主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。 
人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。 
2.人脸活体检测
      活体检测可以有效地检测出纸质照片、手机或pad上显示照片等其他非活体照片，杜绝了照片或者视频欺骗，保证系统人脸识别的安全性。算法提供随机动作配合检活模式，可随机提示动作类型并根据客户的配合完成度判断是否为活体，产品能提示客户完成以下八组动作（动作类型可自定义）并判断活体情况：
      提示客户张嘴； 提示客户抬头、低头； 提示客户左转头、右转头； 提示客户眨眼睛、左斜视、右斜视。
      活体检测控件支持IOS、Android、Windows等操作系统，并可通过参数进行配置和控制。通过天诚盛业人脸识别身份认证平台的自学习功能，能够不断学习客户的人脸特征变化，逐步提高人脸识别准确率，降低欺诈行为。 
3.人脸图像预处理 

人脸图像预处理是对系统所采集到的人脸图像进行光线处理、切割、旋转、降噪、过滤、放大或缩小等一系列的复杂处理，通过这些处理使人脸图像无论是光线还是角度、距离、大小等达到人脸图像特征提取的标准要求，尽可能消除因光照和角度等因素造成的影响，为进行人脸图像特征提取做好准备。 

4.人脸图像特征提取
      揭秘智能结算系统厂家是如何做到"看脸"吃饭的 
      人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。

基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。 

基于代数特征的方法的基本思想是将人脸在空域内的高维描述转化为频域或者其他空间内的低维描述。基于代数特征的表征方法分为线性投影表征方法和非线性投影表征方法。基于线性投影的方法主要有主成分分析法或称K-L变换，独立成分分析法和Fisher线性判别分析法。非线性特征提取方法有两个重要的分支：基于核的特征提取技术和以流形学习为主导的特征提取技术。