就单一的来说，一种方式的影响就足以导致检测结果的失真，何况是存在多种情况一同干扰，要找到方法完全不受影响是几乎不可完成的任务，我们只有寄托其他领域的进步来完善人脸的描述方式。
1.4  人脸检测结果的评价标准
判断检测结果的质量也有自己衡量的标准：
(1)检测率
正确被检测到的人脸同图像中所有人脸的个数的比值就是检测率。比值越高就代表人脸检测结果质量越好，检测系统能力越强。
(2)误检率
被错误检测成人脸的非人脸同图像中被检测的非人脸的比值就是误检率。如果图像中被错误检测成人脸的非人脸为N1，被检测的非人脸数为N2，则误检率为Nl／N2。
误检率的提出也很有意义，因为检测率没有能力做到对非人脸的图像进行排除，当出现这种所有人脸都被检测到，同时有很多非人脸图像也被检测成人脸。引入误检率能判断检测系统对非人脸的排除能力。误检率越和系统对非人脸的排除能力成反比。
(3)检测速度
很多领域使用在线检测对于中国这个人口众多的国家来说，效率第一。在保证检测率和误检率不受影响的条件下，检测速度自然越快越好，也体现算法的优越性。
(4)鲁棒性
鲁棒性就是在系统在一定参数摄动下，保持某些性能的特性，在这里就是在光线，遮挡，人脸变化等情况下，保证检测的能力。
 2  检测方法
其实在很早以前就有人提出了许多人脸检测的方法，其中M．H．Yang[5]把人脸检测方法总结成这几个方法：基于知识的方法、基于特征不变量方法、模板匹配方法、基于表象的方法。当然，还有很多其他方法不归于上面四类，有的是其中方法的两两结合，大体上可以把方法粗略的分为两类[6]：基于图像和基于特征的。
2.1  基于知识的方法
这个方法是把有关人脸知识的编码组织成一些规则，这个规则包括了脸部各个部分特征及之间的联系，是用来定位的方法。大体上可分成四个规则[7]：
（1）轮廓规则
人脸的脸型综合来看可看做是一个椭圆[8]，对人脸检测时，先做边缘检测并提取的曲线特征参数，最后通过统计各个边缘参数来判定这是否是一张人脸。
（2）对称规则
人脸的左右对称性使得系统可以通过这一特性作为一种判定方法[9]。
（3）器官分布规则
人脸因个体而不同，但是因为其五官的基本位置是确定的，所以也可以拿来判定人脸。我们先建立五官的模板，然后在检测的图像中不断寻找符合五官分布的正确位置，再用五官的知识参数进行比对，找出人脸的正确位置[10,11]。
（4）运动规则
这是通过比对人脸五官和背景的相对运动来检测人脸。
基于知识的方法其实属于基础性的方法，从目前的认知水平来看，如果把规则设的简单，有类似模糊人脸规则的非人脸可能被定义为人脸，无形中提高了误检率。如果把规则定的太细致，真正的人脸可能会被漏掉，这就降低了检测率。这是一种检测率和误检率不可兼得的方法。
2.2  基于特征不变量的方法
我们为什么能毫不费劲地认出不同角度和亮度下的人脸，这个方法就是从这个想法出发作出了假设:除了从人脸外表能判断一个人脸，应该还存在着某种特征属性。这种假设光靠思考是没办法实现的，所以先实践，让机器通过大量的样本学习[12,13]，然后通过找相似点以寻找这种属性来检测人脸。
2.3  模板匹配方法
这种方法是把待测图像同模板进行比较，如果相似度大于一个设定的阀值，则判断为人脸。这种方法很粗糙，模板也有其特征点，所以精度较低，且匹配过程计算时间较长。 Adaboost+Opencv复杂背景下人脸检测技术研究(3):http://www.youerw.com/tongxin/lunwen_11505.html