视频中人脸检测与跟踪是计算机视觉领域的一个核心问题,随着计算机技术的高速发展视频中人脸的检测与跟踪有着广泛的应用前景,比如视频会议、人机交互、司法鉴定、视频监控以及门禁控制等等。与基于静态图像的技术相比,视频图像提供了更丰富的信息,比如运动信息,环境信息等等,但是视频中的人脸检测与跟踪有着更高的要求,如能够适应成像条件、光线和复杂场景变化,对图像中人脸的姿态、遮挡、运动等能进行有效的处理,而且应具有较高的计算效率等等。因此,对视频中人脸检测与跟踪的研究具有很重要的理论和应用价值。本文针对视频中的人脸检测与跟踪技术展开研究,通过研究在人脸检测与跟踪技术中的各种方法,最后设计了一套通过人脸检测初始化跟踪目标的快速多人脸跟踪系统。主要研究内容和创新点包括:在人脸检测部分,本文主要采用Adaboost算法,Rainer Lienhart等人提出的扩展的矩形特征,这个矩形特征库与Viola采用的矩形特征相比而言主要是增加了45°旋转的矩形特征,通过积分图可以快速计算矩形特征值,从而扩大了训练的范围,提高了检测率,并且降低了误检率。本文采用级联的方法,将视频图像通过正面和侧面人脸检测器,分别检测出正面与侧面人脸并进行区域合并,最终达到多角度人脸检测的目的。在人脸跟踪方面,本文首先介绍了人脸跟踪的研究进展以及主要跟踪方法,然后着重介绍了基于颜色直方图的Camshift算法,该算法不受跟踪目标形状、大小的影响,具有很强的抗亮度变化和噪声干扰的能力,而且CPU的占用率非常低,适合作为人机交互界面的接口,但抗肤色背景干扰和目标遮挡的能力较差。基于这些缺点本文提出了人脸形态约束、引入辅助信息等方法对Camshift算法进行改进,为了提高跟踪速度,本文对卡尔曼滤波、粒子滤波等预测方法进行研究,最终采用一种简单线性预测的方法对人脸进行预测,进行多人脸跟踪。实验证明改进后的算法可以克服Camshift算法本身的缺点,提高跟踪精度并且能够有效减少计算量,保证了跟踪的实时性。在对人脸检测与跟踪算法研究的基础上,建立了一个完整的面向人脸对象的智能监控系统框架,也是将算法推向实用化的有益尝试。