1.基於特徵臉（PCA）的人臉識別方法

特徵臉方法是基於KL變換的人臉識別方法，KL變換是影象壓縮的一種最優正交變換.高維的影象空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以轉成低維線性空間.如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特徵向量，這就是特徵臉方法的基本思想.這些方法需要較多的訓練樣本，而且完全是基於影象灰度的統計特性的.目前有一些改進型的特徵臉方法.

2.神經網路的人臉識別方法

神經網路的輸入可以是降低解析度的人臉影象、區域性區域的自相關函式、區域性紋理的二階矩等.這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的.

3.彈性圖匹配的人臉識別方法

彈性圖匹配法在二維的空間中定義了一種對於通常的人臉變形具有一定的不變性的距離，並採用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特徵向量，用來記錄人臉在該頂點位置附近的資訊.該方法結合了灰度特性和幾何因素，在比對時可以允許影象存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對於單個人也不再需要多個樣本進行訓練.

4.線段Hausdorff 距離（LHD） 的人臉識別方法

心理學的研究表明，人類在識別輪廓圖（比如漫畫）的速度和準確度上絲毫不比識別灰度圖差.LHD是基於從人臉灰度影象中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD並不建立不同線段集之間線段的一一對應關係，因此它更能適應線段圖之間的微小變化.實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好.

5.支援向量機（SVM） 的人臉識別方法

近年來，支援向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的效能.支援向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題.通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本（每類300個），這在實際應用中往往是不現實的.而且支援向量機訓練時間長，方法實現複雜，核函式的取法沒有統一的理論.

比如雲脈實名認證系統為了確保人證一致，在系統中加入人臉識別環節，此環節中，需要使用者完成抬頭、張嘴、閉眼等活體檢測動作，系統將實時獲取使用者動態影象，並將其與身份證件上的照片一一比對，比對成功，方可完成實名認證。

人臉識別技術是基於人的臉部特徵，對輸入的人臉影象或者影片流 . 首先判斷其是否存在人臉 , 如果存在人臉，則進一步的給出每個臉的位置、大小和各個主要面部器官的位置資訊。並依據這些資訊，進一步提取每個人臉中所蘊涵的身份特徵，並將其與已知的人臉進行對比，從而識別每個人臉的身份。

廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉影象採集、人臉定位、人臉識別預處理、身份確認以及身份查詢等;而狹義的人臉識別特指透過人臉進行身份確認或者身份查詢的技術或系統。

生物特徵識別技術所研究的生物特徵包括臉、指紋、手掌紋、虹膜、視網膜、聲音(語音)、體形、個人習慣(例如敲擊鍵盤的力度和頻率、簽字)等，相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、語音識別(用語音識別可以進行身份識別，也可以進行語音內容的識別，只有前者屬於生物特徵識別技術)、體形識別、鍵盤敲擊識別、簽字識別等。

摺疊

人臉識別技術主要是透過影象識別技術來實現的，可分為傳統的影象識別方法和基於機器學習（深度學習）的圖形識別方法，其本質都是提取人臉的特徵點，進行匹配識別，就像鑰匙和鎖那樣，具體的推薦看

https://blog.csdn.net/LEON1741/article/details/81358974