前言
人脸检测作为 人脸信息处理中的一项关键技术，包括了在图像中确定人脸以及其位置和大小的过程。近年来成为了图像处理和视觉领域内一项受到广泛重视的课题。到目前为止，人脸检测的算法大体可以分为以下几种:
- 基于肤色的人脸检测
- 基于知识规则的人脸检测
- 基于统计的人脸检测
下面我们将逐一介绍这三种人脸检测的算法，不做原理剖析。
一.基于肤色的人脸检测
作为人脸.上的关键信息,肤色不依赖面部的细节特征，并且对于旋转和表情的变化都有较好的鲁棒性，是一种有着和大多数背景物体相区别的有着十分好稳定性的特征。所以，肤色在人脸检测中往往是比较常用的特征。
基于肤色的人脸检测技术简易且相对容易实现，但是在多角度的人像图片和复杂背景的图片中效果较差，往往结合其他检测技术一起使用。
例举几个常见的颜色空间：RGB、HSV、Lab、YUV、YCbCr对于各类人种的普遍肤色（黄、黑、白）统计，找到阈值阈值区间进行检测。（会被其他颜色干扰，不建议单独使用）
二. 基于知识规则的人脸检测
由于人脸的规则性,对人脸的编码可以提取人脸的各种基本特征，形成各种知识规则库。人脸检测时可以根据库内的内容例如轮廓，五官相对位置等等来判断人脸的位置。
这些规则可以通过先验知识也可以通过后天总结得出。它涉及到图像内容理解的范畴，同时图像理解也是这种方法遇到的瓶颈。（思路：构建五官模型，对图像检测，符合该模型的输出人脸）
三.基于统计的人脸检测
这类方法通过对人脸的样本集以及非人脸的样本集进行统计学习得到一些模型参数,接着使用统计理论和机器学习的技术进行人脸信息的检测。这类方法其实是一种机器学习的过程也是对分类器的训练过程。
这类方法主要包括两大类: 第一类包括主成分分析（PCA），线性鉴别分析等，这些是建立在统计技术上的，第二类包括SVM, BP神经网络，RBF模型以及knn算法的等等，这些是基于统计理论分类的。
目前使用基于统计的人脸检测中的第二类完成人脸检测效果最佳，使用人数最多
