人臉檢測(cè)過(guò)程中使用Adaboost算法挑選出一些代表人臉的矩形特征(弱分類(lèi)器)，按照加權(quán)的方式將弱分類(lèi)器構(gòu)造為一個(gè)強(qiáng)分類(lèi)器，再將訓(xùn)練得到的若干強(qiáng)分類(lèi)器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類(lèi)器，有效地提高分類(lèi)器的檢測(cè)速度。人臉圖像預(yù)處理人臉圖像預(yù)處理：對(duì)于人臉的圖像預(yù)處理是基于人臉檢測(cè)結(jié)果，對(duì)圖像進(jìn)行處理并終服務(wù)于特征提取的過(guò)程。系統(tǒng)獲取的原始圖像由于受到各種條件的限制和隨機(jī)干擾，往往不能直接使用，必須在圖像處理的早期階段對(duì)它進(jìn)行灰度校正、噪聲過(guò)濾等圖像預(yù)處理。


對(duì)于人臉圖像而言，其預(yù)處理過(guò)程主要包括人臉圖像的光線補(bǔ)償、灰度變換、直方圖均衡化、化、幾何校正、濾波以及銳化等。人臉圖像特征提取人臉圖像特征提取：人臉識(shí)別系統(tǒng)可使用的特征通常分為視覺(jué)特征、像素統(tǒng)計(jì)特征、人臉圖像變換系數(shù)特征、人臉圖像代數(shù)特征等。人臉特征提取就是針對(duì)人臉的某些特征進(jìn)行的。人臉特征提取，也稱(chēng)人臉表征，它是對(duì)人臉進(jìn)行特征建模的過(guò)程。人臉特征提取的方法歸納起來(lái)分為兩大類(lèi)：一種是基于知識(shí)的表征方法；另外一種是基于代數(shù)特征或統(tǒng)計(jì)學(xué)習(xí)的表征方法。


人臉識(shí)別具有這方面的特點(diǎn)，它完全利用可見(jiàn)光獲取人臉圖像信息，而不同于指紋識(shí)別或者虹膜識(shí)別，需要利用電子壓力傳感器采集指紋，或者利用紅外線采集虹膜圖像，這些特殊的采集方式很容易被人察覺(jué)，從而更有可能被偽裝欺騙。困難人臉識(shí)別被認(rèn)為是生物特征識(shí)別領(lǐng)域甚至人工智能領(lǐng)域困難的研究課題之一。人臉識(shí)別的困難主要是人臉作為生物特征的特點(diǎn)所帶來(lái)的。


在人臉識(shí)別中，類(lèi)的變化是應(yīng)該放大而作為區(qū)分個(gè)體的標(biāo)準(zhǔn)的，而第二類(lèi)的變化應(yīng)該消除，因?yàn)樗鼈兛梢源硗粋€(gè)個(gè)體。通常稱(chēng)類(lèi)變化為類(lèi)間變化（inter-class difference），而稱(chēng)第二類(lèi)變化為類(lèi)內(nèi)變化（intra-class difference）。對(duì)于人臉，類(lèi)內(nèi)變化往往大于類(lèi)間變化，從而使在受類(lèi)內(nèi)變化干擾的情況下利用類(lèi)間變化區(qū)分個(gè)體變得異常困難。主要用途人臉識(shí)別主要用于身份識(shí)別人臉識(shí)別主要用于身份識(shí)別。