人脸检测和识别的研究目的是使计算机具有类似人脸的脸像识别能力,它在身份鉴别、人机交互、图像检索和视觉监控等领域有重要的应用。尽管近三十年来,人脸的检测和识别受到了国内外的广泛关注,但一直是模式识别和计算机视觉领域中的研究热点和难点。由于识别结果往往受到表情,姿态和光照变化的影响,同时还要保证识别系统的实时性,人脸的检测和识别仍然有很多技术的问题需要解决。本文围绕复杂背景下静态图像中的人脸检测和识别技术开展深入研究,AdaBoost算法在人脸检测实践中被证明了是一种实时性高,检测效果好的算法,具有较高的实用价值。Foley-Sammon变换是基于Fisher鉴别准则上的一种效果比较好的线性特征抽取方法。因此本文中检测部分应用AdaBoost人脸检测算法,识别部分采用了基于Fisher鉴别准则的最佳线性特征抽取算法。本文的主要工作归纳如下:①研究基于Haar特征的AdaBoost分类学习算法,介绍其从积分图计算矩形特征、弱分类器阀值的选定、强分类器阀值的选定、由弱分类器形成强分类器和级联强分类器的训练过程,在VC++和OpenCV开发工具结合的基础上实现人脸检测系统。②对检测得到的人脸部分图像进行预处理,包括几何、灰度、大小归一化,得到统一尺寸的训练样本和测试样本数据。③针对小样本情况下LDA出现的问题,介绍了PCA+LDA方法在处理小样本问题。从图像的PCA降维和LDA的理论基础,到Fisher最佳鉴别向量的求取,根据样本在最佳鉴别集上的投影来进行特征向量的抽取。其中训练样本集归一化后的图像求得最佳鉴别集和训练图像的特征向量,测试样本在Foley-Sammon最佳鉴别集上投影,得到测试图像在特征子空间的特征向量,在VC++和MATLAB开发工具结合的基础上实现识别部分训练集和测试集的特征向量的抽取。④用最近邻分类法进行分类,计算训练样本和测试样本计算的特征向量来判定最终识别结果。⑤系统介绍了从图像中数据的读取,人眼睛位置的定位,待识别图像的预处理,人脸图像的识别到分类器最终识别结果的判定整个流程。