概述
opencv自带的分类器是adaboost分类器算法思想是通过迭代训练弱分类器得到一个强分类器。每次迭代得到局部最优的分类器，然后将局部最优的分类器权值相加最后得到一个可用的强分类器。具体的原理可参考《浅析人脸检测之Haar分类器方法》
在windows下编译opencv之后，在build\x64\vc14\bin目录下回有opencv_createsamples.exe和opencv_traincascade.exe这两个可执行文件，分别用于创建训练样本和训练。关于训练的方法请参考下方资料里的链接。
目前可以选择haar-like或者LBP特征的训练。根据下方《Training a better Haar and LBP cascade based Eye Detector using OpenCV》里的说法，在大规模训练之后，眼睛检测的准确率可以达到99%（Haar ）和95%（LBP ）。我没有人脸的数据，但是如果真的大规模训练的话，人脸的检测准确率应该也差不多。根据作者的说法，opencv自带的人眼检测模型，准确率只有89%。
当然，opencv提供了预训练好的人脸检测和眼睛检测的模型。这些模型文件在opencv的源码目录的data子目录下面。关于调用oepncv进行人脸识别，可参考前面的博客《python-opencv 使用LBP特征检测人脸》
LBP特征用于检测的原理
这段摘抄自《图像特征提取三大法宝：HOG特征，LBP特征，Haar特征》。
显而易见的是，上述提取的LBP算子在每个像素点都可以得到一个LBP“编码”，那么，对一幅图像（记录的是每个像素点的灰度值）提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”（记录的是每个像素点的LBP值）。
LBP的应用中，如纹理分类、人脸分析等，一般都不将LBP图谱作为特征向量用于分类识别，而是采用LBP特征谱的统计直方图作为特征向量用于分类识别。
因为，从上面的分析我们可以看出，这个“特征”跟位置信息是紧密相关的。直接对两幅图片提取这种“特征”，并进行判别分析的话，会因为“位置没有对准”而产生很大的误差。后来，研究人员发现，可以将一幅图片划分为若干的子区域，对每个子区域内的每个像素点都提取LBP特征，然后，在每个子区域内建立LBP特征的统计直方图。如此一来，每个子区域，就可以用一个统计直方图来进行描述；整个图片就由若干个统计直方图组成；
个人理解：对LBP处理后的图进行方向梯度识别