1.基于幾何特征的人臉識別
幾何特征可以是眼果元、鼻、嘴等的形狀和它們之間的幾何關系(如相互之間的距離)犀盟。這些算法識別速度快而晒，需要的內(nèi)存小，但識別率較低阅畴。
2.基于神經(jīng)網(wǎng)絡的人臉識別
神經(jīng)網(wǎng)絡的輸入可以是降低分辨率的人臉圖像倡怎、局部區(qū)域的自相關函數(shù)、局部紋理的二階矩等贱枣。這類方法同樣需要較多的樣本進行訓練监署，而在許多應用中，樣本數(shù)量是很有限的纽哥。
3.基于特征臉(PCA)的人臉識別方法
特征臉方法是基于KL變換的人臉識別方法钠乏，KL變換是圖像壓縮的一種最優(yōu)正交變換。高維的圖像空間經(jīng)過KL變換后得到一組新的正交基春塌，保留其中重要的正交基晓避，由這些基可以轉成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性只壳，就可以將這些投影用作識別的特征矢量俏拱，這就是特征臉方法的基本思想。這些方法需要較多的訓練樣本吕世，而且完全是基于圖像灰度的統(tǒng)計特性的彰触。
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于通常的人臉變形具有一定的不變性的距離，并采用屬性拓撲圖來代表人臉命辖，拓撲圖的任一頂點均包含一特征向量况毅，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尔艇，在比對時可以允許圖像存在彈性形變尔许，在克服表情變化對識別的影響方面收到了較好的效果，同時對于單個人也不再需要多個樣本進行訓練终娃。
5.線段Hausdorff 距離(LHD) 的人臉識別方法
心理學的研究表明味廊，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是基于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余佛，與眾不同的是柠新，LHD并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辉巡。實驗結果表明恨憎，LHD在不同光照條件下和不同姿態(tài)情況下都有非常出色的表現(xiàn)，但是它在大表情的情況下識別效果不好郊楣。
6.支持向量機(SVM) 的人臉識別方法
近年來憔恳，支持向量機是統(tǒng)計模式識別領域的一個新的熱點，它試圖使得學習機在經(jīng)驗風險和泛化能力上達到一種妥協(xié)净蚤，從而提高學習機的性能钥组。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今瀑。通常的實驗結果表明SVM有較好的識別率程梦，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(xiàn)實的放椰。而且支持向量機訓練時間長作烟，方法實現(xiàn)復雜，核函數(shù)的取法沒有統(tǒng)一的理論砾医。
7.多光源人臉識別技術
傳統(tǒng)的人臉識別技術主要是基于可見光圖像的人臉識別，但在環(huán)境光照發(fā)生變化時衣厘，識別效果會急劇下降如蚜。基于主動近紅外圖像的多光源人臉識別技術影暴。它可以克服光線變化的影響错邦，已經(jīng)取得了卓越的識別性能，在精度型宙、穩(wěn)定性和速度方面的整體系統(tǒng)性能超過三維圖像人臉識別撬呢。這項技術在近兩三年發(fā)展迅速，使人臉識別技術逐漸走向實用化妆兑。
