人臉檢測和人臉識別都是屬於典型的機器學習的方法，但是他們使用的方法卻相差很大。
對於人臉檢測而言，目前最有效的方法仍然是基於Adaboost的方法。在網上可以找到很多關於Adaboost方法的資料，但基本上是千篇一律，沒有任何新意。給初學者帶了很多不便。建議初學者只需要認真閱讀：北京大學 趙楠 的本科畢業論文 ：基於 AdaBoost算法的人臉檢測 這篇畢業論文就夠了。作者詳細分析了Adaboost算法在人臉檢測中的具體執行過程，尤其是關於弱分類器的Haar特征選取過程，描述的相當清晰。
至於人臉檢測的代碼，網上基本上是關於如何用openCV去做人臉檢測的代碼。如果不需要對性能做更高的要求的話，直接用openCV就可以了。
根據對openCV代碼的理解，我重新提取了openCV人臉檢測的代碼，采用純C語言實現了人臉檢測，與openCV的代碼項目相比，有一下幾點不同：
1. 使用內存少。
1.1 原始openCV在檢測初始化的時候分配一個很大的buffer，在人臉檢測當中使用這個buffer，這個是由openCV的內存管理機制決定的。但在很多時候，圖像大小一般都沒有想象的那么大，這個大buffer只使用了其中的一小部分，內存空閑很大。在我的人臉檢測中，根據圖像大小分配2張圖片大小內存，分別存放積分圖和平方積分圖。其它的內存是結構體占用的內存，一般比較小。
1.2 原始openCv分類器文件是XML文本文件，而在我的人臉檢測之中是二進制文件。所以分類器文件比openCV小至少5倍以上。
2. 運行效率高
刪除了Canny邊緣檢測的代碼，針對具體的應用重新修改了算法執行中的部分參數。由於分類器是基於openCv改的，所以對人臉檢測的准確率沒有任何下降。
目前算法的代碼雖然是純C語言，但還沒有做定點優化。目前的性能在iPod4上面，對於640x480的圖片，檢測單張人臉的時間是60ms左右。
如果對adaBoost算法本身感興趣，除了可以閱讀openCv中的代碼之外，還有一個官方的代碼,實現了各種AdaBoost算法。
部分人臉檢測圖片的結果如下：
另外一張圖片：
測試圖片來自網絡，如涉及到版權問題，請告知！