位算法的精度在不断提高，也更加复杂。各种人脸检测算法中，精
度及鲁棒性好的算法，运算量都比较大，直接对图像进行计算，在
时间上让人难以忍受。
Adaboost 学习算法是目前最快的人脸检测算法之一。Boosting
是一种分类器融合算法。Adaboost 学习算法通过对一些弱的分类器
的组合来形成一个强的分类器。在 Adaboost 算法中，简单的分类算
法被称为弱学习算法。Adaboost 算法通过一个迭代的训练过程来得
到一个强的分类器。在第一次训练出一个弱分类器后，训练样本的
权重得到调整，从而使没有被第一次训练出的弱分类器正确分类的
样本的权重增加。如此迭代下去，最终得到的分类器是对每次训练
得到的弱分类器的一个线性组合。由于 Adaboost 算法，要通过迭代
训练将弱的分类器组合成强的分类器，其运算很耗资源。在实际应
用中往往都是结合其他算法来提高运算效率。
人脸的边缘图富含大量的人脸特征信息，许多学者利用这些边
缘信息来确定人脸的区域。大多数学者使用 Hough 变换来检测人脸
外边缘，但如果用标准的 Hough 变换检测人脸椭圆边缘需要在一个
5 维的参数空间做投票累加，这样的计算量是难以忍受和不切实际的。
Wang 和 Tan 利用输入图像边缘梯度向量和椭圆模型的边缘梯度方向
向量内积的大小来衡量匹配程度；Li 和 Roeder 在预先确定的人脸区
域内使用简化的自适应 Hough 变换，检测垂直的脸颊直线边缘和下
颚抛物线边缘；Yuen 分成两步检测椭圆：利用椭圆边缘上任意两点
的切线的交点和这两点的连线的中点的连线必然经过椭圆中心，首
先确定椭圆的中心坐标，再确定剩下的三个参数，虽然比标准 Hough
变换运算量减少了不少，但运算量仍很大。
人脸含有众多的椭圆曲线边缘，如外层、内层头发边缘、嘴眼
边缘、耳朵边缘、下颚边缘等，且曲线凹向均指向人脸内部。王洪
群等人通过对椭圆曲线的分析，提出的了一种特殊的椭圆弦箭累加
算法。该算法避免使用 Hough 变换等一些耗时的算法，具有大面积
快速搜索的能力，确定的搜索范围较小，可以快速确定人脸主要特
征（人眼和嘴）所在的大致位置和区域。该算法利用图像的边缘快
速确定搜索空间，并在搜索空间内使用虹膜网格采样矩阵进行纹理
