人脸检测与识别技术是生物特征鉴别技术中研究最多和最热门的技术之一,它已经在身份认证、安全检查、罪犯查询、人机交互等广泛领域得到了初步应用。在人脸检测研究中,构建快速而精确的检测方法一直是该领域的研究热点;在人脸识别研究中,如何克服获取图像光线、表情、视角等变化的影响,提高识别率则是迫切需要研究的问题。针对这两个问题,本文以彩色和灰色正面人脸静态图像为研究对象,将模式识别理论和图像处理技术相结合,重点研究基于LVQ人工神经网络(ANN)的肤色像素检测和基于模板匹配的人脸精确检测方法,以及基于小波包分解(WPD)和(2D)2PCA的不同变化条件人脸图像的识别方法,为建立快速精确的人脸识别系统提供技术依据。本文的主要研究工作如下:(1)针对现有人脸检测系统检测精度和速度不平衡的问题,提出了一种基于LVQ ANN的肤色检测与基于模板匹配的精确人脸检测相结合的方法。该方法在获取肤色像素基础上,采用基于全局搜索的Mosaic方法预定位人脸区域。以CVL人脸库图像实验结果表明,LVQ ANN实现了较满意的肤色像素检测效果,又能提高检测速度;Mosaic方法成功地实现了人脸区域的预定位。(2)为在预定位人脸区域中实现精确的人脸检测,采用一种基于模板匹配的人脸检测方法。该方法首先构建基于R分量的标准灰度人脸模板,然后以相关性系数为匹配准则,使用多尺寸人脸模板实现不同尺寸人脸的检测。实验结果表明,CVL人脸库中常态组、微笑组和大笑组的正确检测率分别为100%、100%和93.6%;与仅采用模板匹配法相比,检测速度从1870.6s/幅提高到208.4s/幅。(3)为解决从图像小波包分解得到节点图像中选取显著节点困难的问题,提出了采用(2D)2 PCA和最邻近分类器测试所有节点图像的正确识别率(CRR),并依据识别率选取出“成功”节点图像的方法。(4)为了有效组合“成功”节点的特征矩阵,提出了一种测量测试图像和库图像距离的方法。该方法以“成功”节点图像特征矩阵的加权距离和,做为测试图像和库图像的距离,既考虑了全局和局部特征,又考虑了不同节点图像的识别贡献率,人脸识别实验结果表明该测量方法有效地提高了识别率。(5)针对变化人脸图像识别困难的问题,提出了一种基于WPD和(2D)2PCA的人脸识别方法。首先,对图像进行小波包分解,采用(2D)2PCA和最邻近分类器得到子节点的正确识别率,选取具有较大识别率的节点作为“成功”节点,然后,组合“成功”节点的特征矩阵,计算测试图像与库图像的距离,最后,采用最邻近分类器实现识别。(6)以MATLAB 7.0为工具编程实现基于WPD和(2D)2PCA的人脸识别方法,并以CMU PIE、Yale和UMIST人脸库图像为测试对象,分别进行光照、表情和视角变化图像的识别性能实验,以原图像采用(2D)2PCA和最邻近分类器的识别率为对比标准,结果表明,本文方法在3个实验中的识别率均高于标准识别率,其中,光照变化时识别能力最好,最高识别率为98.795%;表情变化其次,最高为89.796%,视角变化最差,最高为36.047%。(7)实验表明,距离尺度和小波函数的选取对多分辨率下节点的识别率有较大影响。L1在主体节点上的识别率高,而L2在细节节点上的识别率高;小波函数对不同条件图像识别效果也各不相同。因此,要根据图像变化条件选取节点、距离尺度和小波函数。由试验提出了如下选取规则:光照变化时,采用L1和Daubechies4下的A1、A2、H2、V2、HH2组合;表情变化时,采用L1和Haar下的A2。(8)本文提出的方法在视角变化时效果并不理想,尚需研究并寻求其它特征提取方法。