人脸检测技术研究及MATLAB实现
基于MATLAB的人脸识别系统的研究毕业论文
长沙民政职业技术学院毕业实践报告 题目:基于MATLAB 勺人脸识别系统的研扌旨导老师： ______ 谭刚林 ______________________ 系 另寸： 电子信息工程系 __________________ 班 级： ______________ 电子1133 ____________学号：1119013333 1119013334 1119013335 姓 名： 刘盼符思遥樊阳辉类型:2014年5月5日基于MATLAB勺人脸识别系统的研究符思遥、刘盼、樊阳辉指导老师：谭刚林苏宏艮马勇赞【摘要】人脸检测与识别技术是计算机视觉和模式识别等学科的研究热点之一，是进行身份认证最友好直接的手段，在出入境安全检查、内容检索、证件验证、门禁系统等领域都具有十分广泛的应用前景。
多年来，人脸识别技术中的很多问题都被深入地研究，而且大量的算法已经成功应用于人脸识别。
本文在研究了人脸检测和身份识别的关键技术和相关理论的基础上，重点讨论了在光照和背景不同的条件下，彩色静止图像的人脸检测和身份识别问题，它包括基于肤色分割的人脸粗检测、基于人眼检测的几何归一化和基于二维主成分分析法(2DPCA的身份识别。
本文主要工作如下：首先对彩色图像进行光照补偿，其次通过肤色检测获得可能的脸部区域并二值化，再用形态学开闭运算对图像进行滤波处理并通过一定规则确定人脸区域，然后运用水平垂直投影定位人眼坐标以此对人脸进行几何归一化，识别部分运用2DPCA勺图像映射方法对灰度图进行特征匹配，最后输出识别结果并进行语音播报。
实验结果表明，结合肤色和面部几何特征的算法能够对人脸进行较快速和准确的定位，同时2DPCAT法运用于身份识别也能达到较高的识别率。
本毕业设计对实际应用具有一定的参考价值，该系统的操作流程和输入输出方式是以实际应用为出发点，可应用于公安机关证件验证以及日常家庭的自动门禁系统等。
【关键词】人脸检测；肤色分割；人眼检测；2DPCA特征提取1绪论 (1)1.1选题的背景 (1)1.2人脸识别系统 (2)1.3人脸识别的典型方法 (2)2基于YCbCr颜色空间的肤色分割 (3)2.1三种色彩空间 (3)2.1.1 RGB色彩空间 (3)3基于2DPCA特征提取的身份识别 (4)3.1 2DPCA算法实验结果与分析 (5)3.1.1实验用数据库 (5)3.1.2实验结果与分析 (5)3.1.3 结论 (7)4人脸检测与识别系统设计与实现 (7)4.1系统环境 (7)4.2人脸检测与识别系统框图 (7)4.3系统功能模块 (8)4.4实验结果分析 (9)5总结与展望 (10)5.1总结 (10)5.2展望 (10)参考文献 (12)1绪论1.1选题的背景近年来随着计算机技术和互联网的发展，信息技术的安全变得越来越重要，生物特征识别技术得到广泛研究与开发，如人脸识别、指纹识别、掌形识别等。
MATLAB中的人脸识别与表情分析技巧
MATLAB中的人脸识别与表情分析技巧人脸识别和表情分析作为计算机视觉领域中的重要研究方向，在实际应用中有着广泛的应用。
作为计算机视觉领域的一个重要工具，MATLAB提供了丰富的功能和库，便于开发人员进行人脸识别与表情分析任务。
本文将介绍MATLAB中实现人脸识别与表情分析的一些技巧和方法。
一、人脸识别的基本原理与实现人脸识别是指通过计算机自动识别图像或视频中的人脸，核实或识别其中的个体身份。
其核心任务包括人脸检测、人脸对齐、特征提取和识别等过程。
在实际应用中，人脸识别常用于犯罪侦查、人脸门禁、人脸支付等领域。
在MATLAB中，实现人脸识别可以借助于OpenCV库。
首先，我们需要使用OpenCV的人脸检测算法来获取图像或视频中的人脸位置。
接着，通过对检测到的人脸进行对齐和预处理，将其转换为统一大小的灰度图像。
然后，利用人脸图像的特征提取算法，如主成分分析(PCA)、线性判别分析(LDA)等，将人脸图像转换为固定长度的特征向量。
最后，通过比对输入的人脸特征向量与保存的人脸数据库中的特征向量，即可进行人脸识别。
除了OpenCV库外，MATLAB还提供了自身的人脸识别库，如Computer Vision Toolbox中的vision.CascadeObjectDetector和vision.FaceRecognizer等函数，可以简化人脸检测和识别的过程。
使用这些函数，我们只需加载预训练好的人脸检测和识别模型，然后输入图像或视频，即可实现人脸识别的功能。
二、表情分析的基本原理与实现表情分析是指分析人脸图像或视频中的表情信息，识别出人脸所表现出的情绪状态，如喜、怒、哀、乐等。
表情分析在情感计算、人机交互和心理学研究等领域有着广泛的应用。
在MATLAB中，实现表情分析可以通过机器学习的方法。
首先，我们需要获取图片或视频中的人脸位置，可以借助OpenCV库或Computer Vision Toolbox提供的函数。
Matlab技术面部表情识别与情感分析
Matlab技术面部表情识别与情感分析近年来，随着计算机视觉和人工智能的发展，面部表情识别与情感分析成为了研究的热点。
在各个领域，包括人机交互、心理学和市场研究等，对于准确分析和理解人们的情感和表情，这项技术具有重要的应用价值。
Matlab作为一种流行的科学计算软件，具有强大的图像处理和模式识别功能，在面部表情识别与情感分析中发挥着重要的作用。
首先，面部表情识别是通过分析面部特征，包括眼睛、眉毛、嘴唇等部位的变化，来判断人的情绪状态。
Matlab提供了丰富的图像处理工具箱，可以对面部图片进行预处理、特征提取和分类。
例如，通过使用Matlab提供的Haar级联分类器，可以检测面部区域，并使用典型的图像特征，如梯度直方图、局部二值模式等，来捕捉面部表情的特征。
同时，Matlab还支持各种分类算法，如支持向量机、神经网络和决策树等，可以根据提取的面部特征进行训练和分类。
其次，情感分析是通过对文本、音频或图像等媒体数据进行分析，来推断人们的情绪状态和情感倾向。
在基于图像的情感分析中，Matlab提供了丰富的图像处理和特征提取函数。
通过对面部图片进行增强、滤波和二值化等预处理操作，可以提取出图像中的感兴趣区域，并计算出相关的纹理和颜色特征。
例如，使用Matlab的纹理特征函数可以提取出面部图片的熵、对比度和能量等纹理信息，这些信息可以反映面部表情的细微变化。
在特征提取的基础上，可以使用机器学习算法，如朴素贝叶斯和随机森林等，根据特征的统计分布和关联性来进行情感分类和分析。
此外，Matlab还提供了人脸数据库和算法库，方便研究人员进行面部表情识别和情感分析的实验。
例如，AT&T数据库和FER2013数据库提供了大量的面部表情图片和相应的标签，可以用于训练和验证算法的效果。
同时，Matlab还提供了一些开源的面部表情识别和情感分析算法，如Active Appearance Model (AAM)、Facial Action Coding System (FACS)和Convolutional Neural Network (CNN)等，这些算法可以作为研究的基准和参考。
如何使用Matlab进行人脸检测和人脸识别
如何使用Matlab进行人脸检测和人脸识别人脸检测和人脸识别是计算机视觉领域中的重要技术应用，可以广泛用于人脸识别系统、人脸支付、安全监控等众多领域。
本文将介绍如何使用Matlab进行人脸检测和人脸识别。
1. 背景介绍人脸检测和人脸识别技术的出现，为计算机系统实现对人脸的自动分析和识别提供了可能。
人脸检测是指从一幅图像或视频序列中确定是否存在人脸，并找出人脸的位置和大小。
而人脸识别则是在检测到的人脸图像上进行特征提取和模式匹配，以实现对人脸的身份识别。
2. 人脸检测在Matlab中，可以使用Viola-Jones算法进行人脸检测。
该算法通过构造Haar特征与Adaboost集成学习算法相结合，能够在较短的时间内实现高效的人脸检测。
具体操作如下：2.1 加载图像首先，在Matlab中加载需要进行人脸检测的图像。
可以使用imread函数进行图像加载，并将其转换为灰度图像进行处理。
例如：```Matlabimage = imread('face.jpg');gray_image = rgb2gray(image);```2.2 构建人脸检测器在Matlab中，可以使用vision.CascadeObjectDetector对象构建人脸检测器。
该对象可以通过Viola-Jones算法进行人脸检测。
具体代码如下：```MatlabfaceDetector = vision.CascadeObjectDetector();bbox = step(faceDetector, gray_image);```2.3 显示检测结果最后，可以使用insertObjectAnnotation函数将检测到的人脸位置在原始图像上标记出来。
代码示例如下：```Matlabdetected_image = insertObjectAnnotation(image, 'rectangle', bbox, 'Face');imshow(detected_image);```3. 人脸识别在Matlab中，可以使用基于人脸特征的Eigenface、Fisherface和LBPH等算法进行人脸识别。
人脸识别核心算法及MATLAB代码
人脸识别核心算法在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。
识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。
我们在这方面的主要工作包括：∙基于LGBP的人脸识别方法问题：统计学习目前已经成为人脸识别领域的主流方法，但实践表明，基于统计学习的方法往往会存在“推广能力弱”的问题，尤其在待识别图像“属性”未知的情况下，更难以确定采用什么样的训练图像来训练人脸模型。
鉴于此，在对统计学习方法进行研究的同时，我们还考虑了非统计模式识别的一类方法。
思路：对于给定的人脸图像，LGBP方法首先将其与多个不同尺度和方向的Gabor滤波器卷积(卷积结果称为Gabor特征图谱)获得多分辨率的变换图像。
然后将每个Gabor特征图谱划分成若干互不相交的局部空间区域，对每个区域提取局部邻域像素的亮度变化模式，并在每个局部空间区域内提取这些变化模式的空间区域直方图，所有Gabor特征图谱的、所有区域的直方图串接为一高维特征直方图来编码人脸图像。
并通过直方图之间的相似度匹配技术（如直方图交运算）来实现最终的人脸识别。
在FERET四个人脸图像测试集合上与FERET97的结果对比情况见下表。
由此可见，该方法具有良好的识别性能。
而且LGBP方法具有计算速度快、无需大样本学习、推广能力强的优点。
参见ICCV2005表.LGBP方法与FERET'97最佳结果的对比情况∙基于AdaBoost的Gabor特征选择及判别分析方法问题：人脸描述是人脸识别的核心问题之一，人脸识别的研究实践表明：在人脸三维形状信息难以准确获取的条件下，从图像数据中提取多方向、多尺度的Gabor特征是一种合适的选择。
使用Gabor特征进行人脸识别的典型方法包括弹性图匹配方法（EGM）和Gabor特征判别分类法（GFC）。
EGM在实用中需要解决关键特征点的定位问题，而且其速度也很难提高；而GFC则直接对下采样的Gabor特征用PCA降维并进行判别分析，尽管这避免了精确定位关键特征点的难题，但下采样的特征维数仍然偏高，而且简单的下采样策略很可能遗漏了非常多的有用特征。
基于matlab的人脸识别课程设计
基于matlab的人脸识别课程设计人脸识别方法的分析与研究目录摘要 ...................................................................... III 第1章绪论 .............................................................- 1 - 1.1人脸识别技术的细节 ................................................. - 1 - 1.2人脸识别技术的广泛应用 ............................................. - 1 - 1.3人脸识别技术的难点 ................................................. - 2 - 1.4 国内外研究状况 ..................................................... - 2 - 1.5人脸识别的研究内容 ................................................. - 3 - 1.5.1人脸识别研究内容 ............................................... -3 - 1.5.2人脸识别系统的组成 ............................................. -4 - 第2章人脸识别方法 ..................................................... -6 - 2.1基于特征脸的方法 ................................................... -6 - 2.2基于神经网络的方法 ................................................. -6 - 2.3弹性图匹配法 ....................................................... -7 - 2.4基于模板匹配的方法 ................................................. -7 - 2.5基于人脸特征的方法 ................................................. -7 - 第3章 PCA人脸识别方法 ................................................. - 9 - 3.1 引言 ............................................................... - 9 - 3.2 主成分分析 ......................................................... - 9 - 3.3特征脸方法 ........................................................ -11 - 第4章仿真实验 ........................................................- 13 - 4.1 流程图 ............................................................ - 13 - 4.2仿真结果 .......................................................... - 14 - 第5章总结与展望 ...................................................... - 15 - 5.1 总结 .............................................................. - 15 - 5.2 展望 .............................................................. - 15 -- I -人脸识别方法的分析与研究参考文献 ............................................................... - 17 - 附录 ...................................................................- 18 -- II -人脸识别方法的分析与研究摘要人脸识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。
如何使用Matlab进行人脸表情识别与情感分析
如何使用Matlab进行人脸表情识别与情感分析人类情感是复杂而广泛的。
通过表情可以传达出愤怒、快乐、悲伤等各种情感。
对于计算机来说，要理解人类表情并进行情感分析是一项具有挑战性的任务。
幸运的是，现代计算机视觉和机器学习技术的发展使我们能够利用工具如Matlab来实现人脸表情识别和情感分析。
在开始讨论如何使用Matlab进行人脸表情识别之前，有必要先了解一下人脸表情识别的背后原理。
人脸表情识别主要依赖于面部特征和模式识别算法。
Matlab提供了一系列工具和函数，帮助我们分析面部特征并应用模式识别算法。
在这里，我们将重点介绍几个重要的步骤。
第一步，人脸检测。
在进行人脸表情识别之前，我们需要先检测和定位人脸。
Matlab提供了许多人脸检测算法，如Haar级联分类器和基于特征值的方法。
这些算法可以帮助我们在图像中准确地检测到人脸。
第二步，特征提取。
提取面部特征是人脸表情识别的关键步骤之一。
在Matlab 中，我们可以使用特征提取算法如LBP（局部二值模式）和HOG（方向梯度直方图）来捕获面部的细微结构和纹理信息。
这些特征具有良好的不变性和判别性，有助于准确识别不同的表情。
第三步，分类器设计。
设计一个有效的分类器是实现准确的人脸表情识别的关键。
在Matlab中，我们可以使用机器学习算法如支持向量机（SVM）、K最近邻（KNN）和神经网络等来训练和构建分类模型。
这些算法可以根据输入的特征向量来学习和分类不同的表情。
第四步，情感分析。
除了识别表情，我们还希望能够进行情感分析，即根据表情来预测人类的情感状态。
在Matlab中，我们可以使用分类模型和情感词典来实现情感分析。
情感词典是一个包含情感标签和情感词汇的数据库，我们可以利用其中的信息来量化及预测人类的情感状态。
在实际应用中，人脸表情识别和情感分析有着广泛的应用潜力。
例如，在人机交互、情感计算和市场研究领域，人脸表情识别可以用来改善用户体验和情感交流。
情感分析则可以帮助我们了解用户的情感需求和对产品的评价。
人脸识别实验
matlab实现基于PCA的人脸识别算法实验者：guodw3一、问题描述在一个yale人脸库中，有15个人，每人有11幅图像。
要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。
再任取yale图像库的一张图片，识别它的身份。
对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。
如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。
不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。
因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。
二、PCA原理和人脸识别方法1）K-L变换K-L变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，对原始数据进行正交变换，在变换域上实现数据压缩。
它具有去相关性、能量集中等特性，属于均方误差测度下，失真最小的一种变换，是最能去除原始数据之间相关性的一种变换。
PCA则是选取协方差矩阵前k个最大的特征值的特征向量构成K-L变换矩阵。
2）主成分的数目的选取保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。
实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。
3）人脸空间建立假设一幅人脸图像包含N个像素点，它可以用一个N维向量Γ表示。
这样，训练样本库就可以用Γi（i=1，...，M）表示。
协方差矩阵C的正交特征向量就是组成人脸空间的基向量，即特征脸。
将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要人脸检测是当今视觉领域里非常重要和实用的研究课题，它应用于现实生活中的各个领域，如公安、金融、网络安全、物业管理以及考勤等。
基于视频的人脸检测属于动态检测，方法是先提取视频文件的帧，然后再对帧（图像）进行人脸检测，利用肤色特征的检测算法先对图像（帧）进行处理，然后建模，运用适当的算法把人脸检测出来，运用该方法完成了视频之中的的人脸检测。
本文采用MATLAB软件进行仿真，包括实现提取视频文件的帧，对输入图像检测有人脸（如果存在）的位置，大小和位姿，程序运行结果基本实现了上述功能。
关键词:人脸检测；视频检测；肤色特征Research of Face Detection and Implementation of MatlabStudent: xu wenqiang Teacher:jiang zhong zhengAbstract：Face detection is very important and practical research topic in the visual field，it is applied to many areas in our lives Such as public security, finance, network security, property management and attendance, Based on the video's face detection is dynamic detection ,The idea is to extract video file frame, then as the image face to detectionUse the skin color characteristics of the detection algorithm , first to do processing testing, Then e appropriate algorithm, the face detection out.By using this method the video to finish face detection. this paper, we also use Matlab software simulationIncluding realize The input image for face detection, Video file frame extraction then That is to make sure that there is an image input face (if present) of location, size and posture of the process.To run the program results basically achieved the functionKey Words：Face Detection；Video Detection；Skin color characteristics目次摘要 (I)Abstract (II)1 绪论 (1)1.1论文的研究历史背景及目的 (1)1.2国内外研究现状 (2)1.3论文的主要内容安排 (3)2 人脸检测及其算法简介 (5)2.1人脸检测介绍 (5)2.2人脸检测的常用方法 (5)2.2.1基于特征的人脸检测方法 (5)2.2.2模块匹配法的人脸检测 (6)2.2.3基于adaboost算法的人脸检测方法 (7)3 基于视频的人脸检测研究及其实现 (8)3.1 MATLAB图像处理工具箱中的视频操作 (8)3.2提取AVI视频文件的帧 (9)3.3对图像进行肤色特征的人脸检测 (11)3.3.1色彩空间及其内容介绍 (11)3.3.2对图像进行预处理 (11)3.3.3对人脸肤色进行建模 (13)3.3.4 检测人脸区域的选定 (14)3.4图像向AVI视频文件的转换 (16)4 人脸检测在MATLAB软件下仿真实现 (18)4.1设计条件 (18)4.2设计流程 (18)4.4.1基于视频的人脸检测的总设计模块图 (18)4.4.2对图像进行人脸检测具体框图 (19)4.3人脸检测的MATLAB实现 (19)4.3.1人脸检测运行结果 (19)4.3.2人脸检测结果分析 (21)5 结论 (22)致谢 (23)参考文献 (24)附录 (25)1 绪论当前，人脸检测越来越受到大家的关注，它作为生物特征识别中一个非常重要的一个分支，已成为计算机视觉与模式识别领域中非常活跃的一个研究领域。
而基于视频的人脸检测更是学术界的一个难点。
数字视频是数字图像在时间轴上的扩展，可以将视频的每一个帧视为一副静止的图像，而本文先会对视频进行处理，然后再对图像进行人脸检测[3]。
作为图像与视频中最重要的视觉图像之一，人脸包含很多信息，，通过人脸检测，我们可以很快的知道一个的部分基本资料，如性别，表情，年龄和身份等基本信息，在现实生活中如在公安、金融、网络安全、物业管理以及考勤等都会用到人脸检测，因此人脸检测技术具有很高的学术的研究价值和商业价值，这就引起了在人脸识别这方面的广大科学研究工作者的浓厚兴趣，可以这么说，人脸检测已经成为当前科学界最热门的一个课题之一。
1.1 论文的研究历史背景及目的近年来，由于视频监控，人机交互和视频检索等应用的需求，视频中的人脸检测研究得到迅速发展。
视频中人脸检测可以划分为三个环节:先提取视频文件中的帧，对图像进行人脸检测，再还原成视频，完成视频中人脸的检测。
人脸检测最初来源于人脸识别。
是指对于任意一副给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回一脸的位置、大小和姿态，并把有人脸的地放识别出来。
早期，人脸检测技术主要服务于人脸识别课题的研究；但是，随着生物识别技术的快速发展，入脸检测技术己经被广泛的应用于其它相关领域，产生一定的商业价值。
例如：国家军事、安全系统验证、视频会议、人机智能交，各类金融卡、身份验证等等方面具有重要的应用价值，所以，现在人们有许多人对人脸识别越来越重视了。
人脸检测的研究同时也具有非常重要的的学术价值，人脸是一类具有相当复杂的细节变化的自然结构目标，对此类目标的挑战性在于：人脸由于外貌、表情、肤色等不同，具有模式的可变性；一般意义下的人脸上，可能存在眼镜、胡须等附属物；作为三维物体的人脸影像不可避免地受由光照产生的阴影的影响。
因此，如果能够找到解决这些问题的方法，成功地构造出人脸检测系统，将为解决其他类似的复杂模式的检测问题提供重要的启示。
人脸检测的目的是检测一张图像是否由人脸，如果有人脸，就把它从图像背景中分离出来，然后对特征进行人脸识别。
而在视频中的人脸检测在信息处理中，已经成为是一项相当难突破的技术，越来越受到计算机视觉界的广泛关注，作为这个有价值课题，已经渗透到各不同领域中。
1.2 国内外研究现状目前，越来越多的国家开始对人脸检测及其识别的研究。
并且发展得很快，已经由原来的静态识别到动态识别，由单向多张脸识别，还有从最初的二维脸识别到现在的三围立体的识别。
在国内，最早研究人脸检测识别的，当属于中科院计算所跟哈工大的一个联合面像实验室。
该实验室的高文教授，陈熙林教授，山世光教授，直到今天，都一直活跃在人脸识别领域，更可贵的是，在IEEE上面发表了很多paper。
这一点，很值得国内的同行学习。
后来，该实验室，成为上海银晨的研发中心，专门为上海银晨做技术研发和技术支持。
其次是中科院生物识别研究所的李子青教授，以及下属的中科奥森公司。
李子青教授，当年在微软亚洲研究院的时候，就从事人脸识别方面的研究工作。
后来，在中科院组建了专门的人脸识别研究团队。
该研究团队，首先提出了基于近红外的人脸识别技术，并将该项人脸识别技术用于08年北京奥运会。
同时，基于近红外的人脸识别技术，得到了国际上同行业专家的认同和一致肯定。
接着，是清华大学的丁晓青教授。
丁晓青教授在OCR(字符识别)领域，可谓国内第一人。
不过，最近几年转行做人脸识别，也是非常有成就的。
不说别的，就只从FRVT2006（美国国家标准研究所2006年全球人脸识别供应商系统性能测试）的测试结果来看，丁晓青教授的研究团队是唯一一个完成大规模3D人脸识别性能测试的参赛团队。
由此可见，在国内人脸识别领域来说，她们的算法，在3D领域，绝对排名第一。
国外主要有美国、欧洲国家、日本等著名的科研机构有美国的MIT和CMU，英国的剑桥大学。
在人脸识别领域中，国际上逐步形成了一下几个研究方向：基于几何特征的方法、基于肤色模型的方法、基于模板匹配的方法、基于KL变换的特征脸方法、基于隐马尔可夫模型的方法和神经网络识别的方法等等。
它们可以被归类到基于显式特征和基于隐式特征的两大类方法中。
发展至今，人脸识别的方法越来越多，最有代表的是基于Haar特征的人脸识别方法是其中较为典型的方法，该算法不仅具有较高的检测率，同时也能够满足实时检测的要求。
基于Haar特征的人脸识别方法始于2001年Paul Viola和Michael Jones两者撰写的一篇论文，他们在论文中提出了Haar特征和Adaboost算法，并利用它们进行人脸检测。
但是此方法只能用于检测正面无旋转的人脸。
为此，Rainer Lienhart等人于2002年对此方法进行了扩展, 增加了倾斜特征的定义，此后此方法被扩展到全旋转缩放情况下的人脸检测。
自从以上几位学者运用基于Haar特征和Adaboost算法进行人脸检测取得长足进步之后，基于Haar特征的人脸检测方法备受专家学者的青睐，国内外相关内容的研究成果也是层出不穷。
1.3 论文的主要内容安排本文首先介绍人脸检测的基本内容，介绍人脸检测及其的方法，然后就是基于视频的人脸检测设计及其实现，在这部分中首先从视频中提取视频文件的帧，再对图像进行肤色特征的人脸检测，然后把检测后的图像还再转换成视频，再播放，以达到人脸检测的目的。
检测图像是否有人脸，如果有，则把人脸从图像中标识出来达到预想的目的。
最后再通过Matlab软件仿真，达到我们人脸检测的目的。
本论文的章节安排和主要内容如下:第一章绪论。
主要介绍了本文的历史背景，着重介绍了人脸检测技术的研究现状以及国内外研究现状，并明确了本文的工作内容和章节安排。
第二章是对人脸检测及其算法的介绍。
首先进行人脸检测的介绍；然后介绍了当前国内外用到的人脸检测技术；其次介绍人脸检测的几种方法，当前人脸检测的几种方法，如基于特征的人脸检测，模块匹配的人脸检测，基于统计的的人脸检测和基于adaboost算法的人脸检测方法。