无论是对人脸检测还是人脸识别来说，训练或测试一个分类器都要进行数据的收集，目前所有基于统计学习的方法都存在这个问题。本文提出了一种针对已有的人脸样本通过采用遗传算法进行重采样来扩张样本的算法。其基本思想是基于人脸样本是由有限的部件构成，而且遗传算法可以用于模拟自然界中的遗传过程。这种模拟可以涵盖人脸的一些变化，比如不同的光照，姿态，饰物，图片质量等。为了证明该算法所生成样本的推广能力，将这些生成的样本用于训练一个基于AdaBoost 的人脸检测器，并且将它在MIT+CMU 的正面人脸测试库 上

计算机视觉通常是指计算机通过控制和应用传感器等设备对周围的环境进行获取的过程，然后对获取的视觉信息进行后期加工，包括表示、压缩、分析、处理、储存等，进而实现人类视觉所具有的“看”的功能。近年来计算机技术、光电技术和自动化技术的飞速发展，促成了计算机视觉系统的出现，同时随着人类生产生活需求的不断提高，视觉化、智能化的解决方案也越来越广泛的应用于工业生产、医疗和军事等领域，计算机视觉技术已经成为各国研究者关注和研究的热点。对计算机视觉系统的研究无论是在理论研究还是实际应用方面都有巨大的价值和意义。

分析总结国内外近年来人脸检测和人脸识别的相关研究成果和最新研究进展的基础上,针对目前急需改进和提高的人脸检测和人脸识别中的几个关键问题进行了系统的实验和理论研究提出并实现了几种有实际应用价值的人脸检测和人脸识别算法。论文的研究内容主要包括彩色图像中的人脸检测、小样本人脸识别、光照变化下的人脸识别和三维人脸识别。在论文的具体研究过程中,力图将统计学习理论、随机方法与模式识别理论和应用紧密结合起来。

为了增强人脸识别对光照变化的鲁棒性，提出了一种融合多方法的人脸图像光照预处理算法。该算法首先根据改进的自适应平滑算法(IAS)估计出原图像的亮度分量L，再用Retinex算法求得反射分量R，同时对原图像进行局部对比度增强(LCE)处理来增强图像细节；然后采用基于标准差(SD)的加权方法将多种方法有效融合起来；最后采用基于稀疏表示的分类(SRC)算法进行判别归类。在Yale B人脸库上的实验表明，构造的算法识别率高于使用单一预处理算法，而且在训练样本单一、光照环境较差情况下也能取得很好的识别效果，