人脸图像由于其生物特征的稳定性和特殊性,被广泛的应用于许多考勤系统。完备的人脸考勤系统能够充分的利用数据库中的图像信息,有效的进行人员考勤的管理。人脸考勤中涉及到复杂的人脸识别技术,而传统的人脸识别方法,对现实场景中的人脸识别存在鲁棒性差等缺陷。本文根据人脸考勤的实际需求,对人脸识别受光照、遮挡等影响而造成的技术难点进行了研究,对人脸考勤系统进行了设计与实现。针对人脸检测问题,设计了一种基于Adaboost的级联分类器的人脸检测方法。首先,用高斯滤波对输入人脸图像进行去噪处理,减少噪声对人脸检测的影响,然后采用拉普拉斯算法对图像进行进一步的锐化,以增强图像的边缘信息。为了解决现实场景下采集图像时可能出现的位移变化,对图像进行了几何规范化处理。经过上述对图像的预处理,减少了现实场景下光照、背景、低分辨率等对图像信息造成的影响。最后,采用Haar特征和基于Adaboost的级联分类器,通过迭代的组合训练,得到检测效率高的级联分类器。实验表明该算法能提升人脸检测的性能。在人脸识别阶段,提出了一种基于局部特征点匹配的人脸识别算法。该算法对人脸信息缺失,光照变化有较强鲁棒性。首先采用SIFT特征提取局部关键点,提取SURF特征作为其增广矩阵。结合SIFT特征和SURF特征,用局部特征点匹配算法将待识别图像和图库图像进行对齐处理。采用特征点集距离与数据库中的图像匹配,以识别人脸。实验结果表明该算法对光照和遮挡有良好的鲁棒性,可以解决现实场景中的人脸识别问题。最后,根据应用需求,基于MVC模型对人脸考勤系统进行了设计与实现。经测试,该系统能满足人脸考勤的实际需求。