人脸和脸上的器官具有很典型的边缘特征和形状特征，通常用Canny算子，Sobel算子和Laplacian算子等来提取边缘特征，将这些特征用于人脸的定位；还可以利用人脸部独特的纹理特征来区分对象。
这种方法的困难来自将已有的先验知识转化为编码时，难以确定标准，因为无法确定规则指定的宽泛程度，可能会由于规则太宽松使得非人脸区域被误检测为人脸，或者规则太精细导致人脸被忽略的情况。
2.1.1  器官分布规则
人脸外表看起来各不相同，但总体来说还是有规则可循，如人脸在几何方面的规律，人脸部的器官的分布具有对称、居中的特点，可以根据检测图像中是否存在这些符合条件的区域，来判断是否存在人脸。
检测方法有两种思路：一种思路是“从上至下”，其中最简单的是Yang和Huang提出的Mosaic方法。这种方法是三级结构，由粗到细，首先通过某种方法生成图像在不同分辨率下的图像，对不同分辨率的图像制定不同的规则，低分辨率图像中的规则体现人脸的大体轮廓，高分辨率图像的规则体现人脸部的细节特征。另一种思路是“从下至上”，检出脸上器官在图像中的可能分布位置并根据已有的器官分布的几何关系准则找出可能的人脸区域[5]。
2.1.2  对称性规则
人脸整体以及脸部器官分布都存在轴对称性。Riesfield提出一种方法叫广义对称变换方法，这种方法的人脸检测是通过检测图像中对称性较强的点来实现；卢春雨提出方向对称变换方法，在图像的不同方向上考察对称性，找出图像中对称性较强的点，同时描述出其形状信息，这种变换似乎更有效，因为它不太容易受光照、拍摄角度、表情变化的影响[6]。
2.1.3  运动规则
这种规则适用于动态图像，动态图像中，人脸相对背景会出现一定的位移，通过检测位移来找出人脸，如果相比较的两幅图像中有区域产生相对变化，就可以分辨出人脸和背景，从而找出人脸。
2.2  特征不变量方法
特征不变量有一定的前提，假设人脸检测过程中存在唯一的图像空域不变量或频域不变量，在图像中全局搜索这些不变量来实现人脸检测。该类方法所采用的不变特征主要有肤色特征、纹理特征、面部特征等及这些特征的融合。但其缺点是图像特征会受光照、面部遮挡物等的影响，当面部存在阴影时，阴影的边界被加强，面部的特征边界却被减弱，检测结果可能会出现误差。 OpenCV复杂场景人脸图像检测方法研究(3):http://www.youerw.com/jisuanji/lunwen_30937.html