通过引入积分图的概念大大加速人脸特征值的计算。 通过Adaboost算法训练生成强分类器的过程。强分类器的生成需要进行T轮迭代。 1.      给定的训练样本集为S，总计N个样本，X和Y分别对应的是正样本（人脸样本）和负样本（非人脸样本）；T为进行训练的循环次数。 2.      初始化样本额权重为1/N，即为训练样本的初始概率分布； 3.      第一次迭代训练N个样本，得到第一个最优弱分类器 4.      提高上一轮中被误判的样本权重，得到一个新的样本（权重不一样） 5.      将新的样本进行新一轮的训练。 6.      循环执行4—5步骤，T轮后得到T个最优弱分类器。 7.      组合T个最优弱分类器得到最终的强分类器。                                 （作者此处没有标记到底底数是什么。。。。）   每一次进行迭代都会使本轮的分类器更加关注于上轮被分错的样本，从而降低了系统总的错误率，Adaboost算法核心是：让若有弱分类器进行投票，在把投票后的结果按弱分类器的错误率进行加权求和，并与平均投票结果进行比较得出最终的结果，可见，β越大，错误率越高，可见错误率越高，可见错误率越高的弱分类器在最后的权重也就越低。 Opencv中有关正脸的分类器有4种。   第一步，基于帧间差分法耳朵运动物体检测：帧间查分原理是对当前一帧的图像与上一帧的图像做差值，得到的图像称为差值图像，相对静止的图像在差值图像中无明显变化，而运动变化的物体差异很大，选定相应的阀值，对这个差值图像做二值化处理。对于阀值的选择可以通过实验而定。阀值太大只能捕捉到运动很快的目标，而阀值太小，环境的细微变化就会对其造成影响。作者通过实验讲阀值设置成5，既能很好捕捉眨眼变化，又能滤过不少环境噪声。   第二步，二值图像预处理，提取连通域，并对提取到的连通域进行计算，对这个二值图像进行开操作即腐蚀膨胀处理，目的是为了进一步降低噪声和背景等细微变化对其的影响，并使眼部区域形成连通域。提取所有得到的连通域（有可能会因为背景运动变化，头部晃动等因素可能产生多处的连通域），根据人眼的特征来过滤掉不符合的连通域，只保留人眼的连通域。这里我们用的人眼特征有以下几点：1.人眼连通域必然是成对出现的 2.连通域的宽度和高度与人眼的匹配    3.两个连通域之间的水平和垂直距离   第三步，在第二步的基础上定位到人眼区域并生成人眼模版。人眼模版图像应该是一个张开的清晰的人眼。然后对人眼进行实时的跟踪，并同时计算人眼的实时匹配归一化相关系数。    
f(x,y)为当前图像在(x,y) 为当前图像的平均灰度值，t（x，y）为在人眼模版的在（x,y）处的灰度值， 是人眼模版的平均灰度值。R为实时匹配的归一化相关系数，取值范围为（0，1），取值越接近1代表此时的人眼图像越接近人眼模版的图像。 （相关系数：在样本容量n较小时，我们仅凭相关系数较大就判定变量x与y之间有密切的线性关系是不妥当的。）   第四步：眨眼检测。进行眨眼检测就是根据第三步实时的计算人眼的R值，当这个R值为0.85到1时，证明此时人眼正在正常的睁开状态，当人眼闭合的瞬间，这个R值马上就会降到0.5到0.55，当眼睛再次睁开R值又再次回到0.85到1，根据这个变化规律就可以捕捉到人眨眼的过程。 作者的实验结果表明：这种检测方法对环境和人脸变化要求不大，准确率在90%以上，错误的情况均为漏检，基本不会出现误报。可以杜绝照片入侵的可能性。同时，也存在缺点，效率不高，依赖于使用者的眨眼频率，如果使用者长期不眨眼，系统在定位人眼和提取模版的时间大概用时要超过10s，而真正进行眨眼检测的时间却不足1s。针对上述不足，opencv中已经有训练好的haar级联强分离器，并使用离线人眼模版。   作者还介绍了 基于canny算子的边缘检测（市一中最优的边缘检测算法）结合hough变换（对圆形物体进行检测）的虹膜定位 。