人脸检测与识别技术是一种重要的生物特征验证手段,在安全访问控制、视觉监测、智能用户接口、基于内容的图像检索等方向有着重要的应用。本文在研究了人脸检测和识别的基本理论和关键技术的基础上,重点讨论了在复杂背景和可变光条件下,彩色静止图像的人脸检测和识别问题,它包含基于肤色的人脸粗检测和基于人眼的细检测、基于主成分分析法的人脸特征提取和基于改进的神经网络人脸识别四个主要模块。首先,对人脸肤色的聚类特性进行了研究,基于不同的颜色空间肤色聚类结果的对比,本文选择了YCbCr颜色空间,接着建立高斯肤色模型,对人脸图像进行相似度计算,采用基于梯度调整的改进Otsu算法进行自适应阈值肤色分割,最后通过数学形态学处理,排除部分假区域(非肤色区域),实验证明该方法可以有效地从复杂背景下的彩色人脸图像中提取出较准确的肤色。其次,利用边缘检测算法、制定人脸规则,排除类肤色和明显非人脸区域,接着根据人眼灰度特征和人眼区域复杂度特点,改进了一种人眼精确定位算法,实验证明该方法可以精确地提取出人眼,然后根据人眼几何特征提取出人脸,并归一化、标准化。随后,利用PCA算法读取人脸库,训练形成特征子空间,接着把训练图像和识别图像投影到该特征子空间中,得到对应的特征向量和特征值,然后通过传统的和基于改进的BP神经网络算法对人脸进行训练和识别。通过实验结果分析,证明改进的BP方法识别率更高,训练次数也远远小于传统的BP神经网络方法,识别时间也明显少于传统的BP神经网络算法,为复杂背景下实时人脸检测和大型人脸库的快速准确识别提供了可能。最后,给出一个复杂背景下的人脸检测和识别系统的架构,并用Visual C++实现了人脸检测系统,结论表明该人脸检测系统适用于复杂背景下的人脸检测,并且具有较强的鲁棒性。对于特征提取和识别系统通过matlab仿真实现,结论表明提取和识别系统对ORL人脸库样本有很高的识别率。