人像識別的方法很多，主要的人像識別方法有：

（1）幾何特徵的人臉識別方法：幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關系（如相互之間的距離）。這些算法識別速度快，需要的內存小，但識別率較低。

（2）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變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。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矢量，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，而且完全是基於圖像灰度的統計特性的。目前有一些改進型的特徵臉方法。

（3）神經網絡的人臉識別方法：神經網絡的輸入可以是降低分辨率的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。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。

（4）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信息。該方法結合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，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。

（5）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是基於從人臉灰度圖像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系，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。

（6）支持向量機(SVM) 的人臉識別方法：支持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，從而提高學習機的性能。支持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。而且支持向量機訓練時間長，方法實現複雜，該函數的取法沒有統一的理論。

一、基於特徵臉的方法

　　特徵臉的方法，它是一種比較經典而又應用比較廣的人臉識別方法，其主要原理是把圖像做降維算法，使得數據的處理更容易，同時，速度又可以做的比較快。

　　特徵臉的人臉識別方法，實際上是將圖像做 K-L 變換，把一個高維的向量轉化為低維的向量，從而消除每個分量存在的關聯性，使得變換得到的圖像與之對應特徵值遞減。在圖像經過 K-L 變換後，其具有很好的位移不變性和穩定性。所以，特徵臉的人臉識別方法具有方便實現，並且可以做到速度更快，以及對正面人臉圖像的識別率相當高等優點。

　　但是，該方法也具有不足的地方，就是比較容易受人臉表情、姿態和光照改變等因素的影響，從而導致識別率低的情況。

　　通過上面的介紹，我們不難發現，在人臉識別系統中，使用特徵臉的方法進行，在目前來說還是比較占上風的，因為它是當前識別速度比較快的方法，是其他方法無法比擬的，因此，在人臉正面識別技術領域中，仍然深得人們喜愛。

二、基於幾何特徵的方法

　　基於幾何特徵的識別方法，它是根據人臉面部器官的特徵及其幾何形狀進行的一種人臉識別方法，是人們最早研究及使用的識別方法，它主要是採用不同人臉的不同特徵等信息進行匹配識別，這種算法具有較快的識別速度，同時，其占用的內存也比較小，但是，其識別率也並不算高。該方法主要做法是首先對人臉的嘴巴、鼻子、眼睛等人臉主要特徵器官的位置和大小進行檢測，然後利用這些器官的幾何分布關系和比例來匹配，從而達到人臉識別。

　　其流程大體如下：首先對人臉面部的各個特徵點及其位置進行檢測，如鼻子、嘴巴和眼睛等位置，然後計算這些特徵之間的距離，得到可以表達每個特徵臉的矢量特徵信息，例如眼睛的位置，眉毛的長度等，其次還計算每個特徵與之相對應關系，與人臉數據庫中已知人臉對應特徵信息來作比較，最後得出更佳的匹配人臉。

　　基於幾何特徵的方法符合人們對人臉特徵的認識，另外，每幅人臉只存儲一個特徵，所以占用的空間比較小;同時，這種方法對光照引起的變化並不會降低其識別率，而且特徵模板的匹配和識別率比較高。但是，基於幾何特徵的方法也存在著魯棒性不好，一旦表情和姿態稍微變化，識別效果將大打折扣。

　　三、基於神經網絡的方法

　　將神經網絡模型應用於圖像識別的中已經有比較久的年代了，如的 BP 神經網絡等，它是模仿人類大腦活動方式去實現的。目前，比較有代表性的神經網絡模型設計的方法主要有混合型神經網絡、主元神經網，以及卷積神經網絡等方法。神經網絡的方法在目前來說，可以做到相對比較高的識別率，當然，其也存在著網絡訓練時間長，以及難以收斂等問題。

　　四、基於支持向量機的方法

　　將支持向量機(SVM)的的方法應用到人臉識別中，其起源於統計學理論，它研究的方向是如何構造有效的學習機器，並用來解決模式的分類問題。其特點是將圖像變換空間，在其他空間做分類。

　　支持向量機結構相對簡單，而且可以達到全局更優等特點，所以，支持向量機在目前人臉識別領域取得了廣泛的應用。但是，該方法也和神經網絡的方法具有一樣的不足，就是需要很大的存儲空間，並且訓練速度還比較慢。

　　五、其他綜合方法

　　以上是幾種比較常用的人臉識別方法，我們不難看出，每一種識別方法都不能做到完美的識別率與更快的識別速度，都有著各自的優點和缺點，因此，現在許多研究人員則更喜歡使用多種識別方法綜合起來應用，取各種識別方法的優勢，綜合運用，以達到更高的識別率和識別效果。