在人工智能的快速发展下,用机器取代人眼来进行人脸识别成为可能,智能人脸识别技术也成为学术以及商业领域的研究热点。随着深度学习技术的引入,人脸检测及识别的精度得到了提升,但传统的人脸检测及识别方法在速度上仍然优于基于深度学习的方法。本文的目标是在传统机器学习的基础上,对关键技术进行改进,完成一个快速高效的人脸识别系统。本文通过改进人脸检测算法,提升速度,达到实时检测人脸的目标;改进人脸特征提取算法,提高人脸识别的准确率;在已有的人脸检测以及特征提取识别算法的基础上提出多对多的人脸验证策略进一步提高识别准确率。本文完成的主要工作如下:(1)在人脸检测中,本文基于Adaboost算法进行改进,通过帧与帧之间人脸位置的关联性,缩小搜索范围将人脸检测的速度大大提升,达到平均每秒51帧的检测速度,并辅以模板匹配技术,解决脸部相对摄像头偏转时漏检的问题。(2)在人脸识别中,深入研究Chen等人提出的精度高达95.17%的人脸识别关键技术,运用IntraFace开源算法进行人脸特征点检测与定位,并在人脸高维特征提取部分,将不同尺度和关键点数进行关联,改进特征提取方式,用LBP特征描述人脸得到高维特征向量,最后在75000维左右的特征维数上与原算法进行对比实验,实验证明改进算法准确率提高了 0.59%。(3)在验证改进的高维特征人脸识别算法中,采用了 PCA降维方法,并用国际公开的LFW人脸数据集训练得到联合贝叶斯模型,用数据集中正负样本对进行测试得到算法识别结果。(4)最后将人脸检测模块、特征提取模块以及联合贝叶斯模型联合形成人脸识别系统,并利用人脸检测部分的速度优势提出多对多的人脸识别策略,将50位同学在摄像头下实时采集的人脸图片作为测试对象,得到92%的识别准确率,相比一对一识别验证准确率提高了 8%。