随着人工智能和计算机技术的飞速发展,计算机视觉领域的研究取得了长足的进步。人脸检测与跟踪技术作为基于人脸的计算机视觉领域的基础和核心技术,正吸引越来越多的科研人员投身到其研究中来,并且不断有研究成果出现。本文采用了基于MB-LBP特征的Adaboost人脸检测算法。MB-LBP特征是通过LBP对矩形区域进行编码,可以有效表示各种图像结构,比如：边缘、线条、点、平面和拐角等。相比于Haar-like矩形特征,MB-LBP特征的特征集要少的多,从而使弱分类器的训练速度有明显提高；通过实验证明,MB-LBP特征的人脸识别能力更加显著,因此在降低分类器级数及每级弱分类器个数的情况下,分类器性能却不会下降。实验结果表明,基于MB-LBP特征的Adaboost人脸检测算法在检测性能没有损耗的情况下,检测速度有明显提高。本文采用CamShift目标跟踪算法实现了基于肤色的人脸实时跟踪。此跟踪算法利用HSV彩色模型中的色度分量H来计算人脸区域的颜色直方图,同时为了剔除与人脸区域色度信息相近的区域,加入了饱和度信息和亮度信息。实验结果表明,采用本文所描述的加入饱和度和亮度信息的方式,CamShift人脸跟踪算法的鲁棒性有了明显提高。最后,本文以Android手机智能基座为产品模型,基于改进的人脸检测与跟踪算法并通过OpenCV库在Android平台下实现了人脸检测与跟踪系统。本系统首先通过Android手机前置摄像头采集的视频信息,然后进行人脸检测与跟踪,最后通过USB外设实时控制基座随人脸转动。基于智能基座的需求,与USB外设进行通信时,Android手机需运行于USBaccessory模式。由于需要对人脸检测与跟踪函数进行代码改写以实现改进的人脸检测与跟踪算法,同时为了使其运行于本地端以提高运行速度,我们采用了OpenCV的C++接口。但由于Android应用程序通过Java编程语言实现,这就涉及到Java与C++互相调用的问题,故采用JNI接口实现此目的,同时采用Android NDK进行本地代码的编译。