人脸识别是一个融合了数字图像处理,计算机图形学,特征提取,模式识别等多门技术的学科。由于人脸识别技术只需要用户的少量配合,具有非接触性的优点,已广泛使用在国家安全,银行身份识别,以及各式各样的门禁系统中目前已经产生了大量的人脸识别方法,这些方法的主要步骤为：1、图像预处理,2、人脸检测,3、人脸对齐,4、特征提取,5、特征降维,6、人脸判别。本文算法主要使用在手持设备上,需要较快的执行速度、应对较为复杂的光照条件和较大的人脸角度变化,所以针对以上的人脸识别过程,本文主要改进了人脸识别过程中的第二步和第三步。其中第二步可以加快人脸检测速度和人脸角度检测范围；第三步能精确定位有较大偏转角度人脸的人眼中心点,进而对人脸进行精确的对齐,其执行速度也很快；同时为了克服复杂的光照条件,本文在特征提取阶段将人脸图像进行Gabor变换。在第二步,本文首先使用YCrCb颜色空间排除非肤色的区域,以加快人脸检测的速度,然后检测人眼区域,最后根据人眼的位置获得人脸的位置。因为人脸姿态发生变化时总有一只人眼睛的特征变化比较小,可以提高人脸的角度检测范围。对人眼的检测,本文先用Adaboost算法训练人眼分类器,然后在皮肤区域检测人眼。从实验结果可以看到本文算法提高了人脸的检测速率和人脸角度的检测范围。在第三步,本文首先将图像的灰度信息转换到局部图像矩特征,然后在局部图像矩特征上寻找极大值,再运用一种自顶向下的聚类算法,将非极值点聚类到极值点上,最后根据人眼的知识获得人眼区域并将区域的中心作为人眼中心点。在本文第三章中可以看到局部图像矩对人眼区域的响应值非常大,可以用来定位各种角度、各种姿势的人眼中心点。另外本文证明了人眼中心点定位精度的重要性。本文在人脸识别的第四步对比了三种人脸特征,分别是人脸灰度图像、人脸灰度图像的Gabor变换、人脸灰度图像的傅里叶变换。在第五步对比了主成分分析法和线性判别法两种降维方法。在第六步,本系统只用到离散余弦相似性测度。通过实验结果,本文算法对速度、人脸对齐、克服光照条件的变化均有较满意的结果。