人类科技日新月异,计算机模式识别和计算机视觉领域的各项技术也得到不断深入的研究与发展,同时也得到了广泛的实际应用。其中,人脸检测跟踪以及姿态估计技术就是引起了长期的关注并得到越来越多研究的重要课题。随着各种人脸检测以及姿态估计算法的不断提出并实现,人脸检测以及人脸姿态估计技术在身份的识别与验证、虚拟现实、智能视频监控以及人机交互等方面得到了越来越多的研究与应用,有着广阔的发展前景和极高的商业应用价值,直是计算机模式识别和计算机视觉领域的研究热点。目前对于人脸检测,国内外做了大量的研究并提出了大量算法,并且有着各种不同的分类方式。本文从图像来源的角度将待检测图像分为静态图像和动态图像两类,同时指明动态图像的人脸检测问题可以转化成对静态图像的人脸检测问题。对于静态图像的人脸检测算法,本文进行归纳和简单的介绍,然后选择了AdaBoost学习算法进行人脸检测,根据经典AdaBoost学习算法的原理,完成了从分类器的训练到人脸的检测工作。对于训练样本采用规格化处理,选取特定的大小保证分类器训练速度。同时在人脸检测过程中改进分类器缩放比例以及搜索过程以保证人脸检测速度和精度。最后通过实验,分析实验结果,证明算法的可行性和有效性,能够满足课题研究的要求。本文采用了结合LK光流跟踪算法和CamShift跟踪算法的方法进行人脸跟踪同时进行姿态估计以保证算法的速度和精度。选择LK光流跟踪为主,CamShift跟踪为辅的方式,通过将跟踪到的区域位置信息与设定的基准区域位置信息进行比较的方法实现姿态估计。首先采用ASM模型进行人脸特征点定位,同时利用ASM得到的人脸特征点之间位置的几何关系进行正脸的判定。当搜索匹配到正脸的位置后,设定基准区域的位置信息,并提取相关特征点进行LK光流跟踪以及特征点位置比较,从而进行姿态估计。而当光流跟踪失败时则采用CamShift跟踪的结果进行比较来实现姿态估计。通过录取视频文件进行实验,结果表明该方法具有可行性。