眼、嘴部定位,提升检测准确率。最后,通过改进的AdaBoost算法训练分类器并计算关键点匹配率,完成旋转人脸的准确检测。实验结果表明:与传统及较新算法相比较,本文算法在保证了高检测率与高效率的同时错检率也明显下降。(2)利用改进HMM和RVM融合的方式进行人脸图像识别。先对原始样本进行降维及特征提取;再用HMM模型得到测试样本匹配度,形成特征向量;最后用RVM对得到的特征向量进行分类及识别测试,输出识别结果。在ORL人脸库验证算法的优劣度,实验显示,本文算法的识别率相较于其他对比算法有很好的优势,是一个能被应用的算法。(3)将本文的人脸检测与识别系统通过大量的实验进行验证。实验结果表明本文系统对光照、复杂背景、非正面人脸、不同表情的改变等都有非常强的鲁棒性和适应能力,在较为复杂的环境下也能保持较高的检测和识别准确率,并且检测与识别速率也有很大的提升。