人脸检测最初来源于人脸识别问题，所以它的发展与人脸识别始终存在着千丝万缕的联系，因此，从研究方向、计算机技术、实现策略等方面的特点概括地将其发展分为三个阶段。

   （1）第一阶段

    这一阶段主要采用基于面部几何特征的策略对人脸检测与识别问题进行研究，所以一般将其作为一个寻常的模式识别问题进行研究。这样的几何特征方法总体反映在将人脸识别问题类比到图像剪影课题的研究之中，将人脸剪影的图像模型特征进行提取和分析。人工神经网络也曾一度被应用其中。78645

   （2) 第二阶段

    此阶段可以被认为是人脸检测与识别问题研究的活跃的时期，不仅研究出许多有着巨大重要性的人脸检测与识别算法，而且还出现了许多像FaceIt这种可以商业化运作的商业性人脸检测识别系统。

    谈及算法，其中最具有代表性的便是来自MIT媒体实验室的Turk和Pentland发布的“特征脸(Eigenface)”方法，其后有很多算法几乎都与此算法有关。如今，特征脸方法已经与Normalized Correlation方法共同成为对人脸检测识别进行测试的标准算法。论文网

     (3) 第三阶段

    这一阶段，人脸识别问题受到十分热门追捧与研讨，得到了大量学科人员与资金支撑。然而，因为对环境光、面部神态变化等普通复杂环境条件导致的变化下的鲁棒性不高，提高鲁棒性成为此阶段研究趋势热点方向。

    这一时期的主要研究成果主要是Blanz和Vetter等提出多姿态、多光照条件人脸图像分析法，此方法是基于三维模型的，此分析法的主要意义在于它在3D模型和纹理统计变形模型得出的根本上，还利用图形学模拟的策略对图形图像采集过程中的透视投影和光照模型的统计参数进行数学建模，这便能够使得面部结构和面部阴影等面部特有特征与摄像系统的参数设置、环境光效果等外界因素彻底分离，进而促进面部图像的数据处理。

    2001年，国际计算机视觉与模式识别大会(ICCV)上，三菱电气研究院的研究员Paul Viola和康柏剑桥研究院的研究员Michael Jones共同为大家展现他们的研究成果：一种基于简单矩形特征和Adaboost的实时人脸检测系统。其方法的主要贡献在于：（1）首创了基于Adaboost算法令多个弱分类器进行相互搭配构建成为强分类器的方法；（2）采用了大量提高检测速度的级联技术；（3）使用了能够快速计算数据的简单矩形特征来作为人脸的面部图像特征。此方法为日后的人脸研究做出巨大贡献，奠定了良好的基础与研究方向。

如今，我们手中的智能手机中的拍照功能，几乎都可以将被拍摄对象中的人脸检测出来，从而实现精准对焦。这也看出人脸检测技术发展速度之快，以经不知不觉的存在于我们的日常生活当中。