主流的人臉檢測方法基于以上特征采用Adaboost學(xué)習(xí)算法，Adaboost算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強(qiáng)的分類方法。人臉檢測過程中使用Adaboost算法挑選出一些能代表人臉的矩形特征(弱分類器)，按照加權(quán)投票的方式將弱分類器構(gòu)造為一個(gè)強(qiáng)分類器，再將訓(xùn)練得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類器，有效地提高分類器的檢測速度。

人臉圖像特征提?。喝四樧R(shí)別系統(tǒng)可使用的特征通常分為視覺特征、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，也稱人臉表征，它是對(duì)人臉進(jìn)行特征建模的過程。人臉特征提取的方法歸納起來分為兩大類：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。

所謂自然性，是指該識(shí)別方式同人類（甚至其他生物）進(jìn)行個(gè)體識(shí)別時(shí)所利用的生物特征相同。例如人臉識(shí)別，人類也是通過觀察比較人臉區(qū)分和確認(rèn)身份的，另外具有自然性的識(shí)別還有語音識(shí)別、體形識(shí)別等，而指紋識(shí)別、虹膜識(shí)別等都不具有自然性，因?yàn)槿祟惢蛘咂渌锊⒉煌ㄟ^此類生物特征區(qū)別個(gè)體。

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

人臉自動(dòng)對(duì)焦和笑臉快門技術(shù)：是面部捕捉。它根據(jù)人的頭部的部位進(jìn)行判定，確定頭部，然后判斷眼睛和嘴巴等頭部特征，通過特征庫的比對(duì)，確認(rèn)是人面部，完成面部捕捉。然后以人臉為焦點(diǎn)進(jìn)行自動(dòng)對(duì)焦，可以大大的提升拍出照片的清晰度。 　笑臉快門技術(shù)就是在人臉識(shí)別的基礎(chǔ)上，完成了面部捕捉，然后開始判斷嘴的上彎程度和眼的下彎程度，來判斷是不是笑了。以上所有的捕捉和比較都是在對(duì)比特征庫的情況下完成的，所以特征庫是基礎(chǔ)，里面有各種典型的面部和笑臉特征數(shù)據(jù)。

人臉識(shí)別算法一般會(huì)設(shè)定一個(gè)閾值作為評(píng)判通過與否的標(biāo)準(zhǔn)，該閾值一般是用分?jǐn)?shù)或者百分比來衡量。業(yè)界一般采用“認(rèn)假率（FAR，又稱誤識(shí)率，把某人誤識(shí)為其他人）”和“拒真率（FRR拒真率，本人注冊(cè)在底庫中，但比對(duì)相似度達(dá)到不預(yù)定的值）”，來作為評(píng)判依據(jù)。