在人臉識別系統中，使用特征臉的方法進行，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。

　　一、基于特征臉的方法

　　特征臉的方法，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。

　　特征臉的人臉識別方法，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征值遞減。在圖像經過 K-L 變換后，其具有很好的位移不變性和穩定性。所以，特征臉的人臉識別方法具有方便實現，并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，使用特征臉的方法進行，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、基于幾何特征的方法

　　基于幾何特征的識別方法，它是根據人臉面部器官的特征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，它主要是采用不同人臉的不同特征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，其識別率也并不算高。該方法主要做法是首先對人臉的嘴巴、鼻子、眼睛等人臉主要特征器官的位置和大小進行檢測，然后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征點及其位置進行檢測，如鼻子、嘴巴和眼睛等位置，然后計算這些特征之間的距離，得到可以表達每個特征臉的矢量特征信息，例如眼睛的位置，眉毛的長度等，其次還計算每個特征與之相對應關系，與人臉數據庫中已知人臉對應特征信息來作比較，最后得出更佳的匹配人臉。

　　基于幾何特征的方法符合人們對人臉特征的認識，另外，每幅人臉只存儲一個特征，所以占用的空間比較小;同時，這種方法對光照引起的變化并不會降低其識別率，而且特征模板的匹配和識別率比較高。但是，基于幾何特征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、基于神經網絡的方法

　　將神經網絡模型應用于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、基于支持向量機的方法

　　將支持向量機(SVM)的的方法應用到人臉識別中，其起源于統計學理論，它研究的方向是如何構造有效的學習機器，并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，并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。