人脸识别作为现有生物特征识别的方式之一,因其具有友好性、非接触性、不易察觉等优点,在公安、交通、银行等行业有着广泛的应用前景。随着计算机、多媒体技术的成熟,基于视频的人脸识别也已成为各大院校、企业研究的热点,但在现实使用中仍存在着许多问题,这些问题制约了人脸识别在视频监控环境中的应用,如场景复杂导致识别能力下降、人脸识别的速度难以达到实时。针对这些问题,本文借鉴了国内外学者所采用的相关解决方法,并根据实际情况对这些方法进行了改进,提出了相对更为合理有效的解决方法。主要涉及以下方面:　　 在人脸检测中,本文将基于统计与基于局部特征的方式结合,提出了一种基于AdaBoost与人眼特征融合的人脸检测方法。人眼定位的过程中:1)提出了阈值分割与拉普拉斯算子相结合的局部锐化方法;2)提出了采用轮廓面积相似比与坐标定位结合的方式确定眼睛的位置。　　 在人脸匹配中,本文对旋转、光照、放缩等具有不敏感特性的尺度不变特征转换SIFT算法进行研究,并将其用于人脸匹配,同时采用ORL/YALE人脸库进行了大量的实验。根据实验结果并结合人脸特征,本文改进了原SIFT算法中欧氏距离的相似性度量方式,结果表明使用该方法能获得更好的人脸特征匹配效果。　　 在实时性方面,为了尽可能将视频环境下的人脸识别做到实时,本文搭建的系统测试平台未采用传统的CPU架构,尝试采用了CPU与图像处理器GPU并行架构,在花费时间最多的人脸检测部分使用了基于GPU的计算统一设备架构CUDA并行运算,在人脸识别部分使用了CPU多线程的并行运算,并且人脸检测与识别的过程是相互独立、并行的。测试结果表明,该架构下的人脸识别速度是传统CPU架构下速度的10倍以上,在一定程度上达到了实时检测与识别。