视频和图像中人脸的检测、识别和检索，这些图像处理技术和应用在当今的科技发展中发挥着越来越重要的作用。例如，在公安、交通应用中，人群密度高的区域、城市的道路上都已部署了大量的监控摄像头（分辨率多为200万像素的高清数字摄像机），实现对目标人物（如可疑人物、犯罪嫌疑人）及其活动轨迹的全自动识别和检索，在公安和交通等应用中具有极其强烈的现实需求（目前主要通过人眼对视频进行人工分析，即办案人员用眼睛盯着视频、逐帧查看、反复比对，这一过程通常极为耗时）。要想实现对这些视频的全自动、智能分析，就需要准确地对人脸进行检测、识别和检索。而人脸检测、人脸识别和人脸检索，是当今智能识别的商业应用中迫切需要解决的现实问题。本书以实例为驱动，从应用的角度全面介绍、讲解、分析人脸检测、人脸识别和人脸检索问题中的经典算法及其应用。
“人脸检测”和“人脸识别”是两个容易混淆的概念。通俗地讲，人脸检测是根据肤色等特征定位人脸区域；人脸识别是识别这个人到底是谁。换句话说，需要首先在图像中检测出人脸的区域，即人脸检测，然后再使用人脸识别的算法，识别出图像中的人到底是谁。而人脸检索，指给定一个或多个包含人脸的输入图像，从图像库或视频库中检索包含所输入图像中的人脸的那些图像。人脸检测和人脸检索通常都是非监督学习的过程，即图像一般都没有标签/分类；而人脸识别是有监督学习的过程，需要使用一定数量的有标签的图像训练分类模型。近年来，随着深度学习的发展，使用大量有标记的人脸图像训练的人脸识别模型，能够更加准确地提取人脸特征，用于人脸的检索、检测中。
需要说明的是，尽管现有算法在LFW等公开数据集上取得了96%甚至更高的准确度，但人脸检测、人脸识别与人脸检索仍然是一个尚未很好解决的实际问题。事实上，尽管LFW数据集比原有的公开数据集更加有挑战性、更加接近真实应用，但其仍然只是一个非常简单和初级的数据集，远不能代表真实应用场景。由于表情、年龄变化、光线变化、不同姿态、不同图像分辨率等因素，现有的技术还达不到完全好用的程度。事实上，多数相关产品都要求正脸照，很多商业软件还需要手动采集不同光照、有无眼镜时人的图像。