本文对近年一些人脸识别方法进行了归纳总结,并使用Gabor小波滤波器技术、小波分析、广义主分量分析法(广义PCA)和径向基(RBF)概率神经网络相结合构造了人脸识别分类器,使用ORL人脸图像库的数据进行实验,及获得了较高的识别正确率。本文所实现的人脸识别分类器构造和工作流程为：首先在5个中心频率参数上进行选择,并使用全部8个方向的参数信息来构造Gabor小波滤波器,并组合成Gabor小波滤波器组,对人脸图像进行滤波处理,提取不同频率和方向的不变性特征信息；然后使用小波分解对Gabor特征人脸进行降维处理,小波分析因为具有多频率分析的特性,相比采样法可以有效地降低特征信息的损失：使用广义主分量分析进一步的进行降维和提取特征数据,将Gabor特征人脸投影到特征子空间中的系数作为特征数据,并组合成列矢量,作为神经网络的输入；利用径向基概率神经网络优秀的聚类和分类能力实现人脸的分类和识别。本文在模拟实现基于人脸检测与识别算法的应用程序时,综合运用了OpenCV及VC++2008等开发工具。采用色偏校正、光照补偿、肤色区域侦测、膨胀、腐蚀、平滑Gabor小波滤波器等实现人脸检测与识别系统,并且系统动态维护人脸数据库以供人脸识别之用,最终结果表明该系统具有较快速和准确的人脸检测与识别效果。本系统实现人脸检测算法与人脸识别操作的过程总共分为四步：第一步对待检测的图像进行预处理操作。然后使用色彩平衡操作对图像进行色偏调整,再运用去除噪声处理与光照补偿等操作消除色彩偏差,进而可以解决待检测人脸图像亮暗不均匀的问题；第二步进行肤色检测。根据人脸肤色在YCbCr色彩空间呈现的聚类特性,将图像转换到YCbCr空间中,采用色彩填充消除背景区域,分离出肤色区域,同时减少后续人脸检测计算量,并且对填充后的图像进行膨胀腐蚀和平滑操作,消除图像中的毛刺和噪声点：第三步将肤色检测结果转化为灰度图像,并且进行直方图均衡化,再运用OpenCV中的AdaBoost算法完成实现人脸检测操作,被侦测为人脸区域的部分会被方形标记；第四步搜集建立人脸特征库,通过Gabor小波核函数公式,在MATLAB平台下成功地实现滤波器组的设计和构造,实现对不同人脸图像的识别处理。实验结果表明,对数据库中的人脸,本算法识别较好；对实际生活照,在光照变化不剧烈的情况下,也能够取得较理想的结果。