随着计算机视觉、机器学习、深度学习等领域技术的高速发展,人脸识别已成为当前的热门研究课题。在视频序列中,正确的人脸检测与跟踪是人脸识别的前提条件。为实现自动捕获待跟踪目标,在初始图像中引入人脸检测技术,但在现实场景中的人脸检测往往会受到复杂背景及光照变化等的干扰,从而影响人脸检测的正确率。同时由于人脸姿态会随人体运动而变化,为对视频序列中的人脸进行稳健地标示定位,需要对人脸进行跟踪处理。故本文主要从人脸检测和人脸跟踪两方面展开研究,为人脸识别提供技术支持。在人脸检测阶段,为提高后续检测与跟踪的效果,本文首先对视频序列图像进行了光照补偿和滤波的预处理。针对传统的Adaboost人脸检测算法采用灰度特征——Haar-like特征训练人脸分类器,使得该算法在复杂场景下,容易将类似人脸灰度分布的背景区域误检为人脸。针对复杂场景中传统的Adaboost人脸检测算法误检率高的问题,引入了图像分割的思想,去除复杂场景中的背景区域以减少干扰。考虑到人脸区域中肤色占据大部分信息,对尺度、姿态、表情等变化不敏感,是具有较强稳定性的特征,所以在YCgCr颜色空间下建立肤色模型,快速滤除非肤色的背景区域,获得候选肤色区域。之后再采用Adaboost算法训练人脸分类器,对候选肤色区域进行人脸检测,在训练过程中加入多角度以及有小部分遮挡的人脸图像作为训练样本,以提高人脸检测的正确率。实验表明,改进后的人脸检测算法具有更高的检测正确率。通过人脸检测自动捕获人脸目标之后,对人脸进行跟踪,面对复杂场景中的人脸姿态变换、遮挡以及光照变化等情况,需要一种鲁棒、稳定的人脸跟踪算法。本文首先介绍了三种基于学习的目标跟踪算法:TLD跟踪算法、MIL跟踪算法以及Struck跟踪算法,分析将其用于人脸跟踪的优劣,并通过实验测试和对比分析,可知Struck跟踪算法在人脸跟踪中具有鲁棒性、稳定性。但是Struck跟踪算法不具有尺度适应性,本文针对此问题,在Struck跟踪算法中引入多尺度采样的方法,使得结构化输出支持向量机可以直接输出人脸在两帧之间位置和尺度的变化。实验表明,进后的Struck跟踪算法能适应人脸多尺度的变化,可以实现对人脸的稳定跟踪。