随着科技的不断进步，机器人将走进家家户户来为人类提供各种所需的服务，因此它有着良好的研发空间与发展前景。为了向不同的人提供更贴心、更有针对性的服务，机器人首先需要能够识别出服务对象是谁，再根据他的爱好进行定制化的服务，当然这需要后续逐步的研究。本文主要研究家居服务机器人在室内自然光照条件下的人脸检测与识别问题。机器人通过摄像头在室内采集人脸图像，而在采集过程中光照是实时变化的，通常会采集到很多背光情况下的人脸图像，光照问题是人脸检测与识别的难点，背光条件下采集的人脸图像很难被检测出来。本文对机器人在实验室采集的不同光照条件下的人脸图像进行光照预处理，再进行人脸检测，将检测出人脸的预处理后的灰度图像裁剪成128128大小的图像，并据此建立自己的人脸识别数据库。针对人脸检测与识别问题，本文进行了如下研究工作。1）详细介绍了基于Haar-like特征的Adaboost算法的原理以及各个分类器的训练步骤。应用该算法训练的级联分类器对在实验室内采集的人脸图像进行人脸检测，实验证明该方法适用于大多数光照情况下的人脸图像。2）针对背光条件下的人脸图像，对比了多种光照预处理方法，即经典的直方图均衡、Gamma校正、单尺度Retinex算法和多尺度Retinex算法，对比分析处理结果，实验表明用以上方法处理后的背光人脸很难被检测出来。因此，本文采用一种改进的多尺度Retinex算法对背光图像进行光照预处理，引入一个动态因子，有效地消除了色偏，实现了部分背光图像的人脸检测。为了进一步提高背光条件下的人脸检测率，本文引入了暗通道先验算法，并优化了透射率，最终采用多尺度Retinex算法与暗通道先验算法相结合的方法对人脸图像进行光照预处理，并用基于Haar-like特征的Adaboost算法对处理后的图像进行人脸检测，有效地提高了背光人脸的检测率。3）采用Gabor滤波器来提取人脸特征，为了降维并更好地分类，引入了Fisherface方法。首先对Gabor滤波器提取出来的人脸幅值特征用主成分分析法进行降维，再利用线性判别分析法将降维后的特征投影到Fisherface空间，从而进行分类，该方法很好地解决了小样本问题。实验表明，Gabor和Fisherface相结合的方法对多种光照条件下的人脸图像有较好的正确识别率。