下载文档原格式
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。
基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。
本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。
二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。
早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。
随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。
三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。
通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。
同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。
（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。
通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。
此外，多模态特征融合技术也可以提高人脸识别的性能。
（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。
由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。
该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。
四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。
例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。
此外，该技术还可以应用于门禁系统、监控系统等场景。
（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。
人脸识别研究综述人脸识别技术是一种通过计算机分析和识别人脸特征的技术。
近年来，随着硬件设备的进步和算法的不断改进，人脸识别技术得到了广泛的应用和研究。
本文将综述人脸识别技术的发展历程、应用领域、算法方法以及存在的问题和挑战。
人脸识别技术的发展历程可以追溯到上世纪六十年代。
当时，人们开始尝试使用计算机来识别人脸。
随着研究的深入，人脸识别技术逐渐被应用到安全领域。
现在，人脸识别已经广泛应用于人脸解锁、人脸支付、公共安全监控等领域。
在人脸识别的应用领域中，其中一个重要的应用领域是安全领域。
人脸识别可以用于身份验证和辨识，提高安全性。
另一个重要的应用领域是智能手机和电脑的解锁功能，使得用户可以通过人脸进行解锁，提高了使用的便利性。
此外，人脸识别也可以用于大众交通卡的自动售卡和复检等领域，实现了自动化和智能化。
人脸识别的算法方法有很多种，包括特征提取、特征匹配和分类等。
其中，特征提取是人脸识别算法的关键步骤。
过去常用的特征提取方法包括基于统计的方法、基于模型的方法和基于深度学习的方法。
而特征匹配是将提取得到的特征与已知特征进行比对，确定其是否属于同一个人。
最后，分类是通过训练分类器来对人脸进行分类，将其归类到已知的人脸类别中。
然而，人脸识别技术也存在一些问题和挑战。
首先，光线、角度和遮挡等环境因素对人脸识别的准确度有很大的影响。
此外，个体之间的差异导致同一个人的不同照片可能会有很大的差异，增加了识别的难度。
此外，人脸识别技术还可能被滥用，侵犯隐私。
为了解决这些问题，需要进一步研究和改进人脸识别的算法和系统，提高其准确度和安全性。
总的来说，人脸识别技术是一种有广泛应用前景的技术。
通过综述人脸识别技术的发展历程、应用领域、算法方法以及存在的问题和挑战，我们可以看出，人脸识别技术在安全领域和生活领域都有很大的潜力。
随着技术的不断进步和完善，人脸识别技术将会变得更加准确、便捷和安全。
人脸检测和识别技术的文献综述摘要：通过对关于人脸检测与识别技术方面文献的阅读，本文综述了传统的身份识别，人脸检测和识别技术的背景、意义及国内外发展现状，着重介绍了人脸检测和识别方法。
关键词：人脸检测；人脸识别；子空间分析；核主元分析。
人脸不仅具有很强的自身稳定性和个体差异性，而且直接、友好，相对传统识别，更符合人类的视觉习惯。
一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[1]，人脸识别就是将待识别的人脸与已知人脸进行比较，得出相似程度的相关信息.这里所指的人脸识别是狭义的识别,是统称的广义人脸识别的一个子过程［2]。
近年来人脸检测和识别技术的研究取得了较大的发展。
1 人脸识别的背景和研究意义身份识别与验证是人类社会日常生活中的基本活动之一。
尽管也许是无意识的,我们每天都要对很多人的身份做出判别，同时,每个人也都要经常通过各种方式和手段证明自己的身份，目前我们大多数情况下仍然依赖于传统的身份验证手段来完成身份识别过程，这些手段包括各类标识物如身份证、学生证等各类证件,钥匙，口令等，然而这些方式使用不方便、不安全、不可靠的缺点不言而喻，证件、钥匙携带不便证件可以被伪造钥匙可能会丢失密码,这些缺点使得它们越来越不能满足现实的需要[3]。
目前广泛使用的依靠证件、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已经不能适应现代科技发展和社会进步的需要[4-6]。
随着社会的发展，信息化程度的不断提高,人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求.生物特征识别利用人类特有的生理特征如指纹,虹膜等或行为特征如签名，声音等进行身份识别。
基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一［7]。
2 人脸检测和识别技术的发展概况人脸检测是自动人脸识别系统中的一个关键环节，也是极其重要的一步。
人脸识别文献人脸识别技术在当今社会中得到了广泛的应用，其应用领域涵盖了安全监控、人脸支付、人脸解锁等多个领域。
为了了解人脸识别技术的发展，下面就展示一些相关的参考文献。
1. 《Face Recognition: A Literature Survey》- 作者: Rabia Jafri, Shehzad Tanveer, and Mubashir Ahmad这篇综述性文献回顾了人脸识别领域的相关研究，包括了人脸检测、特征提取、特征匹配以及人脸识别系统的性能评估等。
该文中给出了对不同方法的综合评估，如传统的基于统计、线性判别分析以及近年来基于深度学习的方法。
2. 《Deep Face Recognition: A Survey》- 作者: Mei Wang, Weihong Deng该综述性文献聚焦于深度学习在人脸识别中的应用。
文中详细介绍了深度学习中的卷积神经网络（Convolutional Neural Networks, CNN）以及其在人脸特征学习和人脸识别中的应用。
同时，文中还回顾了一些具有代表性的深度学习人脸识别方法，如DeepFace、VGG-Face以及FaceNet。
3. 《A Survey on Face Recognition: Advances and Challenges》-作者: Anil K. Jain, Arun Ross, and Prabhakar这篇综述性文献回顾了人脸识别技术中的进展和挑战。
文中首先介绍了人脸识别技术的基本概念和流程，然后综述了传统的人脸识别方法和基于机器学习的方法。
此外，该文还介绍了一些面部表情识别、年龄识别和性别识别等相关技术。
4. 《Face Recognition Across Age Progression: A Comprehensive Survey》- 作者: Weihong Deng, Jiani Hu, Jun Guo该综述性文献主要关注跨年龄变化的人脸识别问题。
人脸识别文献综述
人脸识别技术的文献综述可以从以下几个方面展开：
1.人脸识别技术的发展历程：介绍人脸识别技术的起源、发展历程以及各个阶段的技术特
点和应用领域。
2.人脸识别的基本原理：阐述人脸识别的基本原理，包括人脸检测、特征提取和匹配识别
等关键技术。
3.人脸识别的应用领域：介绍人脸识别技术在各个领域的应用情况，如安全、金融、交通、
教育等。
4.人脸识别的技术挑战和解决方案：分析人脸识别技术面临的技术挑战，如光照、角度、
面部朝向、面部表情等，并介绍各种解决方案和技术进展。
5.人脸识别的未来展望：预测人脸识别技术的发展趋势和未来发展方向，包括深度学习、
多模态融合、隐私保护等方面的技术发展。
6.在撰写人脸识别技术的文献综述时，需要全面收集和阅读相关文献，包括学术论文、专
利、技术报告等，并对各种文献进行分类和整理。
同时，需要对各种技术和方法进行比较和分析，总结出它们的优缺点和应用场景。
最后，需要结合自己的理解和见解，对人脸识别技术的未来发展进行预测和展望。
需要注意的是，人脸识别技术是一个跨学科的领域，涉及到计算机视觉、机器学习、模式识别等多个学科。
因此，在撰写文献综述时需要有一定的专业背景和技术基础，以便更好地理解和分析相关文献。
人脸识别技术的综述与分析人脸识别技术是一种基于计算机视觉和模式识别的技术，通过对人脸图片或视频进行分析和比对，实现身份识别、人脸检索和行为跟踪等功能。
近年来，随着计算机性能的提升和人工智能技术的不断发展，人脸识别技术得到了广泛的应用和研究。
一、技术发展历程人脸识别技术的发展可以分为三个阶段：传统算法、深度学习算法和端到端深度学习算法。
传统算法比较早期的人脸识别技术，主要采用几何、统计等方法对人脸特征进行提取和匹配。
这类算法主要应用于人脸检测和识别方面，但受限于特征的多样性和不足，其效果和鲁棒性和欠佳。
深度学习算法采用深层神经网络对人脸进行特征提取和学习，可以有效地提高人脸识别的准确率和鲁棒性。
近年来，深度学习算法在人脸识别方面取得了显著的进展，如FaceNet、DeepID、DeepFace和VGGFace等算法。
端到端深度学习算法将人脸识别过程从特征提取到匹配都交给深度神经网络处理，大大简化了流程和提高了效率。
目前，基于卷积神经网络的端到端人脸识别算法已成为主流，并在多种场景下实现了高效的人脸检测和识别。
二、技术原理与应用场景人脸识别技术的基本原理是通过对人脸图像进行分析和比对，从中提取出人脸的特征向量，并将其与数据库中已有的特征向量进行比对，来匹配出以前存在的人脸图像。
人脸识别技术可以应用于身份认证、门禁管理、智能安防、人脸支付等多种场景。
1.身份认证人脸识别技术可以通过对个人脸特征进行比对，验证身份的真实性。
在银行、机场、政府部门等各类场所中，可以通过人脸识别技术来确定个人身份，提高身份认证的准确性和效率。
2.门禁管理通过安装人脸识别设备，可以实现非接触式身份验证。
在进出人员相对固定的场所，如企事业单位、小区、学校等，可以使用人脸识别技术来管理和控制门禁，增强安全性和便利性。
3.智能安防结合人脸识别技术和视频监控设备，可以实现智能安防功能。
在银行、商场、车站等安保领域中，可以通过人脸识别技术来对可疑人员进行识别和报警，并及时采取相应的措施。
《基于深度学习的人脸识别方法综述》篇一一、引言随着人工智能技术的飞速发展，人脸识别技术已成为当今社会关注的热点。
作为计算机视觉领域的重要分支，人脸识别技术在安全监控、身份认证、智能交互等多个领域得到了广泛应用。
深度学习技术的出现为人脸识别提供了新的解决方案，使得人脸识别的准确性和效率得到了显著提升。
本文旨在综述基于深度学习的人脸识别方法，分析其原理、技术特点及发展趋势。
二、深度学习在人脸识别中的应用深度学习是一种模拟人脑神经网络结构的机器学习方法，通过构建多层神经网络来提取数据的深层特征。
在人脸识别领域，深度学习主要应用于特征提取和分类识别两个阶段。
1. 特征提取特征提取是人脸识别的关键步骤，其目的是从原始图像中提取出能够表征人脸特征的有效信息。
深度学习通过构建卷积神经网络（CNN）等模型，自动学习从原始图像中提取出高维度的特征表示，这些特征对于人脸识别任务具有较好的鲁棒性和区分性。
2. 分类识别分类识别是利用已提取的特征进行人脸匹配和识别的过程。
深度学习通过构建全连接层、支持向量机（SVM）等模型，对提取的特征进行分类和识别。
在人脸识别任务中，深度学习可以有效地提高识别的准确性和效率。
三、基于深度学习的人脸识别方法基于深度学习的人脸识别方法主要包括基于深度神经网络的人脸识别方法和基于深度学习的三维人脸识别方法。
1. 基于深度神经网络的人脸识别方法该方法通过构建多层神经网络模型，对人脸图像进行特征提取和分类识别。
常见的模型包括卷积神经网络（CNN）、深度置信网络（DBN）等。
这些模型能够自动学习和提取出高维度的特征表示，提高了人脸识别的准确性和鲁棒性。
2. 基于深度学习的三维人脸识别方法该方法利用三维信息来提高人脸识别的准确性和鲁棒性。
通过构建三维模型来获取人脸的立体信息，再结合深度学习技术进行特征提取和分类识别。
这种方法对于姿态变化、表情变化等复杂场景具有较好的适应性和鲁棒性。
四、技术特点及发展趋势基于深度学习的人脸识别方法具有以下技术特点：1. 高效性：深度学习能够自动学习和提取出高维度的特征表示，提高了人脸识别的效率和准确性。
人脸识别及身份验证技术研究综述人脸识别及身份验证技术是一种基于人脸生物特征进行识别的技术，其应用越来越广泛，涵盖安全监控、支付系统、手机解锁等多个领域。
在当前社会信息化和智能化的发展趋势下，人脸识别及身份验证技术也得到了更多的关注和研究。
在这篇文章中，将对人脸识别及身份验证技术的研究现状进行综述。
一、人脸识别技术的发展历程人脸识别技术起源于20世纪60年代，但直至80年代才开始引起学术界和工业界的关注。
早期的人脸识别系统主要采用几何和模式识别方法，通过比对面部特征进行识别。
然而，由于这类方法在复杂环境下的准确率较低，人脸识别技术一直未能实现在实际应用中的广泛普及。
随着深度学习和计算机视觉技术的快速发展，基于深度学习的人脸识别技术得到了极大的提升。
2024年，Google提出了一种基于卷积神经网络的人脸识别模型FaceNet，其在LFW数据集上的准确率高达99.63%，开创了人脸识别技术的新纪元。
之后，各大公司纷纷投入人脸识别领域，推动了该技术的飞速发展。
二、人脸识别技术的原理与方法人脸识别技术主要包括人脸检测、人脸对齐、特征提取和特征匹配等几个步骤。
其中，人脸检测是最关键的一步，其目的是在图像中准确地定位人脸区域。
人脸对齐用于修正人脸图像中的姿态和尺度，以便后续的特征提取和匹配。
特征提取是人脸识别的核心，常用的方法包括局部二值模式（LBP）、主成分分析（PCA）、线性判别分析（LDA）等。
特征匹配通过计算待识别人脸图像与数据库中已知人脸的相似性，从而实现识别目标。
目前，人脸识别技术主要分为传统方法和深度学习方法两大类。
传统方法包括主成分分析、线性判别分析、支持向量机等，在一定程度上能够取得较好的效果。
而深度学习方法则以卷积神经网络为代表，结构更加复杂，训练过程更为复杂，但在人脸识别准确率上表现更为出色。
三、人脸识别技术的应用领域人脸识别技术在许多领域都得到了广泛应用。
在安防监控领域，人脸识别技术能够帮助监控系统实现实时识别和追踪目标，提高监控效率和准确性。
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人工智能在多个领域的应用愈发广泛，其中人脸识别技术以其便捷性和准确性得到了极大的关注。
近年来，基于深度学习的人脸识别方法以其独特的优势成为了研究热点。
本文将详细探讨基于深度学习的人脸识别方法的研究现状和未来发展趋势。
二、深度学习在人脸识别中的应用深度学习通过模拟人脑神经网络的工作方式，能够从大量数据中自动提取和学习特征，因此在人脸识别领域具有显著的优势。
在传统的人脸识别方法中，需要手动设计特征提取器，而深度学习可以自动完成这一过程，大大提高了识别的准确性和效率。
三、基于深度学习的人脸识别方法研究现状1. 卷积神经网络（CNN）卷积神经网络是深度学习中应用最广泛的一种网络结构，其在人脸识别领域取得了显著的成果。
通过构建多层卷积层和池化层，CNN能够自动学习和提取人脸特征，从而实现对人脸的有效识别。
2. 深度神经网络（DNN）深度神经网络通过构建多层神经元网络，可以学习和提取更复杂的特征。
在人脸识别中，DNN可以用于学习和提取人脸的深度特征，从而提高识别的准确性。
3. 生成对抗网络（GAN）生成对抗网络是一种无监督学习方法，通过生成器和判别器的对抗过程，可以生成与真实数据相似的假数据。
在人脸识别中，GAN可以用于生成高质量的人脸图像，从而提高识别的准确性。
四、基于深度学习的人脸识别方法研究进展近年来，基于深度学习的人脸识别方法在多个方面取得了显著的进展。
首先，随着计算能力的提高，深度神经网络的规模和复杂度不断提高，使得其能够学习和提取更丰富的特征。
其次，各种新型的网络结构和算法不断涌现，如残差网络（ResNet）、循环神经网络（RNN）等，为提高人脸识别的准确性提供了新的途径。
最后，基于人脸识别的应用场景不断扩大，如门禁系统、移动支付等，进一步推动了该领域的发展。
五、基于深度学习的人脸识别方法的挑战与未来发展趋势尽管基于深度学习的人脸识别方法取得了显著的成果，但仍面临着诸多挑战。
文献综述1引言在计算机视觉和模式识别领域，人脸识别技术(Face Recognition Technology,简称FRT)是极具挑战性的课题之一。
近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。
人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。
人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。
正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。
虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。
它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。
与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。
并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。
自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息, 比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。
自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献A"。
本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。
此外, 本文还分析介绍了当前人脸识别的优势与困难。
2人脸识别相关理论图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。
要建立一套完整的人脸识别系统(Face Recognetion System, 简称FRS),必然要综合运用以下几大学科领域的知识：2.1数字图像处理技术数字图像处理又称为汁算机图像处理，它是指将图像信号转换成数字信号并利用计算机对英进行处理的过程，数字图像处理最早出现于20世纪50年代，当时的电子计算机己经发展到一左水平，人们开始利用计算机来处理图形和图像信息。
人脸检测和识别技术的文献综述摘要：通过对关于人脸检测与识别技术方面文献的阅读，本文综述了传统的身份识别，人脸检测和识别技术的背景、意义及国内外发展现状，着重介绍了人脸检测和识别方法。
关键词：人脸检测；人脸识别；子空间分析；核主元分析。
人脸不仅具有很强的自身稳定性和个体差异性，而且直接、友好，相对传统识别，更符合人类的视觉习惯。
一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[1]，人脸识别就是将待识别的人脸与已知人脸进行比较，得出相似程度的相关信息。
这里所指的人脸识别是狭义的识别，是统称的广义人脸识别的一个子过程[2]。
近年来人脸检测和识别技术的研究取得了较大的发展。
1 人脸识别的背景和研究意义身份识别与验证是人类社会日常生活中的基本活动之一。
尽管也许是无意识的，我们每天都要对很多人的身份做出判别，同时，每个人也都要经常通过各种方式和手段证明自己的身份，目前我们大多数情况下仍然依赖于传统的身份验证手段来完成身份识别过程，这些手段包括各类标识物如身份证、学生证等各类证件，钥匙，口令等，然而这些方式使用不方便、不安全、不可靠的缺点不言而喻，证件、钥匙携带不便证件可以被伪造钥匙可能会丢失密码,这些缺点使得它们越来越不能满足现实的需要[3]。
目前广泛使用的依靠证件、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已经不能适应现代科技发展和社会进步的需要[4-6]。
随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。
生物特征识别利用人类特有的生理特征如指纹，虹膜等或行为特征如签名，声音等进行身份识别。
基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[7]。
2 人脸检测和识别技术的发展概况人脸检测是自动人脸识别系统中的一个关键环节，也是极其重要的一步.早期的人脸检测问题可以追溯到20世纪70年代，由于技术原因，当时人脸检测的研究一直处于止步状态。
直到20世纪90年代，由于人脸识别系统和视频解码的大量运用，人脸检测的研究才得到了新的发展利用运动、颜色和综合信息等更具有鲁棒性的方法被提出来变形模板，弹性曲线等在特征提取方面的许多进展使得人脸特征的定位变得更为准确。
目前，国内外对人脸检测问题的研究非常多，比较著名的有国外的MIT、CMU等，国内的清华大学、北京工业大学、中国科学院计算技术研究所和中国科学院自动化研究所等。
近年来，人脸识别研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。
尤其是1990年以来，人脸识别更得到了长足的发展，每年都有大量的学术论文发表。
现在，几乎所有知名的理工科大学和IT产业的主要公司都有研究组在从事人脸识别的研究。
人脸识别的研究大致可分为四个阶段。
第一个阶段以Bertillon，Allen和Parke为代表，主要研究人脸识别所需要的面部特征；第二个阶段是人机交互识别阶段；第三个阶段是真正的机器自动识别阶段；第四个阶段是鲁棒的人脸识别技术的研究阶段。
目前，国外多所大学和研究机构已经研制出一些较好的人脸识别原型系统和一些较成熟的商业人脸识别系统，如德国的Cognitec，美国的Indentix，Eyematic等[8]。
3、人脸识别的研究方法近年来，人们对人脸检测和识别方法以及三维人脸的重建方法等的研究有了很大的进步，研究方法越来越多。
目前人脸识别技术的研究主要分为以下两大类：人脸检测和人脸识别。
人脸检测的方法主要有基于知识的方法、基于特征的方法、模板匹配和基于外观的方法等四种[9]。
根据特征提取和选择方法的不同，以及出现的时间顺序，把人脸识别方法分为三大类：早期的几何特征方法和模板匹配方法、神经网络方法和统计方法。
其中的分类只是相对的，有些方法可能也可以交叉存在[10]其框图如下：3.1人脸检测方法3.1.1 基于知识的方法基于知识的方法（Knowledge-Based Methods）一是基于规则的人脸检测方法。
规则来源于研究者关于人脸的先验知识。
一般比较容易提出简单的规则来描述人脸特征和它们的相互关系。
Yang和Huang使用分层的基于知识的人脸检测方法[11]。
他们的系统由3级规则组成。
在最高级，通过扫描输入图像的窗口和应用每个位置的规则集找到所有可能的人脸候选区。
较高级的规则通常描述人脸看起来象什么，而较低级的规则依赖于面部特征的细节。
多分辨率的分层图像通过平均和二次采样生成，如图2所示。
编码规则通常在较低的分辨率下确定人脸的候选区，包括人脸的中心部分图中较浅的阴影部分，其中有个基本上相同的灰度单元。
图2 Yang和Huang的检测方法Fig 2 The detection method of Yang and Huang3.1.2 基于特征的方法基于特征的方法（Feature-Based Methods）不仅可以从已有的面部特征而且可以从它们的几何关系进行人脸检测。
和基于知识的方法相反，它是寻找人脸的不变特征用于人脸检测。
人们已经提出了许多先检测人脸面部特征，后推断人脸是否存在的方法。
面部特征如眉毛、眼睛、鼻子、嘴和发际等，一般利用边缘检测器提取。
根据提取的特征，建立统计模型描述特征之间的关系并确定存在的人脸。
基于特征的算法存在的问题是，由于光照、噪声和遮挡等使图像特征被严重地破坏，人脸的特征边界被弱化，阴影可能引起很强的边缘，而这些边缘可能使得算法难以使用。
3.1.3模板匹配的方法Sakai等人用眼睛、鼻子、嘴和人脸轮廓等子模板建模，检测照片中的正面人脸。
每一个子模板按照线分割定义。
基于最大梯度变化提取输入图像的线，然后与子模板匹配。
计算子图像和轮廓模板之间的相互关系检测人脸的候选区域，完成用其他子模板在候选区域的匹配。
Craw等人提出了一种基于正面人脸的形状模板即人脸的外形定位方法。
用Sobel算子提取边缘，将边缘组织在一起，根据几个约束条件去搜索人脸模板。
在头轮廓定位。
Govindaraju等人提出两个阶段的人脸检测方法。
人脸模型根据边缘定义的特征构成。
这些特征描述了正面人脸的左边、发际和右边的曲线。
人脸必须是垂直、无遮挡和正面的。
3.1.4 基于外观的方法基于外观的方法首先通过学习，在大量训练样本集的基础上建立一个能对人脸和非人脸样本进行正确识别的分类器，然后对被检测图像进行全局扫描，用分类器检测扫描到的图像窗口中是否包含人脸，若有则给出人脸所在的位置。
Moghaddam和Pentland提出在高维空间利用特征空间分解密度估计的概率视觉学习方法[12]。
用主成分(PCA)分析来定义子空间从而最好地表示人脸模式集。
主成分保存数据中主分量而丢弃了那些次分量。
这种方法把向量空间分解为互相排斥和互为补充的2个子空间主子空间或特征空间和它的正交子空间。
因此对象密度被分解为个2成分在主子空间由主分量张成的密度，和它的垂直成分(在标准的PCA中被丢弃的次分量)如图3所示。
用多变量Gaussians和混合Gaussians 密度分布进行学习人脸局部特征的统计。
然后将这些概率密度用于基于最大似然估计的对象检测。
这种方法已经被用于人脸定位、编码和识别。
和传统的特征脸方法相比，此方法在人脸识别方面表现出更好的性能。
图3 图像空间分解为主子空间和垂直补空间Fig. 3 Decomposition lr a image space into theprincipal subspace its orthogonal complement3.2 人脸识别方法3.2.1早期的几何特征方法和模板匹配方法最早的人脸识别方法就是基于几何特征的方法[13]，它的基本思想是提取人脸面部具有代表性的部位（例如眉毛、眼睛、鼻子、嘴巴等）的相对位置和相对大小作为特征，再辅以人脸轮廓的形状信息，来对人脸进行分类和识别。
模板匹配方法是模式识别中最简单的一种模式分类方法。
在人脸识别中，就是把数据库的人脸图像看成是已知的模板，然后根据计算待识别图像和已知模板间的相关性大小来分类。
3.2.2 神经网络方法基于神经网络的人脸识别方法也早期的方法之一。
目前较流行的基于动态链接结构的弹性图匹配（Elastic Graph Matching）方法，并且取得了一定的成功。
它是通过Gabor 小波来提取并描述人脸中的一些局部特征点（节点），并把它们用成标记图（Labeled Graph）的形式连接起来，用标记图之间的相似度来衡量人脸图像之间的相似度。
弹性图匹配方法不但体现了人脸中的几何特征信息，而且还可以通过标记图的弹性形变来描述人脸的一些变化，因而能取得较好的识别性能。
3.2.3 基于统计的方法统计方法是目前最受注意的一类方法。
它的思想就是想通过学习来得到人脸的统计特征，并以此来判别分类。
其学习和识别过程的模型如下图4所示。
图4 统计方法识别模型子空间分析（Subspace Analysis）方法是其中的主要的一种，它的思想就是把高维空间中松散分布的人脸图像，通过线性或非线性变换压缩到一个低维的子空间中去，在低维的子空间中使人脸图像的分布更紧凑，更有利于分类。
另外，也使高维的计算减小为低维计算。
目前在人脸识别中得到成功应用的线性子空间分析方法有：主元分析（Principal ComponentAnalysis / PCA）、线性判决分析(Linear Discriminant Analysis / LDA)、独立元分析(Independent Component Analysis / ICA) 、非负矩阵因子(Non-negative Matrix Factorization / NMF)；基于核技巧的非线性子空间分析有：核主元分析(Kernel Principal Component Analysis / KPCA)和核Fisher判决分析(Kernel Fisher Discriminant Analysis / KFDA)。
核主元分析法如下：基于线性子空间分析方法的人脸识别，实际上是把实际人脸图像中存在的表情、姿态、光照等复杂的变化进行了线性简化，因此不可能得到充分的描述。
核技术的思想就是利用一非线性映射，把原空间的数据映射到一隐特征空间F 中：Φ:x ∈R n →f∈F，然后在隐特征空间中对数据进行分析，从而可得到有效地分析原始数据的非线性关系。
而在计算上，并不需要明确的计算这个非线性变换Φ,只需要计算在隐特征空间 F 中两两向量的点积即可（3.1）。
隐特征空间F 就是通过这样的点积来描述的。
k ( x,y)= (Φ(x)*Φ(y))(3.1) 常用的点积核函数有三种：多项式点积核函数、径向基点积核函数和Sigmoid 点积核函数[14-16]。
