人脸识别是生物识别技术中一项热门的计算机技术研究领域，它只要是指通过对生物体本身的生物特征来区分每个生物体个体。人脸识别的方法很多，以下介绍一些主要的人脸识别方法。
1、几何特征的人脸识别方法
几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。
2、PCA人脸识别法
所谓PAC即基于KL变换的人脸识别方法，是图像压缩的一种zui优正交变换。主要是高维的图像空间经过KL变换后得到一组新的正交基，系统在保留其中较为重要的正交基后，再由这些基张成低维线性空间。当人脸在这些低维线性空间的投影具有可分性时，就可以将这些投影用作识别的特征矢量。这种识别方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的，所以目前有一些改进型的特征脸方法。
3、神经网络的人脸识别方法
神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。
4、弹性匹配人脸识别法
弹性匹配人脸识别法是在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸的识别方法。该方法结合了生物特征的几何因素和灰度特性，使系统在比对时允许图像存在弹性形变，同时对于单个人也不再需要多个样本采用多个样本进行训练。
5、支持向量机(SVM) 的人脸识别方法
近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。
扫一扫，关注我们