人脸识别技术的应用背景及研究现状图文稿
最新人脸识别技术的应用背景及研究现状
最新人脸识别技术的应用背景及研究现状人脸识别技术（Face Recognition）是一种通过数字摄像头或者监控摄像头采集的人的面部图像，通过计算机算法分析和处理面部特征以完成身份认证和识别的技术。
它广泛应用于安全检测、人脸门禁、自动人脸识别系统等领域。
首先，人脸识别技术在安全检测领域有广泛应用。
传统的安全检测方式需要通过人工监控或者密码刷卡等方式进行身份认证，成本高且效率低。
而人脸识别技术可以通过高效的人脸识别算法，快速准确地识别出人脸信息，实现自动识别身份的目的，大大提高了安全检测的效率和准确性。
其次，人脸识别技术在人脸门禁领域也有广泛应用。
传统的门禁系统需要通过刷卡或者输入密码来进入，但是这种方式存在风险，如卡片遗失或者密码被泄露。
而人脸识别技术可以通过识别人脸特征，实现非接触式的门禁系统，提高了门禁系统的安全性和方便性。
在研究方面，目前人脸识别技术已经取得了很大的进展。
特别是深度学习的发展，为人脸识别技术提供了强大的算法支持。
传统的人脸识别算法主要基于特征提取和匹配的方法，但是这种方法无法解决人脸表情变化、光照变化等问题。
而深度学习技术可以通过大量的训练数据自动学习人脸的特征表示，大大提高了人脸识别的准确性和鲁棒性。
此外，在人脸识别技术研究中还存在一些挑战。
首先是数据方面的挑战，人脸识别需要大量的标注数据进行算法训练，但是获取大规模的标注数据是一项巨大的工程。
其次是算法的可解释性问题，深度学习的算法虽然可以提高人脸识别的准确性，但是其内部的工作原理并不容易解释。
此外，人脸识别技术还存在着隐私和安全问题，例如人脸数据的收集和使用可能涉及个人隐私泄露的风险。
综上所述，人脸识别技术在安全检测、人脸门禁、自动人脸识别系统等领域有广泛应用，并且在研究方面也取得了很大的进展。
随着深度学习和大数据的发展，人脸识别技术有望在未来进一步提高准确性和鲁棒性，并且在更多的领域得到应用。
人脸识别技术的应用背景及研究现状
人脸识别技术的应用背景及研究现状
一、人脸识别技术的应用背景
随着社会的进步，人们的安全感越来越重要，政府、企业以及各个机构都希望能够实施安全的人员考勤系统。
考勤系统的安全性是考勤系统的重要组成部分，而人脸识别技术就可以满足这一需求。
人脸识别技术是指利用技术工具将一张图片中的人脸图像进行记录、保存、分析和识别的过程，以此来判断图像中的人是否为记录的其中一特定人的身份。
它是利用复杂的数据处理技术分析人脸形状特征，从而实现人脸识别的一种有效的方式。
由于识别过程无需受被识别者的同意，不会受到外来干扰，因此，人脸识别技术被广泛应用于考勤系统中，取代传统的传呼机考勤，使考勤更加安全、便捷。
二、人脸识别技术的研究现状
早在20世纪，科学家就从事人脸识别技术的研究，但是，由于计算能力的受限，在20世纪末，人脸识别技术仍然处于发展初期。
直到90年代中期，随着计算机技术的发展，深度学习技术的应用，及多模态数据的处理等，人脸识别技术逐渐发展成熟。
今天，人脸识别技术已经发展到比较成熟和完善的阶段，可以在各种应用场合使用，如安全监控系统中实现人脸识别，以及智能门禁系统，以及考勤系统等。
人脸认证研究背景意义及现状
人脸认证研究背景意义及现状1 研究背景及意义 (1)（1）人脸是较直观的，识别方式较符合人们的认知习惯 (2)（2）人脸图像最容易采集的 (2)（3）人脸识别的硬件资源很丰富 (2)（4）样本资源很丰富 (2)2 国内外发展现状 (2)3 人脸认证与人脸辨别的比较 (4)4 人脸认证的难点 (5)5人脸库 (6)（1）YaleB库 (6)（2）CMU PIE人脸库 (6)（3）JDL人脸库 (6)（4）AR人脸库 (6)（5）FERET人脸库 (7)(6)CAS-PEAL人脸库 (7)1 研究背景及意义身份验证和身份识别是人们在日常生活中经常遇见的一个基本问题，同时又是保障许多系统安全运行的重要前提。
在国家安全、公安、司法、金融、电子商务、电子政务、保安监控等应用领域中，都需要准确的身份验证和识别。
随着网络与通信技术的飞速发展和人类物理与虚拟活动空间的不断扩大，现代社会对于人类自身身份识别的准确性、安全性和实用性提出了更高要求，传统的身份识别方法面临严峻的挑战。
人类本身所具有的一些生物特征，如DNA、指纹、虹膜、语音、人脸等，作为人的内在属性，具有很强的自身稳定性和个体差异性，特别是具有不易伪造、不会遗失、终身不变和随身携带的优点。
因此利用人体生物特征进行识别是未来身份验证和识别最理想的依据与手段。
人脸是人类视觉中最为自然和普遍的身份识别特征，人的面部所体现的视觉信息在社会交流和交往中有着重要的作用和意义。
人脸识别是当前生物特征识别领域非常热门研究课题，是近年来计算机视觉与模式识别领域里的研究热点问题之一，人脸识别相对于其他生物特征识别，具有以下的技术优势:（1）人脸是较直观的，识别方式较符合人们的认知习惯以指纹考勤来说，当系统最后在统计数据有出错时，一般人很难从直观上判定两枚指纹是否为同一个人，而必须是受过专业培训的人士才能识别出来，这就给系统的审计、核查带来了难度，对于两张人脸图像，则可以很容易判别两张人脸是否为同一个人。
人脸识别技术研究与应用
人脸识别技术研究与应用一、引言人脸识别技术是一种基于人脸特征的生物识别技术，可以通过摄像头或者摄像机捕捉到的人脸图像，识别出个体的身份信息。
这项技术以其高精度、高速度、易使用等特点，在安全监控、人脸支付、人机交互等领域有着广泛的应用前景。
本文将从人脸识别技术的背景介绍、算法原理、应用场景等多个方面展开深入研究。
二、人脸识别技术的背景介绍随着计算机视觉和模式识别技术的不断发展，人脸识别技术迅速崛起。
人脸识别技术最初的目标是解决安全防护领域中的问题，如刑侦犯罪侦查、边防检查等。
然而，随着技术的进一步发展和普及，人脸识别技术在商业领域中也开始得到广泛应用，如人脸支付、门禁系统等。
由于人脸识别技术不需要额外的硬件设备，且使用方便、成本较低，因此备受关注。
三、人脸识别技术的算法原理人脸识别技术主要包含以下几个步骤：人脸检测、人脸对齐、特征提取和特征匹配。
首先，通过人脸检测算法在图像中定位出人脸的位置。
然后，对检测到的人脸进行对齐，以减少光照、姿态等因素对后续处理的影响。
接下来，采用特征提取算法将人脸图像转化为可计算的特征向量。
最后，通过特征匹配算法，将待识别的人脸特征与数据库中存储的人脸特征进行比对，找到最匹配的个体身份信息。
四、人脸识别技术的应用场景1. 安全监控：人脸识别技术广泛应用于视频监控系统中，可以实时监测场景中的人脸特征，识别出陌生人、刑侦嫌疑人等，为安全工作提供有力支持。
2. 人脸支付：随着移动支付的流行，人脸识别技术被应用于人脸支付领域。
用户只需通过一次人脸注册，便可实现刷脸支付，提高支付便捷度和安全性。
3. 人机交互：人脸识别技术在人机交互领域有着广阔的应用前景。
通过识别用户的面部表情和动作，实现自然的人机交互方式，提升用户体验。
4. 出入口管理：人脸识别技术可应用于门禁系统，实现快速、准确、无接触的身份认证，提高出入口管理的效率和安全性。
5. 反欺诈检测：人脸识别技术可以用于金融、电商等领域，识别出使用假身份证进行欺诈的行为，防止经济损失。
人脸识别技术的研究与应用
人脸识别技术的研究与应用尊敬的领导：您好！我公司在近期的科技创新研究中，对人脸识别技术进行了深入的研究与应用。
现将相关成果以及技术的研究情况报告如下：一、研究背景随着信息时代的发展，人脸识别技术作为一项非常重要的生物识别技术，在安全领域、商业领域、社会管理以及人机交互等众多领域具有广泛的应用前景。
为了进一步完善人脸识别技术的应用，提高精确度和效率，我公司对该技术开展了深入研究。
二、研究内容1.算法优化：人脸识别技术的核心在于算法的准确性和鲁棒性。
我公司通过对现有算法的综合分析和优化，提出了一种新的人脸识别算法。
该算法结合了深度学习和传统特征提取算法的优点，有效地提高了识别准确性和抗干扰能力。
2.人脸图像数据库构建：为了提高算法的训练和测试效果，我公司构建了一个大规模的人脸图像数据库。
该数据库包含了来自不同年龄、性别、肤色以及姿态的人脸图像，以及不同光照条件和表情变化的样本。
通过这个数据库，我们可以更加真实地模拟实际应用场景，提高人脸识别算法的鲁棒性和适应性。
3.应用场景拓展：除了在传统的安防领域应用外，我公司针对不同行业的需求，推出了一系列人脸识别技术的应用解决方案。
例如，在金融行业，我们提供了用于身份认证的人脸识别系统；在零售行业，我们提供了用于顾客行为分析和精准营销的解决方案；在教育领域，我们提供了用于学生考勤和校园安全管理的技术。
三、研究成果经过多年的努力，我公司在人脸识别技术的研究与应用上取得了一系列成果，具体如下：1. 优化算法：独立研发的人脸识别算法在国内外公开数据库上的识别准确度超过了传统算法，达到了行业领先水平。
2. 大规模数据库：构建的大规模人脸图像数据库被广泛应用于人脸识别算法的训练和测试中，为其他科研机构和企业提供了重要的研究资源。
3. 应用解决方案：推出的各行业应用解决方案在实际应用中取得了显著效果，受到行业内用户的广泛认可和好评。
四、展望与建议基于对人脸识别技术的深入研究与应用，我公司认为在未来人脸识别技术将进一步发展，具有更广泛的应用前景。
人脸识别技术的现状与未来发展
人脸识别技术的现状与未来发展一、背景与概述人脸识别技术是指通过计算机技术对人脸的生物特征进行识别，以实现身份识别和验证。
这项技术被广泛应用于安全监控、犯罪侦查、金融认证、机场安检等领域。
随着科技的不断进步，人脸识别技术也在不断演进。
本文将从技术原理、现状分析、发展趋势和应用前景等角度，来探讨这一技术的现状和未来发展。
二、人脸识别技术的原理人脸识别技术的核心原理是通过计算机对人脸的特征进行提取，然后根据提取出来的特征进行比对和识别。
常用的人脸识别技术包括传统的基于特征脸、小波、局部二值模式等算法的人脸识别技术，以及现在更为广泛应用的深度学习技术。
深度学习技术利用神经网络对人脸图像进行特征提取和判别分类，其中最为常用的是卷积神经网络（CNN）。
CNN是一种特殊的神经网络，能够自动学习特征，并通过训练来提高模型的识别准确率。
三、现状分析1.应用领域广泛人脸识别技术被广泛应用于安防监控、金融、公安犯罪侦查、机场安检等领域。
例如，在公交车站、商场、银行等公共场所，安装摄像头并配备人脸识别技术，可以自动检测并记录可疑人员的位置和轨迹，对于领域安全起到了相当好的作用。
2.技术准确性提高随着计算机技术的发展，人脸识别技术的准确性不断提升。
从传统的基于特征脸、小波、局部二值模式等算法的人脸识别技术到现在使用的深度学习技术，准确率得到了不断的提高。
在2018年的Labeled Faces in the Wild (LFW)测试中，当时最优秀的算法在13,000张人脸图片上的识别率已经高达99.85%。
这也说明人脸识别技术在现阶段已经越来越成熟。
3.数据隐私与安全问题人脸识别技术的快速发展和广泛应用，也带来了一些风险与挑战，其中最主要的是数据隐私和安全问题。
例如，在某些场合下，人脸识别技术的应用可能会泄露个人隐私信息，影响个人权益。
同时，还有一些非法使用人脸识别技术盗取个人信息、识别不同人员社会属性等事件，这也给人脸识别技术的发展和应用带来一定的风险。
人脸识别技术的应用背景及研究现状
人脸识别技术的应用背景及研究现状一、引言人脸识别技术，是指通过运用计算机技术，对输入的包含人脸信息的图像或视频数据进行处理和分析，实现人脸的自动检测、识别和跟踪等功能。
自从20世纪80年代得以实现人脸识别技术以来，随着人类需求和科技进步，人脸识别技术的应用越来越广泛，研究也日益深入。
本文将探究人脸识别技术发展的应用背景和研究现状。
二、应用背景人脸识别技术可应用于多个领域，下面分别从以下五个方面进行阐述：1.公安安防领域：通过人脸识别技术，可以实现对陌生人、目标人物和危险人员的自动识别，从而提高公安安防管理的精确性和实时性。
2.社会福利领域：人脸识别技术可以用于医疗保险、生态福利、失踪人员找寻等多个方面，提高福利领域的效率和匹配度。
3.金融支付领域：随着行业的快速发展，移动支付、人脸支付等新兴支付方式越来越多地受到人们的青睐。
人脸识别技术可以为支付过程和支付安全提供更加便捷和精确的保障。
4.教育领域：人脸识别技术可以用于校园安全监控、考勤签到、课堂教学、学生管理等多个方面，提高教育领域的管理效率和服务质量。
5.企业管理领域：人脸识别技术可为企业提供精准、高效、安全的人才管理服务，以及员工考勤、门禁管理、安全检测等多个方面，极大提高企业的管理水平和运营效率。
三、研究现状目前，人脸识别技术的研究主要涉及以下几个方面：1.人脸检测技术：人脸检测技术是指通过图像分析，自动判断图像中是否存在人脸。
近年来，随着深度学习的发展，基于深度学习的人脸检测技术得到了广泛应用。
2.人脸识别技术：人脸识别技术是指通过特定的算法，自动识别人脸的身份信息。
随着计算机技术和人工智能技术的发展，基于深度学习的人脸识别技术也得到了极大的发展。
3.人脸属性检测技术：人脸属性检测技术是指通过图像分析，自动判断人脸的年龄、性别、表情等信息。
随着深度学习的普及，基于深度学习的人脸属性检测技术也得到了广泛应用。
4.人脸图像增广技术：人脸图像增广技术是指通过图像处理技术，在已有的数据集中增加新的样本数据，从而提高人脸检测和识别的准确度。
人脸识别技术的应用背景及研究现状word版本
人脸识别技术的应用背景及研究现状人脸识别技术的应用背景及研究现状1．人脸识别技术的应用随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。
作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。
当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。
与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。
除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。
当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。
（2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。
（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。
当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。
这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。
（4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。
（5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。
此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。
2．人脸识别技术在国外的研究现状当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineering in Univers ity of Cambridge等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人脸识别技术的应用背景及研究现状
文件管理序列号：[K8UY-K9IO69-O6M243-OL889-F88688]
人脸识别技术的应用背景及研究现状1．人脸识别技术的应用
随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。
作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。
当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。
与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。
除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。
当前的人脸识别技术主要被应用到了以下几个方面：
（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。
（2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。
（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。
当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。
这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。
（4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。
（5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。
此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。
2．人脸识别技术在国外的研究现状
当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，着名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Compute r Interface Institute，Microsoft Research,英国的Department of Engine ering in University of Cambridge等。
综合有关文献，目前的方法主要集中在以下几个方面：
（1）模板匹配
主要有两种方法，固定模板和变形模板。
固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。
这种方法比较简单，在早期的系统中采用得比较多。
但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。
变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼
睛，鼻子和嘴唇等。
另一种方法是系统自动生成自适应的曲线或曲面，以构成变形人脸模板。
检测方法是：将模板与测试图像进行弹性匹配，并加入惩罚机制，利用某种能量函数表示匹配程度。
（2）示例学习
示例学习的基本思想是从某一概念的已给正例和反例的集合中归纳产生出接受所有正例同时排斥所有反例的该概念的一般规则。
将人脸样本和非人脸样本送入学习机中，产生出判别规则，从而用于作为判断输入的测试图像是否属于人脸的主要判别依据。
为了获得较高的精度，学习过程需要大量的样本，另外样本数据本身是高维矢量，因此，研究通用而有效的学习算法的关键是精确的区分性和数据维数的降低。
将多个表示人脸模式的线性空间进行组合，是示例学习的另一条途径。
采用了Kohonen自组织映射网络对人脸样本和非人脸样本进行聚类，对每一类样本进行Fisher线性判别，得到每一类的判别平面，从而构成图像子空间，并运用高斯模型描述每个子空间，估计出类条件概率密度。
这样，对于测试图像，计算其属于各个子空间的概率，分类决策为概率最大的类是它所属的类，从而判断测试图像是否为人脸。
（3）神经网络
从本质上讲，神经网络也是一种基于样本的学习方法。
将神经网络用于人脸检测取得了很大的进展。
MIT的学者首先对人脸样本集和非人脸样本集聚类，以测试样本与人脸样本集和非人脸样本集的子类之间的距离作为分类的度量，利用多层感知器（MLP）网络作为分类器。
CMU的研究人员直接以图像作为神经网络的输入，设计了一个具有独特结构的适用于人脸特征的神经网络
分类器，并通过前馈神经网络对检测结果优化。
Raphael Feraud等利用多个神经网络：多层感知器（MLP）和约束产生式模型（CGM，Constrained Generati ve Model），实现了一个可应用于WEB中人脸图像检索的快速而准确的人脸检测方法。
Shang-Hung Lin等训练了三个基于概率决策的神经网络（PDBNN，Pro babilistic Decision Based Neural Network）,用于人脸检测，眼睛定位和人脸识别，实现了一个完整的人脸识别系统。
（4）基于隐马尔可夫模型的方法
马尔可夫模型是一个离散时序有限状态自动机，隐马尔可夫模型（HM M）是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。
对于人脸模式来说，我们可以把它分成前额，眼睛，鼻子，嘴巴和下巴这样一个序列。
人脸模式就可以通过对这些区域的有序的识别来检测，这正好是隐马尔可夫模型容易做到的。
Samaria等人提出了使用HMM模型进行人脸检测的算法，他们使用人脸区域的结构信息作为隐马尔可夫模型的状态迁移条件。
除此以外，基于AdaBoost的人脸识别算法，基于彩色信息的方法，基于形状
分析的方法，以及多模态信息融合的方法，国外都进行了大量的研究与实验。
3．人脸识别技术在国内的研究现状
国内关于人脸自动识别的研究始于二十世纪80年代，主要的研究单位有清华大学，哈尔滨工业大学，中科院计算所，中科院自动化所，复旦大学，北京科技大学等，并都取得了一定的成果。
国内的研究工作主要是集中在三大类方法的研究：基于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法。
周激流实现
了具有反馈机制的人脸正面识别系统，运用积分投影法提取面部特征的关键点并用于识别，获得了比较满意的效果。
他同时也尝试了“稳定视点”特征提取方法，即为使识别系统中包含3D信息，他对人脸侧面剪影识别做了一定的研究，并实现了正，侧面互相参照的识别系统。
彭辉、张长水等对“特征脸”的方法做了进一步的发展，提出采用类间散布矩阵作为产生矩阵，进一步降低了产生矩阵的维数，在保持识别率的情况下，大大降低了运算量。
程永清，庄永明等对同类图像的平均灰度图进行SVD分解得到特征脸空间，每一幅图像在特征脸空间上的投影作为其代数特征，然后利用层次判别进行分类。
张辉，周洪祥，何振亚采用对称主元分析神经网络，用去冗余和权值正交相结合的方法对人脸进行特征提取和识别。
该方法所用特征数据量小，特征提取运算量也较小，比较好地实现了大量人脸样本的存储和人脸的快速识别。
北京科技大学的王志良教授主要研究人工心理，建立了以数学公式为基础的心理学模型。
4．当前人脸识别技术所存在的主要问题
尽管人脸识别技术有着广阔的应用前景，但是无论是在识别率，还是在防伪性上，都与指纹，视网膜等有着较大的差距，归根结底，影响人脸识别效果的原因主要有以下的几个方面：
1）人脸图像的获取过程中的不确定性（如光的方向，以及光的强度等）。
2）人脸模式的多样性（如胡须，眼镜，发型等）。
3）人脸塑性变形的不确定性（如表情等）。
4）所涉及的领域知识的综合性（如心理学，医学，模式识别，图像处理，数学等）。
正因为在人脸识别的过程中存在上述的各种各样的问题，因
此在实际的检测和识别过程中，当这些因素叠加到一起的时候，情况就变得更加复杂。
基于几何特征的识别方法，其存在的主要问题在于，没有形成一个统一的，优秀的特征提取标准。
在描述人脸的时候，受到表情，光照，姿态的影响比较大，无法准确地描述人脸特征。
尽管如此，基于几何特征的方法在处理人脸表情分析时，仍然是一个最有效的依据。
同时，目前已经提出了很多改进的特征提取的算法，使得人脸几何特征的提取越来越趋于合理，这里面最具代表性的方法就是结合3D人脸信息的特征点提取技术。
基于代数特征的识别方法是目前在实际应用中使用得最多的一类方法，其主要原因是由于代数特征矢量（即人脸图像在特征空间的投影结果）对角度，表情等因素都具有一定的稳定性。
但对于光照而言，似乎效果并不太明显。
这种代数的特征识别方法，无法应用于人脸的表情识别。
从某种意义上来说，人脸识别的各种方法，实际上就是在寻找一种人脸的描述方式，但是要找到一种能够不受各种因素影响的描述方式非常地困难，无论是最早使用的几何描述方式以及后来比较常用的代数描述方式，都不可避免地存在各种干扰。
我们只能是在以后的研究中，逐渐去完善人脸的描述方式，使之更加有效，更加准确。