人臉檢測過程中使用Adaboost算法挑選出一些代表人臉的矩形特征(弱分類器),按照加權的方式將弱分類器構造為一個強分類器,再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器,有效地提高分類器的檢測速度。人臉圖像預處理人臉圖像預處理:對于人臉的圖像預處理是基于人臉檢測結果,對圖像進行處理并終服務于特征提取的過程。系統獲取的原始圖像由于受到各種條件的限制和隨機干擾,往往不能直接使用,必須在圖像處理的早期階段對它進行灰度校正、噪聲過濾等圖像預處理。
人臉圖像匹配與識別:提取的人臉圖像的特征數據與數據庫中存儲的特征模板進行搜索匹配,通過設定一個閾值,當相似度超過這一閾值,則把匹配得到的結果輸出。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進行比較,根據相似程度對人臉的進行判斷。這一過程又分為兩類:一類是確認,是一對一進行圖像比較的過程,另一類是辨認,是一對多進行圖像匹配對比的過程。

基于光照估計模型理論提出了基于Gamma灰度矯正的光照預處理方法,并且在光照估計模型的基礎上,進行相應的光照補償和光照平衡策略。優化的形變統計校正理論基于統計形變的校正理論,優化人臉姿態;強化迭代理論強化迭代理論是對DLFA人臉檢測算法的有效擴展;獨創的實時特征識別理論該理論側重于人臉實時數據的中間值處理,從而可以在識別速率和識別效能之間,達到的匹配效果
在人臉識別中,類的變化是應該放大而作為區分個體的標準的,而第二類的變化應該消除,因為它們可以代表同一個個體。通常稱類變化為類間變化(inter-class difference),而稱第二類變化為類內變化(intra-class difference)。對于人臉,類內變化往往大于類間變化,從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。主要用途人臉識別主要用于身份識別人臉識別主要用于身份識別。