0 幾何特徵

識別所採用的幾何特徵是以人臉器官的形狀和幾何關係為基礎的特徵向量，本質上是特徵向量之間的匹配，其分量通常包括人臉指定兩點間的歐式距離、曲率、角度等。

基於幾何特徵的識別方法比較簡單、容易理解，但沒有形成統一的特徵提取標準；從影象中抽取穩定的特徵較困難，特別是特徵受到遮擋時； 對較大的表情變化或姿態變化的魯棒性較差。

1 特徵臉（Eigenfaces）基於PCA

    特徵臉(Eigenfaee)方法由Turk和Pentland區`5〕提出.對於每一幅人臉影象,按照從上到下、從左到右的順序將所有畫素的灰度值串成一個高維向量,然後通過主成分分析(PrineipalComponentAnaly-515,PCA)

2 Fisherfaces基於fisher線性判別式（線性判別分析(LinearDiseriminateAnaly-515,LDA)方法）

線性空間來代替特徵臉空間以取得更好的識別效果.此中線性判別分析(LinearDiseriminateAnaly-515,LDA)方法(也叫FISher臉方法)仁’9口利用了類別歸屬資訊,它選擇類內散佈正交的向量作為特徵臉空間,從而壓制了影象之間與識別資訊無關的差異,強調了不同人臉之間的差別,同時弱化了同一人臉由於光照、視角和表情而引起的變化,獲得了比特徵臉更好的識別效果.

3 PCA ICA獨立成分分析法(independentcomponentanalysis,ICA)

   Bartlett等人[15]提出,傳統的PCA方法只依靠畫素間的二階關係來尋找人臉基礎影象,而重要的資訊卻可能包含在畫素間的高階關係中,人們自然就希望可以利用這些高階統計資訊尋找到更好的基礎影象,因此他們提出了一種廣義的PCA方法,即獨立成分分析法(independentcomponentanalysis,ICA)用於人臉特徵提取。之後,學者們一般將PCA與ICA結合來進行人臉影象的特徵提取。

4 基於隱馬爾可夫模型的人臉識別方法(額頭、眼睛、鼻子、嘴巴、下巴)

   早建立了關於人臉的隱馬爾可夫模型,他認為人臉影象從上至下包含額頭、眼睛、鼻子、嘴巴和下巴五個顯著特徵區域,隱含五個狀態。他將影象用一個矩形窗從上到下分成若干塊

5 基於模板匹配的人臉識別

6 彈性匹配方法的人臉識別

 彈性圖匹配方法是基於動態連結結構（DLA）；用網格狀的稀疏圖來表示人的面部影象；

7 機器學習方法類：

 基於支援向量機（ＳＶＭ）的機器學習

8 基於深度學習DL（Deep Learning）

8.1  Lu等[30]提出一種原理上多工的學習方法，該方法基於可分離高斯過程隱變數模型——高斯臉,以豐富訓練的多樣性。這一模型能夠自動適應複雜的資料分佈，因而能夠很好地捕捉多種情況下人臉內在的複雜變化

  8.2 Deep ID[31]的系列人臉識別演算法，通過CNN學習特徵，思想：將圖片輸入CNN，學習到一個160維的向量，然後使用各種現成的分類器（如SVM等）達到0.97正確率

  8.3 Deep ID2。在deepid的基礎上添加了驗證訊號；原來的卷積神經網路最後一層softmax使用的是Logistic Regression作為最終的目標函式，也就是識別訊號；DeepID2中，目標函式添加了驗證訊號，兩個資訊通過加權組合；

  8.4 DeepiD2+ 對卷積神經網路進行了大量的分析，發現了神經單元的適度稀疏性，該性質甚至可以保證即便經過二值化後，仍然可以達到較好的識別效果。高層的神經單元對人比較敏感，即對同一個人的頭像來說，總有一些單元處於一直啟用或者一直抑制的狀態。

Deep ID2+的輸出對遮擋非常魯棒，在LFW上的正確率高達99.53%

 8.5 Deep Face

 8.6 Face Net

9 彈性匹配方法

10 基於貝葉斯人臉識別方法

11 紅外影象人臉識別方法。

由於紅外人臉影象是由人臉組織與結構的
紅外輻射決定的，它們如同指紋一樣，與人的基因結構有關，具有唯一性
[5]。所以，採用紅外人臉影象進行人臉識別具有抗干擾性強、獨立於可
見光源、防偽裝、防欺詐等優點，可以在很大程度上彌補可見光人臉識別
技術的不足

早期的影象識別：

早期的影象識別系統主要採用尺度不變特徵變換
（Ｓｃａｌｅ－ｉｎｖａｒｉａｎｔ　ｆｅａｔｕｒｅ　ｔｒａｎｓｆｏｒｍ，ＳＩＦＴ［１］）和方向梯度直方圖（Ｈｉｓｔｏｇｒａｍ　ｏｆ　ｏｒｉｅｎｔｅｄ　ｇｒａｄｉｅｎｔｓ，ＨＯＧ［２］）等特徵提取方法，然後將提取到的特徵輸入至分類器中進行分類識別。這些特徵本質上是一種手工設計的特徵，針對不同的識別問題，提取到的特徵好壞對系統性能有著直接的影響，因此需要研究人員對所要解決的問題領域進行深入的研究，以設計出適應性更好的特徵，從而提高系統的效能。這個時期的影象識別系統一般都是針對某個特定的識別任務，且資料的規模不大，泛化能力較差，難以在實際應用問題當中實現精準的識別效果。

又一篇文章：

傳統的人臉識別方法有多種，
主動形狀模型(active  shape  model，ASM)
主動表觀模型(active appearance  models，AAM)[15]；
基於區域性的方法：如利用區域性描述子 Gabor、區域性二值模式(local binary pat-tern，LBP)等進行識別；
基於全域性的方法：包括經典的人臉識別演算法，如特徵臉方法(Eigenface)[16]、線性判別分析法(linear  discriminant  analysis，LDA)
等子空間學習演算法以及
區域性保持投影演算法(locality preserving  projection，LPP)等流行學習演算法；
3D人臉識別也是一個新的方向

 Deep Face


Deep ID


Face Net

      深度學習的主流開源專案同樣適用於人臉識別的檢測，對於在應用中整合深度學習功能的開發者，以下開源專案在 Git Hub 均可以免費下載．Caffe 是一個清晰而且高效的深度學習框架，應用於 Google 公司於 2015 年開發的 Deep Dream 專案．Tensorflow 是Google 公司開發，於 2016 年開源，並公佈了系統引數，此舉在深度學習領域影響巨大．另外，還有Torch7 、Theano 、Deeplearn  Tool-Box 、Deeplearning 4,j 、Brainstorm 、Chainer 、Marvin 、Conv Net Js 、MXNet、Neon 等開源深度學習框架，為廣大研究人員研究深度學習演算法提供了多種途徑．