由于人脸提供了大量有价值的信息,因此在智能化人机交互、计算机视觉研究和智能监控等领域中,人脸检测与跟踪受到国内外的广泛关注。人脸检测是指从图像中确定人脸的位置及大小的过程。人脸跟踪是指从图像序列中确定人脸的运动轨迹及位置变化的过程。目前,人脸检测与跟踪的研究取得了一定的进展,但仍然有很多需要解决的技术问题。本文主要研究了在复杂场景下的人脸检测与跟踪的常用算法,并对算法进行了改进。本文所指的复杂场景是相对于早期的人脸检测技术而言的,早期人脸检测中研究背景一般约束为简单背景。对于复杂场景下的人脸检测问题,论文以Viola等人使用的Adaboost算法的人脸检测为基础,阐述了该算法进行人脸检测的过程,指出该算法的不足之处,并针对这些不足提出了改进策略。1)传统Adaboost人脸检测算法中,Adaboost分类器不能构造出错误率最小的分类器。并且传统Adaboost算法将样本分类看作对称的两类分类问题。即正样本的误检率FRR和负样本的误检率FAR拥有相同的地位。但在级联检测器中,需要保证每一层的分类器对正样本有较低的误检率,才能达到最终检测器对正样本的低误检率要求。因此,本文将AD Adaboost算法运用于人脸检测过程中的分类器训练。该算法在保证分类器有较高的检出率的情况下,误检率明显降低,从而提高人脸检测算法的检测性能。2)传统Adaboost算法的人脸检测过程中级联检测器为一维级联检测器,这种级联结构无法有效解决人脸样本集内部差异较大的情况,本文提出使用K-means算法,将人脸样本集聚类划分为K个子集,并对子集分别训练强分类器,构造二维级联检测器,从而提高级联检测器性能。实验结果表明,在同等条件下,改进算法提高了检测精度及检测速度。对于复杂场景的人脸跟踪问题,论文阐述了自适应均值漂移算法和卡尔曼滤波的基本原理及其在人脸跟踪领域的应用。论文通过自适应均值漂移算法对人脸进行跟踪实验,发现该算法在人脸被遮挡或运动较快的情况下易出现跟踪丢失的情况。论文使用自适应均值漂移与卡尔曼滤波相结合的方法进行人脸跟踪。实验结果表明,改进后算法具有一定的抗遮挡能力,可提高在人脸运动较快场景下的跟踪性能。