基于视频的人脸检测与识别算法研究是针对现如今大数据时代下,面对视频流这种大数据量且非约束状态的复杂场景下的人脸识别解决方案进行研究通过对人脸识别的三个关键环节:人脸检测、关键特征点定位和人脸识别特征提取进行了深入的研究,主要研究内容如下:1.研究基于像素差异特征的人脸检测方法。针对复杂多变的各类非约束性的视频场景,把像素点与像素点之间的差异特征定义为一种新的人脸检测目标特征,利用这种像素级别的特征关联性信息简化特征模型,同时为了进一步提高分类模型的准确性,在传统单阀值分类分割的基础上采用双阀值决策二叉树,利用更加高阶的分类信息进行特征类别的分割,使得分类模型在能更好的处理复杂光照、多变自然场景、角度和遮挡不可控等这种非约束的自然场景。2.研究基于集成回归树的关键特征点检测。充分利用回归树迭代更新的属性,同时采用梯度下降(Gradient Boosting)的方法对回归树进行剪枝优化,不断根据当前输入的人脸特征形状对输出的人脸形状进行估计分析,然后通过求取每一次迭代的更新值来更新下一次迭代的人脸形状输入值,直到迭代结束定位到最后所需的关键特征点。3.研究基于深度学习的人脸识别方法。通过对深度学习方法的学习研究,在相关经典的卷积神经网络框架的基础上,通过选取不同位置、不同尺度、以及不同的颜色通道、甚至于水平翻转的人脸patch优化网络框架结构布局和各层之间的网络参数,使得提取的特征对人脸信息具有更全面的表达能力,同时引入人脸识别和人脸验证双监督信号确保人脸识别的准确性,最后利用贪心算法筛选最具特征表达性的部分人脸patch提取的特征进行连接作为最后提取的人脸特征,使得人脸识别在保证一个高准确率的同时也有着良好的实时性能。