人脸识别是生物特征识别的重要领域之一,在人机交互、身份验证、社会安防等诸多方面有着十分广阔的应用前景。目前,基于深度学习提取人脸特征进行人脸静态图片识别的方法,在Labeled Faces in the Wild (LFW)数据集等标准集上的正确识别率几乎接近人类。但是,在视频流中,如监控系统中的人脸,由于人体的不停运动和姿态偏移等问题,导致检测到的部分人脸区域严重模糊和不完整,这种情况下,单纯地采用基于图片的人脸识别方法,准确率会严重下降。视频具有可用于识别的大量人脸区域图像信息。然而,不是所有帧中的脸部图像都适合于图像识别。因此,利用视频中所有帧进行识别并不一定会提高性能,反而显著增加了识别的计算时间。本文考虑到视频中人脸的姿态、图像的模糊以及人脸区域图像的大量冗余等问题,设计并实现了基于人脸区域的特征自相关系数和互相关系数的人脸区域图像选取算法,以及加权投票判决的人脸识别方法。该系统可以有效地选取高质量人脸图像用于人脸识别,并减少连续视频帧中人脸图像的冗余,通过对少数人脸图像的识别并加权投票判决,降低了人脸识别的计算次数,提高了识别系统的正确率、实时性与稳定性。本文的主要工作如下:1.提出一种衡量人脸图像特征质量的指标--人脸图像的特征自相关系数。通过该指标可以滤去人脸模糊、姿态倾斜的人脸图像,选取适合识别的高质量人脸图像,从而提高人脸识别率;2.提出一种衡量多张人脸图像间冗余度的指标--图像的特征互相关系数。通过该指标减少识别次数,为实现实时视频人脸识别提供可能;3.采用基于深度学习的K-NN分类人脸识别算法实现单张图片的识别,提出一种基于互相关系数的加权投票人脸判决算法;4.实现了视频流人脸识别系统。且通过对分类系统分类类别以及类别的特征进行版本控制,可远程在线更新系统的识别能力