人脸跟踪算法的研究,一直都是计算机视觉与模式识别领域中的研究热点。近些年来随着计算机视觉领域的发展,越来越多的研究人员关注人脸跟踪问题,主要因为人脸跟踪具有广泛的应用前景,比如视频监控;还可以结合眼球检测的结果来进行疲劳驾驶检测等。人脸跟踪算法的研究目标为,在图像的任意背景下都能准确的找到图像中的人脸位置,从而为进一步人脸分析提供准确的人脸数据。在进行视频人脸跟踪的过程中,往往由于视频中图像的背景变化使得人脸问题变得更加复杂,例如光照变化等。同时,由于算法提取的人脸特征维度通常很大,导致计算量非常大,这就使得针对连续的图片序列,单独依靠跟踪或者检测算法,很难准确的找到人脸的位置。虽然研究人员已经对人脸跟踪问题进行了大量的实验,但是由于视频图像背景的光照变化、人脸被部分遮挡住、人脸表情变化等难点,研发出一个鲁棒性强、准确度高的人脸跟踪算法仍然具有很大的困难。本文针对如何设计出一套鲁棒性强,准确率高的人脸跟踪算法进行了重点研究。主要研究内容如下:针对人脸数据库当中的静态人脸图像,训练出基于人脸特征点的人脸模型。根据粒子滤波的思想,提出了在人脸特征点周围提取人脸特征的方法,使得提取的人脸特征具有鲁棒性强的特点。同时结合压缩感知的思想,将提取的高维特征映射到低维空间。有效地减小了计算的复杂度。提出了基于检测的人脸跟踪方法。采用了,准确度越高,权值越大的投票策略,综合检测和跟踪的结果,共同确定最终的人脸位置。该方法不仅提高了人脸跟踪算法的准确度,还进一步增强了算法的鲁棒性和通用性。本文通过工程实例对提出的人脸跟踪的方法进行测试,并与现有的人脸跟踪算法进行了对比。实验结果表明,本文提出的算法具有更强的鲁棒性及准确性。