国内的交通监控系统能够对经过交通卡口的车辆进行自动抓拍并提取相关特征,但对驾驶员的脸部信息,系统还未涉及。车牌虽然具有唯一性的特点,但是很容易伪造,一些不法分子通常会使用套牌车辆执行违法犯罪活动,这使得某些案件的侦查难度大大增加。当今社会,身份认证的关联性不断提高,驾驶人作为车辆相关特征,其脸部特征将对违法车辆相关案件的侦查提供极大的帮助。因此,对驾驶员人脸特征进行提取具有极大的现实意义。本文着眼于卡口采集到的图像,首先研究了传统机器学习算法中最具代表性的Adaboost算法,并进行了改进;在此基础上,进一步研究了基于深度学习框架的人脸检测算法,MTCNN人脸检测框架,有效的解决了卡口图像中光照变化剧烈,遮挡等问题。本文的主要研究内容如下:(1)Adaboost人脸检测算法。针对卡口图像的环境,搜集训练样本,并训练人脸分类器,随着分类器层数的加深,可能会出现分类器的退化,本章对权值更新策略进行改进,有效抑制分类器退化现象的发生。并设计负样本扩充策略,有效降低了误检率。最后利用高斯肤色模型对候选的人脸区域进行筛选。(2)MTCNN人脸检测算法。MTCNN是一种三级级联的卷积网络,实现了由粗到精的人脸检测。对模型训练时间过长的情况,设计了一种在线困难样本学习策略,有效的加快了训练时误差的收敛速度。级联卷积网络的思想源于CascadeCNN,与CascadeCNN相比,MTCNN框架对网络结构进行了调整,将卷积层中卷积核尺寸由5*5调整为3*3,并将人脸检测和边框回归任务整合到同一个网络,实验表明该网络结构在一定程度上提高了检测率,并节省了测试时间。最后,由于卷积网络的固有特性,对卡口图像中颜色失真,光照变化剧烈的情况都有很好的检测效果,呈现出了对环境变化较强的鲁棒性。(3)驾驶员人脸特征提取和车辆特征管理软件设计与开发。以本文提出的驾驶员人脸检测算法为基础,结合项目需求,从系统功能和软件架构的角度设计了该系统,给出了人脸检测算法类实现的声明和核心模块的流程图,利用C++实现了以上模块代码的编写,采用MFC完成了人机交互界面的设计开发。