通過閱讀文獻總結了一下不同人臉檢測方法的優缺點。

首先人臉檢測方法大致分為三類吧，

1）基於特徵的人臉檢測

     整體輪廓法

      膚色檢測法

      器官分佈法

2）模板匹配法的人臉檢測

       鑲嵌圖法（又稱馬賽克法）

       預定模板匹配法

       變形模板法

3）基於adaboost 演算法的人臉檢測

基於膚色的人臉檢測演算法的優點是演算法實現簡單，不需要離線訓練，計算速度快，檢測率高，多多角度傾斜的人臉及表情變化不敏感等特點，缺點是遇見率高，對非人臉膚色區域（手腳、脖子等）及背景中的類膚色區域容易產生誤判。同時單一固定的閾值使得這種演算法魯棒性較差，不適應光照、陰影等外界因素變化的環境，因此這種演算法的侷限性，只能應用在簡單背景下的膚色檢測。

基於Gabor+BP神經網路的人臉檢測演算法的優點是該演算法理解起來簡單、學習能力強，計算量小，具有較強的抗噪聲能力，可以通過擴大訓練樣本集提高準確率，很容易訓練得到一個人臉檢測系統。缺點是存在訓練時間長導致收斂速度慢，學習效率低，沒有理論指導對中間層數及各中間層節點數的選取，學習新樣本的同時不能很好的記住舊樣本的問題。

    基於Hog+SVM的人臉檢測演算法的優點是對兩類目標的分類問題比較有效，缺點是SVM的訓練需要大量的儲存空間，並且訓練速度較慢。

     基於Harr+AdaBoost 的人臉檢測演算法通過實驗我們可以得到該方法的優點是對不同膚色的人群，有一定旋轉角度的人臉以及光照變化具有較高的魯棒性，檢測率高，誤檢率低。不足之處是每幅影象的訓練特徵維數龐大，訓練時間較長；雖然級聯分類器構造簡單方便，但會以犧牲一定的速度和精度為代價，同時，對類似人臉灰度分佈的背景區域容易誤判；對影象俯仰超過30度搖擺和傾斜超過45度的多角度人臉檢測效果不是很好。