随着信息技术的发展,基于生物特征的人脸识别应用领域非常广泛。鉴于人们对人脸识别的要求不断提高,越来越多的学者进行了更深层次的人脸检测相关研究和探索。探索人脸检测更为有效的方法,是视频监控技术走向实用化必须解决的一个关键问题,它经历了从最初的检测静态图像到实时视频的检测的过程。人脸检测干扰因素很多,其检测算法都存在计算量大、速度慢以及检测准确率低等不足。在人脸检测方面,用得比较多的是AdaBoost方法,AdaBoost方法具备很多优势,也存在一些不足。在试验中发现,尽管它可以检测实时视频,但在复杂的户外场景下,其人脸检测率还不够高,人脸检测准确率偏低,经常会出现错误检测、漏检测和重复检测的现象,把该方法应用于人脸检测还需要进一步的研究和改进。利用肤色信息来进行人脸检测不失为一种行之有效的方法。不过,在利用肤色进行的人脸检测法中,还无法摆脱外在环境带来的技术难题,肤色检测法也并不适合作为人脸检测的主要方法,仅能作为辅助性手段帮助识别人脸检测和跟踪。本文提出了一种Boost2-SVM算法,充分利用了AdaBoost的检测优势和支持向量机的学习泛化能力,结合了两种算法的优点,实验结果表明,改进后的算法,能切实提高人脸识别的精度。本文还提出了一种基于扩展二维线性判别分析方法的人脸识别算法。通过扩充人脸样本,提高了人脸识别的性能。同时在视频监控的实际应用环境中进行了仿真,通过仿真结果可以发现,本文改进后的算法在性能上和人脸识别精确度方面有了较大的提高。本文采用VC6.0编程语言,设计了人脸检测和跟踪系统。在实际测试过程中,实现了复杂背景下快捷进行人脸检测和跟踪。较传统技术纠错效果优势显著,检测率高,错检率低。实验结果表明,采用了新算法的系统具有实时性、准确性特点。