人脸识别（检测）技术主要涉及到Haar特征、积分图和Haar级联三大类，下面我简单概述一下这三类知识，并给出相应学习链接。
Haar特征分为四类：边缘特征、线性特征、中心特征和对角线特征，将这些特征组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和‘减’去黑色矩形像素和。 Lienhart R．等对Haar-like矩形特征库作了进一步扩展，扩展后的特征大致分为4种类型：边缘特征、线特征环、中心环绕特征和对角线特征，如下：
关于Haar特征不少国内外研究者都对其矩形特征库进行扩展，以找到最佳的特征模版。
Haar特征的提取简单说就是通过不断改变模版的大小、位置和类型，白色矩形区域像素和‘减去’黑色矩形区域像素和，以得到每种类型模版的大量子特征。
计算Haar的特征值需要计算图像中封闭矩形区域的像素值之和，在不断改变模版大小和位置的情况下，需要计算大量的多重尺度区域，这可能会遍历每个矩形的每个像素值且同一个像素如果被包含在不同的矩形中会被重复遍历多次，这就导致了大量的计算和高复杂度，因此提出积分图的概念。
积分图原理概述：将图像以线性时间初始化（仅第二次遍历图像时），并可以通过矩形区域四个角的值，提供像素的总和。通过下图可以更好地理解这个概念：
如果需要计算图像中任意矩形区域的，不需要遍历区域内的所有像素。想象下图中左上的点和任何相对的点P形成的矩形。设AP表示这个矩形的面积，如前图所示，AB表示通过去左上角点和相对的B点形成的5*2矩形的面积。为了清楚起见，看下图：
上图中的左上部分，着色像素表示左上角与点A之间的区域。这个区域用AA表示，剩下的图用AB、AC、AD表示。若想计算上图ABCD区域，将使用下列公式：
这个特定公式有什么特别之处呢？正如我们所知，提取图像的Haar特征需要计算多个尺度矩形的和。这些计算是重复的因为反复遍历了同一个像素。运行速度如此之慢，对一构建一个实时系统来说是不可行的。正如所见，不需要多次遍历相同的像素。如果要计算任意一个矩形区域，上述公式等号右边的所有值在积分图像中都是易于获取
的，只需要用正确的值替代它们就可以提取特征了。
Harr级联是一个基于Haar特征的级联分类器，级联分类器是什么？它是一个把弱分类器串联成强分类器的过程。弱分类器和强分类器分别是什么？弱分类器是性能受限的分类器，它们没法正确地区分所有事物。如果你的问题很简单 弱分类结果可接受。强分类器可以正确的对数据进行分类。
建立一个实时系统需要保证分类器运行良好并且足够简单。唯一需要考虑到的是简单分类器不够精确，若试图更精确就会变成计算密集型且运行速度慢。精确度和速度的取舍在机器学习中相当常见。所以串联一群弱分类器形成一个统一的强分类器可以解决这个问题。弱分类器不需要太精确，串联起来形成的强分类器具有高精确度。
关于Haar特征及积分图的学习资料推荐：
http://blog.csdn.net/zouxy09/article/details/7929570 适合初始了解、学习Haar和积分图
http://blog.csdn.net/lanxuecc/article/details/52222369 可以学习Opencv人脸检测源码
http://blog.csdn.net/liulina603/article/details/8617281 人脸检测整体流程的原理详细解释 包括公式 适合进阶。
http://www.cnblogs.com/ello/archive/2012/04/28/2475419.html Haar分类器
http://www.cs.ubc.ca/~lowe/425/slides/13-ViolaJones.pdf 2001年Paul Vioal和Michael Jones发表了创造性的论文 里面描述了级联步骤中的技巧，从而更快更有效的检测对象
