人臉識(shí)別算法發(fā)展到今天，大致上可以分為兩類：基于特征的人臉識(shí)別算法和基于外觀的人臉識(shí)別算法。其中，多數(shù)基于特征的人臉識(shí)別算法屬于早期的人臉識(shí)別算法，現(xiàn)在已經(jīng)不再使用。不過近些年出現(xiàn)了一些新的基于特征的算法，并取得不錯(cuò)的效果。而基于外觀的人臉識(shí)別算法是由于實(shí)現(xiàn)簡單，受到廣泛關(guān)注。接下來將分別介紹兩類人臉識(shí)別算法。

基于特征的人臉識(shí)別算法：早期的人臉識(shí)別算法主要是基于特征模板和幾何約束來實(shí)現(xiàn)的。這一類算法首先對輸入圖像進(jìn)行處理，提取出如眼睛、鼻子和嘴等面部特征和外觀輪廓。然后計(jì)算這些面部特征之間的幾何關(guān)系，如距離、面積和角度等。這樣將輸入圖像轉(zhuǎn)換為幾何特征向量后，使用標(biāo)準(zhǔn)的統(tǒng)計(jì)模式識(shí)別技術(shù)進(jìn)行匹配分類。由于算法利用了一些直觀的特征，計(jì)算量小。不過，由于其所需的特征點(diǎn)不能精確選擇，限制了它的應(yīng)用范圍。另外，當(dāng)光照變化、人臉有外物遮擋、面部表情變化時(shí)，特征變化較大。所以說，這類算法只適合于人臉圖像的粗略識(shí)別，無法在實(shí)際中應(yīng)用。
　　
以上這些方法都是通過一些特征模板和幾何約束來檢測特定的面部特征，并計(jì)算特征之間的關(guān)系。還有一些方法使用了圖像的局部表示來提取特征。其中最受關(guān)注的方法是局部二值模式(LBP)算法。LBP方法首先將圖像分成若干區(qū)域，在每個(gè)區(qū)域的像素3x3鄰域中用中心值作閾值化，將結(jié)果看成是二進(jìn)制數(shù)。LBP算子的特點(diǎn)是對單調(diào)灰度變化保持不變。每個(gè)區(qū)域通過這樣的運(yùn)算得到一組直方圖，然后將所有的直方圖連起來組成一個(gè)大的直方圖并進(jìn)行直方圖匹配計(jì)算進(jìn)行分類。
　　
基于特征的人臉識(shí)別算法主要的優(yōu)勢在于對姿態(tài)、尺度和光照等變化魯棒。由于多數(shù)特征是基于手動(dòng)選擇和先驗(yàn)知識(shí)，受圖像本身的成像質(zhì)量影響較少。另外，提取出的面部特征往往維數(shù)較低，匹配速度快。這些方法的缺點(diǎn)是自動(dòng)特征提取的難度較大。如果特征集的鑒別能力弱，再多的后續(xù)處理也無法補(bǔ)償本身的不足?；谕庥^的人臉識(shí)別算法：基于外觀的人臉識(shí)別算法也稱為整體方法。它們使用圖像的全局信息來辨識(shí)人臉。最簡單的整體方法是用二維數(shù)組來存放圖像的灰度值，然后直接對輸入圖像和數(shù)據(jù)庫中的所有圖像進(jìn)行相關(guān)性比較。這種方法的缺點(diǎn)非常多，如易受環(huán)境影響、計(jì)算耗時(shí)等。其中一個(gè)重要的問題是這樣的分類是在一個(gè)非常高維的空間中進(jìn)行的。為了克服維數(shù)問題，一些算法使用統(tǒng)計(jì)降維方法來獲取和保留更有用的信息，最典型的算法就是主成分分析(PCA)算法和線性鑒別分析(LDA)算法。
　　
PCA算法指出任何特定的人臉可以由一個(gè)低維的特征子空間表示，并可以用這個(gè)特征子空間近似地重建。將輸入人臉圖像投影到特征子空間上得到的特征與已知的數(shù)據(jù)庫進(jìn)行比對來確定身份。PCA算法選取的特征最大化了人臉樣本間的差異，但也保留了一些由于光照和面部表情產(chǎn)生的不必要的變化。而同一個(gè)人由于光照產(chǎn)生的變化可能會(huì)大于不同人之間的變化。LDA算法在最大化不同個(gè)體之間的樣本差異的同時(shí)，最小化同一個(gè)體內(nèi)部的樣本差異。這樣達(dá)到了人臉特征子空間的劃分。整體方法主要的優(yōu)點(diǎn)是它們沒有丟棄圖像中的任何信息。然而，這也是它們的缺點(diǎn)。整體方法一般假設(shè)圖像中的所有像素是同等重要的。因此，這些技術(shù)不僅計(jì)算耗時(shí)，而且需要測試樣本與訓(xùn)練樣本高度相關(guān)。當(dāng)人臉圖像的姿態(tài)、尺度和光照發(fā)生較大變化時(shí)人臉識(shí)別性能一般。