基于隐式特征的方法将人脸区域看成一类模式，使用大量“人脸”、“非人脸”样本训练、构造分类器，通过判别图像中所有可能区域是否属于“人脸模式”的方法来实现人脸检测。这类方法有：特征脸法、人工神经网络法、支持向量机法；积分图像法。
特征脸法（eigenface）把单个图像看成一维向量，众多的一维向量形成了人脸图像特征空间，再将其变换到一个新的相对简单的特征空间，通过计算矩阵的特征值和特征向量，利用图像的代数特征信息，寻找“人脸”、“非人脸”两种模式在该特征空间中的分布规律。
人工神经网络（Artificial Neural Network，ANN）的方法是通过训练一个网络结构，把模式的统计特性隐含在神经网络的结构和参数之中。基于人工神经网络的方法对于复杂的、难以显式描述的模式，具有独特的优势。
支撑向量机（Support Vector Machine，SVM）法是在统计学习理论基础上发展出的一种新的模式识别方法，它基于结构风险最小化的原理，较之于基于经验风险最小化的人工神经网络，一些难以逾越的问题，如：模型选择和过学习问题、非线性和维数灾难问题、局部极小点问题等都得到了很大程度上的解决。但是直接使用SVM方法进行人脸识别有两方面的困难：第一，训练时需要求解二次规划问题计算复杂度高，内存需求量巨大；第二，在非人脸样本不受限制时，需要极大规模的训练集合，得到的支持向量会很多，使得分类器的计算量过高。
基于积分图像（Integral Image）特征的人脸检测方法是Viola等
20
新近提出的一种算法，它综合使用了积分图像描述方法、Adaboost学习算法及训练方法、级联弱分类器。
以上四种方法的优缺点比较见表3-2 表3-2 基于隐式特征方法的特征 检测方优点 法 标准人脸模板能抽象人脸全但模板检测效率低，多模本征脸部信息，运算不涉及迭代耗费板提高了效率也增加了检法 时间短 神经网多，训练成熟的网络监测速度但网络监测错误报警数目络法 快 多 支撑向比神经网络方法具有更好的“非人脸”样本复杂多样，量机机泛化能力，能对为观测到的例造成支持向量数目多，运法 子进行有效分类 算复杂度大 错误报警数目少时，检测分图像测要求，检测效率可以与神经率不高 分析法 网络法比较 测时间 检测效率高，错误报警数目不多样本训练耗费时间多，缺点与需要改进的地方 基于积检测速度快，基本满足实时检 运用matlab仿真进行人脸检测定位实例： 人脸检测定位程序：
%%%%% Reading of a RGB image
21
i=imread('face1.jpg'); I=rgb2gray(i); BW=im2bw(I); figure,imshow(BW)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%% minimisation of background portion
[n1 n2]=size(BW); r=floor(n1/10); c=floor(n2/10); x1=1;x2=r; s=r*c; for i=1:10 y1=1;y2=c; for j=1:10
if (y2<=c | y2>=9*c) | (x1==1 | x2==r*10) loc=find(BW(x1:x2, y1:y2)==0); [o p]=size(loc);
22
pr=o*100/s; if pr<=100
BW(x1:x2, y1:y2)=0; r1=x1;r2=x2;s1=y1;s2=y2; pr1=0; end
imshow(BW); end
y1=y1+c; y2=y2+c; end x1=x1+r; x2=x2+r; end
figure,imshow(BW)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%% detection of face object
L = bwlabel(BW,8);
BB = regionprops(L, 'BoundingBox');
23
