近年来,自动人脸检测与识别在图像处理和计算机视觉领域引起许多学者的关注。这一课题在智能监视系统、虚拟现实、高级用户接口、表情分析和基于模型的图像编码等方面具有广阔的应用前景。 人脸检测是一个开放性的,比较活跃的研究课题。在人脸检测算法中,依照时间顺序的发展有模板匹配模型,肤色模型,ANN模型,SVM模型,Adaboost模型等。其中Adaboost模型在速度与精度的综合性能上表现最好。但是作为一种新兴技术,Adaboost方法在人脸检测领域的研究还有待探索和完善。例如：弱分类器的选择、训练算法的完善、多尺度检测计算量大、缺乏和先验知识的整合能力等等。本文对人脸检测问题作了-些探讨,对基于积分图像的Adaboost人脸检测方法存在的部分问题分别进行了研究。本文主要针对Adaboost的训练时间过长,泛化能力低,进而提出了Adaboost的改进算法,显著的提高了训练速度,还提高了泛化能力。通过构造级联分类器,实现了人脸检测系统,对上述思想进行验证。 在人脸识别中,利用主成分分析方法提取人脸图像的特征信息,这些特征能较好的反应人脸特征的非线性结构信息,然后将此特征数据作为支持向量机的输入数据。SVM有较好的适应能力和较高的分准率,因此选取SVM分类器用于人脸识别。SVM的核参数σ2和误差惩罚因子γ是影响SVM性能的关键因素,通过引入网格搜索法,能有效的确定最优参数,进而提高人脸的识别率。采用SVM模型中的最小输出编码,实验表明,该方法与其它方法相比较,可实现用较少的二类分类器达到较高的识别率。