随着图像处理技术以及计算机处理能力的飞速发展,人脸识别技术(FRT)广泛应用于智能视觉监控系统、门禁和考勤系统等领域。人脸识别是基于生物特征的身份验证中最自然直接的手段,与计算机视觉和人机感知交互有密切联系。本文研究了基于静态人脸图像的检测和识别原理,讨论了具有较好准确度、较高运算速度、较强适应性和鲁棒性的算法,对人脸检测与识别过程进行相应地改进,以增强人脸识别系统的特性,主要研究内容如下:第一,针对光线明暗、拍摄角度和曝光条件等因素影响时,图像中会出现椒盐噪声、光照明暗不均和对比度不够等缺点,本文选取中值滤波法对输入静态图像进行预处理,并对训练样本作尺度和灰度两者归一化,保存人脸特征文件,最后完成ORL人脸库的建模工作。第二,在人脸检测和定位阶段,使用融合肤色提取的Adaboost算法对人脸特征进行提取,并生成用于区分不同个体的统计判别特征。第三,在人脸识别和分类阶段,分析了KPCA算法,并改进LDA算法,将KPCA与LDA进行融合,给出KFD (KPCA+LDA)方法来完成识别过程,将检测定位结果与人脸数据库作比对,最终根据比对的相似值排序出人员列表。最后,系统以OpenCV为平台,在VC++ 6.0的编译环境中对检测和识别算法进行仿真和测试,并分析了实验现象和数据。通过实验结果可知,文中所研究的两种融合算法对于人脸检测和识别分类器都进行了优化,使之对于姿态偏转和表情变化具有较好的鲁棒性,并达到了检测和识别过程中精度与速度的相对均衡。