基于知识的方法
基于知识的方法（Knowledge-Based Methods）一是基于规则的人脸检测方法。规则来源于研究者关于人脸的先验知识。一般比较容易提出简单的规则来描述人脸特征和它们的相互关系。
Yang和Huang使用分层的基于知识的人脸检测方法[11]。他们的系统由3级规则组成。在最高级，通过扫描输入图像的窗口和应用每个位置的规则集找到所有可能的人脸候选区。较高级的规则通常描述人脸看起来象什么，而较低级的规则依赖于面部特征的细节。多分辨率的分层图像通过平均和二次采样生成，如图2所示。
编码规则通常在较低的分辨率下确定人脸的候选区，包括人脸的中心部分图中较浅的阴影部分，其中有个基本上相同的灰度单元。
基于特征的方法
基于特征的方法（Feature-Based Methods）不仅可以从已有的面部特征而且可以从它们的几何关系进行人脸检测。和基于知识的方法相反，它是寻找人脸的不变特征用于人脸检测。人们已经提出了许多先检测人脸面部特征，后推断人脸是否存在的方法。面部特征如眉毛、眼睛、鼻子、嘴和发际等，一般利用边缘检测器提取。根据提取的特征，建立统计模型描述特征之间的关系并确定存在的人脸。基于特征的算法存在的问题是，由于光照、噪声和遮挡等使图像特征被严重地破坏，人脸的特征边界被弱化，阴影可能引起很强的边缘，而这些边缘可能使得算法难以使用。
模板匹配的方法
Sakai等人用眼睛、鼻子、嘴和人脸轮廓等子模板建模，检测照片中的正面人脸。每一个子模板按照线分割定义。基于最大梯度变化提取输入图像的线，然后与子模板匹配。计算子图像和轮廓模板之间的相互关系检测人脸的候选区域，完成用其他子模板在候选区域的匹配。
Craw等人提出了一种基于正面人脸的形状模板即人脸的外形定位方法。用Sobel算子提取边缘，将边缘组织在一起，根据几个约束条件去搜索人脸模板。在头轮廓定位。
Govindaraju等人提出两个阶段的人脸检测方法。人脸模型根据边缘定义的特征构成。这些特征描述了正面人脸的左边、发际和右边的曲线。人脸必须是垂直、无遮挡和正面的。
基于外观的方法
基于外观的方法首先通过学习，在大量训练样本集的基础上建立一个能对人脸和非人脸样本进行正确识别的分类器，然后对被检测图像进行全局扫描，用分类器检测扫描到的图像窗口中是否包含人脸，若有则给出人脸所在的位置。
Moghaddam和Pentland提出在高维空间利用特征空间分解密度估计的概率视觉学习方法[12]。用主成分(PCA)分析来定义子空间从而最好地表示人脸模式集。主成分保存数据中主分量而丢弃了那些次分量。这种方法把向量空间分解为互相排斥和互为补充的2个子空间主子空间或特征空间和它的正交子空间。因此对象密度被分解为个2成分在主子空间由主分量张成的密度，和它的垂直成分(在标准的PCA中被丢弃的次分量)如图3所示。用多变量Gaussians和混合Gaussians密度分布进行学习人脸局部特征的统计。然后将这些概率密度用于基于最大
似然估计的对象检测。这种方法已经被用于人脸定位、编码和识别。和传统的特征脸方法相比，此方法在人脸识别方面表现出更好的性能。
可以的话去Ph一下colorreco，技术过硬，值得我们大家学习。