目前,人脸识别系统在进行人脸识别时获取人脸图像的方式通常有两种:第一种是所识别人站在指定的摄像头前面进行识别。该种方式约束力较强,而且只适用于单人脸识别,因此效率较低;第二种是直接从监控视频中获取人脸图像进行识别。但由于视频中的人脸处于无约束状态,导致获取到大量低质量人脸图像,比如,人脸图像存在偏转、模糊、遮挡等问题,若直接用于识别会降低识别准确率。此外,视频帧间的冗余极大地增加了系统的负担。为解决视频中低质量的人脸图像降低人脸识别准确率的问题,本学位论文设计并实现了人脸图像优选模块,在对人脸进行识别之前,先通过人脸图像优选模块对从视频中获取的人脸图像进行优选,不仅可以提高人脸识别准确率,还可以提高系统的运行效率。本学位论文的主要工作内容如下:首先,提出了将人脸聚类与人脸跟踪相结合的方法来完成人脸数据集的生成。解决了在生成每个人的人脸数据集时,单独采用人脸跟踪方法所存在的处理过程复杂且由于人脸间的遮挡导致目标丢失的问题,以及单独采用聚类算法所存在的特征提取阶段较为耗时的问题。其次,根据视频中人脸状态的实际情况,定义了人脸旋转程度评价指标、人眼状态评价指标、人脸遮挡程度评价指标以及人脸图像清晰度评价指标,并提出了这4个评价指标权重系数的确定方法,对4个评价指标进行线性组合,得到评价人脸图像质量的综合评价指标。最后,采用Python程序设计语言结合开源计算机视觉库OpenCV和Pyqt,进行后端程序开发和用户界面的设计,使用户能够通过操作界面,完成视频中的人脸图像优选,并显示优选结果。本文提出的人脸数据集生成方法相比基于人脸跟踪的人脸数据集生成方法在纯度上提升了约15%,相比基于人脸聚类的人脸数据集生成方法在效率上提升了约50%。此外,通过仿真实验分别对优选前后的人脸图像进行人脸识别性能比较,实验结果表明,优选后人脸识别准确率提升了 13.2%,速度提升了 62s。