人脸识别是计算机视觉领域研究的重要方向之一,近几十年来,人脸识别技术发展迅速并取得了众多令人鼓舞的研究成果,但是由于问题本身的复杂性,人脸识别仍然是一个充满挑战的研究课题。如何在先验知识少、目标成像环境复杂的情况下对即时感兴趣人脸目标进行检测与识别是实时视频人脸识别系统需要解决的关键问题。本文要解决的基本问题是如何利用样本图像集或视频集及标识信息对实时视频中的人脸进行识别和标注。针对这个基本问题,文中提出了基于属性图匹配的人脸自动分组方法和基于Adaboost-CSHG框架的视频人脸识别方法,最后搭建实验系统验证了两个方法的应用可行性。本文工作主要如下:(1)人脸ROI分组。对样本图像建模时,首先需要将样本图像进行分组,然后将各个分组图片和标识信息关联,从而为后续人脸识别和标注奠定基础;除此之外,对于实时视频监控系统,通常需要保存视频资料,而对于这类监控型视频文件,我们往往只会重点关注其中的人物要素,由于视频图像中存在着大量人物要素以外的背景信息,存储时会造成大量存储资源浪费,因此提取图像中的人脸ROI并分组保存,可以节省大量存储空间。针对上述需求,本文提出了一种基于属性图匹配的人脸分组方法,并通过实验验证了其有效性。(2)CSHG视频人脸识别。由于视频图像成像条件变化较大,固定的人脸模板库无法满足视频人脸实时识别的需求。本文根据SIFT特征及特征之间的几何约束关系构建属性图,并用属性图对图像目标进行表征,利用RSOM快速匹配和CSHG目标模型的自我学习特性,实现了基于Adaboost-CSHG的人脸目标在线识别和跟踪。该人脸识别方法对目标成像条件变化具有较强的适应性,可以满足视频人脸实时识别的需求。除此之外,文中增加光照处理和RootSIFT优化对CSHG人脸识别方法进行了改进,并用实验证明了这些改进可以提高人脸识别率。(3)视频人脸识别系统设计和实现。本节根据系统功能需求分析和上述基础原理及解决方法的论证,构建了基于CSHG模型的人脸检测和识别一体化系统,对系统的软硬件设计做了介绍,完成了各个功能模块的设计,最后利用搭建的实验系统对本课题涉及的基本原理的合理性和有效性进行了实验仿真。