人脸识别在智能监控、门禁系统的广泛应用,推动着计算机视觉、智能信息处理的飞速发展,人脸检测及跟踪技术在其中扮演着不可或缺的角色。然而,现实环境的复杂性使得对人脸的定位容易受到光照变化和噪声的干扰,同时人脸姿态的不确定性也增加了人脸检测的难度。对此,本文将分别对人脸检测方法和基于检测的人脸跟踪方法展开研究,然后应用二者实现人脸的准确定位。主要研究内容如下:(1)人脸检测方法。首先,为减少光照变化、噪声等对特征提取的干扰,提高人脸检测效果,对待检测图像进行图像预处理。其次,选用提取Haar-like特征、级联AdaBoost分类器的人脸检测算法检测人脸。针对传统AdaBoost算法只能检测正面人脸,对侧面人脸检测失败的问题,先采用正面人脸检测器检测,再由侧面人脸检测器检测待检测图像,最终构成基于AdaBoost的多角度人脸检测算法。实验表明,该人脸检测算法相较传统AdaBoost算法具有更高的检测正确率。(2)人脸跟踪方法。KCF(核相关滤波)算法以循环矩阵和内核相关滤波思想将跟踪速度提升到了每秒数百帧,取得了较好的跟踪效果。但是,当人脸发生快速运动和运动模糊、受到遮挡及相似物干扰时,KCF算法没有考虑人脸的运动状态信息,导致跟踪失败。对此,本文提出一种改进的人脸跟踪算法CNK-KCF。在跟踪过程中,首先用Kalman滤波器预测下一帧中的人脸位置坐标,由预测坐标选取跟踪窗口,然后使用提取CN特征的KCF算法检测人脸坐标,最后利用检测结果更新Kalman滤波器。通过实验结果分析表明,CNK-KCF跟踪算法与其他几种较先进的跟踪算法相比,具有更好的鲁棒性。(3)结合本文人脸检测方法、人脸跟踪方法,构成人脸检测及跟踪的整体系统架构。首先在VS2010上配置OpenCV作为实验平台,其次对图像采用预处理、多角度人脸检测器检测人脸,然后用获得的当前帧人脸位置初始化跟踪器,最后使用跟踪算法CNK-KCF继续对人脸定位。综上,在这个实验平台上,完成基于OpenCV的人脸检测及跟踪技术研究,实现对多人脸、多角度的准确检测和对单人脸的稳健跟踪。