OpenCV的例程中已经带有了人脸检测的例程，位置在：OpenCV\samples\facedetect.cpp文件，OpenCV的安装与这个例子的测试可以参考我之前的博文Linux 下编译安装OpenCV。
网上能够找到关于OpenCV人脸检测的例子也比较多，大多也都是基于这个例程来更改，只是多数使用的是OpenCV 1.0的版本，而OpenCV2.0以后由于模块结构的更改，很多人并没有将例程运行起来。如果是新版的OpenCV跑旧的例程，编译运行出错的话，需要确保：
#include "opencv2/objdetect/objdetect.hpp" 头文件被引用，老的头文件包含可能会提示找不到定义
libopencv_objdetect243.dll.a 库需要加入链接
之前找了几个例程，不尽如人意，于是决定还是改自带的例程更靠谱，更多的信息，已经在程序中添加注释，参见程序吧。
pro文件的工程配置，具体路径按照安装路径更改，Linux下也一样。
推荐阅读：
Ubuntu 12.04 安装 OpenCV2.4.2
CentOS下OpenCV无法读取视频文件
人脸检测基础知识整理下面整理下人脸检测的相关知识。
人脸检测从整体来看分为四个部分：
1、Face detection 人脸识别，即识别出这是人的脸，而不管他是谁的。
2、Face preprocessing 面部预处理，即提取出脸部图像。
3、Collect and learn faces 脸部的特征采集和学习
4、Face recognition 脸部识别，找出最相近的相近脸部图像。
“基于知识的方法主要利用先验知识将人脸看作器官特征的组合，根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来检测人脸。基于统计的方法则将人脸看作一个整体的模式——二维像素矩阵，从统计的观点通过大量人脸图像样本构造人脸模式空间，根据相似度量来判断人脸是否存在。在这两种框架之下，发展了许多方法。目前随着各种方法的不断提出和应用条件的变化，将知识模型与统计模型相结合的综合系统将成为未来的研究趋势。”（来自论文《基于Adaboost的人脸检测方法及眼睛定位算法研究》）
人脸检测算法的可靠性很大程度上依赖于分类器的设计，在2001年，Viola和Jones两位大牛发表了经典的《Rapid Object Detection using a Boosted Cascade of Simple Features》【1】和《Robust Real-Time Face Detection》【2】，在AdaBoost算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测，他俩不是最早使用提出小波特征的，但是他们设计了针对人脸检测更有效的特征，并对AdaBoost训练出的强分类器进行级联。这可以说是人脸检测史上里程碑式的一笔了，也因此当时提出的这个算法被称为Viola-Jones检测器。又过了一段时间，Rainer Lienhart和Jochen Maydt两位大牛将这个检测器进行了扩展【3】，最终形成了OpenCV现在的Haar分类器。在OpenCV2.0中又扩充了基于LBP特征的人脸检测器，某些情况下LBP特征比Haar来的更为快速。
在进行识别时首先通过大量的具有比较明显的haar特征（矩形）的物体图像用模式识别的方法训练出分类器，分类器是个级联的，每级都以大概相同的识别率保留进入下一级的具有物体特征的候选物体，而每一级的子分类器则由许多haar特征构成（由积分图像计算得到，并保存下位置），有水平的、竖直的、倾斜的，并且每个特征带一个阈值和两个分支值，每级子分类器带一个总的阈值。识别物体的时候，同样计算积分图像为后面计算haar特征做准备，然后采用与训练的时候有物体的窗口同样大小的窗口遍历整幅图像，以后逐渐放大窗口，同样做遍历搜索物体；每当窗口移动到一个位置，即计算该窗口内的haar特征，加权后与分类器中haar特征的阈值比较从而选择左或者右分支值，累加一个级的分支值与相应级的阈值比较，大于该阈值才可以通过进入下一轮筛选。当通过分类器所有级的时候说明这个物体以大概率被识别。
程序设计如果单纯是对功能进行实现，有了官方自带的例程做参考，移植实现并不是很难，几乎不用费太大的功夫，自带例程对照着OpenCV参考手册还是比较好理解，这部分例程已经成功在Linux（Ubuntu和嵌入式Linux）以及Windows下实现，后面实验室基于Qt设计的实验软件，也整合了进去。