人脸识别技术的主要研究方法
基于深度学习的人脸识别方法研究综述
基于深度学习的人脸识别方法研究综述基于深度学习的人脸识别方法研究综述人脸识别作为一种重要的生物特征识别技术，在诸多领域得到了广泛应用，如安全监控、电子支付、社交网络等。
随着深度学习技术的快速发展，基于深度学习的人脸识别方法逐渐成为研究热点。
本文将综述近年来基于深度学习的人脸识别方法的研究进展，包括人脸特征提取、人脸检测与对齐、人脸验证和人脸识别等方面。
一、人脸特征提取人脸特征提取是人脸识别中的核心环节，其目标是将人脸图像中的信息转化为具有辨识能力的特征向量。
目前，基于深度学习的人脸特征提取方法主要包括基于卷积神经网络（CNN）和基于生成对抗网络（GAN）的方法。
其中，CNN主要通过在多层次上提取人脸图像的局部以及全局特征，并将它们融合到最终的特征向量中。
GAN则通过生成器和鉴别器的博弈过程，生成逼真的人脸图像，并从中提取有用的特征向量。
二、人脸检测与对齐人脸检测与对齐是在人脸图像中精确定位出人脸并对其进行标准化的过程。
基于深度学习的人脸检测与对齐方法主要有两种思路，一种是基于Proposal的方法，如R-CNN、Fast R-CNN 和Faster R-CNN等，另一种是基于单阶段的方法，如YOLO和SSD等。
这些方法通过学习图像中人脸的特征模式，实现高效且准确的人脸检测与对齐。
三、人脸验证人脸验证是指判断两个给定的人脸图像是否属于同一个人。
基于深度学习的人脸验证方法主要通过学习一个特征空间，将输入的人脸图像映射到特征向量上，并计算两个特征向量之间的距离来判断是否属于同一个人。
常用的深度学习模型包括Siamese网络和Triplet网络等，它们都具有较好的特征区分能力和鲁棒性。
四、人脸识别人脸识别是指从多个候选人中识别出给定的人脸图像所属的身份。
基于深度学习的人脸识别方法主要借鉴人脸验证的思想，通过学习一个更大的特征空间，实现多个人脸图像之间的比对和识别。
在大规模人脸识别任务中，深度学习模型如Inception-ResNet和VGG等被广泛应用，并取得了显著的性能提升。
人脸识别技术研究及其应用
人脸识别技术研究及其应用随着技术的不断发展，人类已经进入了信息化时代，各种智能设备和应用也随之出现。
在这方面，人脸识别技术是一种比较新的技术，它可以通过对人脸图像的采集、分析、处理等一系列技术手段来识别出人物身份。
人脸识别技术不仅具有高精准度、高效率、易操作等优点，而且在各个领域有广泛的应用。
一、人脸识别技术的研究人脸识别技术的研究可以追溯到上世纪六七十年代，但当时技术水平相对较低，只能对一些简单的人脸图像进行处理，实现人脸的自动识别还有一定的困难。
随着计算机技术的不断发展，人脸识别技术也得到了快速的发展和应用。
在研究方法上，人脸识别技术主要是采用数字图像处理技术、模式识别技术、人工智能技术等手段进行研究。
数字图像处理技术可以对图像进行预处理，增强图像的质量和信息量。
模式识别技术可以对图像进行分类和识别，从而达到人脸识别的目的。
人工智能技术可以模拟人类的思维和认知过程，更加精准地进行识别。
二、人脸识别技术的应用人脸识别技术在各个领域都得到了广泛应用。
下面就一些典型的应用进行介绍：1. 安防领域在安防领域，人脸识别技术可以用于门禁系统、监控系统等。
门禁系统可以通过人脸识别技术自动辨识员工，并记录工作考勤时间等信息。
监控系统则可以通过人脸识别技术识别出重点人员，并及时采取措施，保护重要场所的安全。
2. 社会管理人脸识别技术在社会管理领域也有广泛应用。
例如，在警务系统中，可以将犯罪嫌疑人的照片通过人脸识别技术快速匹配到人口系统中的信息，从而加快犯罪的侦查速度。
在人口普查中，人脸识别技术可以对人口数据进行核验和更新。
3. 金融领域人脸识别技术在金融领域也有广泛应用，尤其是在ATM机、网银等领域。
通过人脸识别技术可以对用户进行身份验证，进一步保证用户财产的安全。
4. 医疗领域在医疗领域，人脸识别技术可以用于病人的身份验证和医生的考勤系统中。
通过人脸识别技术可以避免医疗事故和病人身份混淆。
三、人脸识别技术存在的问题随着人脸识别技术的广泛应用，也暴露出了一些问题，例如：1. 精度问题人脸识别技术存在识别精度不够高的问题。
人脸识别技术中的人脸对齐方法研究
人脸识别技术中的人脸对齐方法研究人脸识别技术近年来取得了长足的进步，并广泛应用于安全检测、人脸解锁等领域。
然而，在实际应用中，人脸图像的质量差异以及环境因素的影响往往会影响人脸识别的准确性。
为了解决这一问题，研究人员提出了人脸对齐方法，以便在输入图像中准确地定位和对齐人脸，从而提高后续的人脸识别性能。
在人脸对齐的研究中，最主要的挑战之一是遮挡、姿态变化和光照条件变化等因素对图像的影响。
为了解决这些问题，研究人员提出了一系列的方法和算法：1. 传统的人脸对齐方法：传统的人脸对齐方法主要利用人脸的关键特征点进行对齐。
这些特征点可以由手工标注或由人脸关键点检测算法得到。
然后，通过对齐特征点进行变换来实现人脸对齐。
常见的对齐方法有仿射变换和投影变换等。
然而，这些传统方法在处理大姿态变化和非刚性形变时的效果较差。
2. 基于深度学习的人脸对齐方法：随着深度学习的广泛应用，越来越多的研究人员开始探索基于深度学习的人脸对齐方法。
这些方法通过构建端到端的深度神经网络来实现人脸对齐。
一种常见的方法是使用人脸关键点检测网络和对齐网络结合的方式。
首先，人脸关键点检测网络用于检测人脸关键点。
然后，对齐网络将检测到的关键点作为输入，通过学习到的变换参数对图像进行对齐。
这种方法可以有效解决姿态变化和非刚性形变等问题。
3. 生成对抗网络（GAN）在人脸对齐中的应用：生成对抗网络是近年来非常热门的深度学习方法。
在人脸对齐中，研究人员开始探索使用生成对抗网络进行对齐的方法。
这些方法通过训练生成对抗网络来生成对齐后的人脸图像。
生成器网络负责将输入图像进行对齐，判别器网络则用于判断生成的对齐图像与真实图像的差异，通过不断迭代训练来提高对齐的准确性。
这种方法能够有效解决光照条件变化和遮挡等问题。
4. 多模态信息融合的人脸对齐方法：在人脸对齐中，利用多模态信息能够提高对齐的准确性。
研究人员开始探索将多种数据源融合在一起，如RGB图像、红外图像和深度图像。
人脸识别研究方法和技术路线
人脸识别是一项广泛研究的计算机视觉领域任务，涉及多个技术和方法。
以下是人脸识别研究的一般方法和技术路线：数据收集：公共数据集：使用公共数据集（如Labeled Faces in the Wild (LFW)、CelebA等）进行算法的初步验证和比较。
定制数据集：在特定应用场景下，可能需要定制数据集以满足任务的要求。
人脸检测：基于特征的方法：Haar特征、HOG（Histogram of Oriented Gradients）等。
深度学习方法：使用卷积神经网络（CNN）进行端到端的人脸检测。
人脸对齐：关键点检测：检测人脸上的关键点，以便对齐姿态。
几何变换：利用检测到的关键点进行仿射变换或透视变换。
特征提取：传统方法：使用Gabor滤波器、LBP（Local Binary Pattern）等进行特征提取。
深度学习方法：使用预训练的卷积神经网络（如VGG、ResNet、MobileNet）提取人脸特征。
特征融合：将多个尺度、多个模态的特征融合，以增强鲁棒性。
人脸识别模型：传统方法：使用传统机器学习算法，如支持向量机（SVM）、k最近邻（KNN）等。
深度学习方法：使用深度神经网络，如Siamese Network、Triplet Network、FaceNet、DeepFace 等。
迁移学习和微调：利用预训练的人脸识别模型，在特定任务上进行微调，以提高模型的性能。
评估与性能提升：使用评价指标如准确率、召回率、精确度等来评估模型性能。
考虑对抗性攻击、活体检测等问题以提升系统的安全性。
部署与应用：部署训练好的模型到实际应用场景，考虑实时性、计算资源消耗等问题。
持续改进与更新：不断监测模型的性能，根据实际应用场景中的变化和挑战，进行模型的更新和改进。
在人脸识别研究中，深度学习方法在性能上通常表现较好，但也需要大量的标注数据和计算资源。
同时，注意在应用中考虑隐私和安全问题，以及人脸识别技术可能引发的社会和伦理问题。
人脸识别课题研究思路
人脸识别课题研究思路
以下是人脸识别课题研究的一般思路：
1. 了解人脸识别技术现状：通过阅读相关文献和研究报告，了解当前人脸识别技术的发展水平、应用领域、存在的问题等。
2. 选择研究方向：根据人脸识别技术的现状和自身的兴趣，选择一个具体的研究方向，如人脸特征提取、人脸识别算法、人脸表情识别等。
3. 收集数据：根据研究方向，选择合适的数据集进行实验。
可以使用现有的公开数据集，也可以自己采集数据。
4. 设计实验方案：根据研究问题，设计合理的实验方案，包括数据预处理、特征提取、模型选择、训练和测试等。
5. 实现算法：根据实验方案，选择合适的编程语言和工具，实现人脸识别算法。
6. 进行实验：按照实验方案进行实验，记录实验结果，并对结果进行分析。
7. 改进算法：根据实验结果，分析算法的不足之处，并提出改进方案，不断优化算法。
8. 验证算法：使用不同的数据集对改进后的算法进行验证，确保算法的稳定性和泛化能力。
9. 撰写论文：将研究成果撰写成论文，发表在相关学术期刊或会议上。
10. 应用研究成果：将研究成果应用到实际场景中，如安防监控、金融认证、社交娱乐等领域。
以上是人脸识别课题研究的一般思路，具体的研究过程可以根据实际情况进行调整和优化。
如何进行人脸识别技术的研究
如何进行人脸识别技术的研究随着科技的发展，人脸识别技术受到越来越多人的关注和研究。
人脸识别技术是指通过计算机对人脸进行分析和识别，从而实现对具体人物的识别和辨认。
这项技术有着广泛的应用，如安防监控、社交网络、人脸支付等，而且在未来的发展中将有更广泛的应用。
那么，如何进行人脸识别技术的研究呢？下面从多个角度分析介绍：一、基础技术人脸识别技术的研究首先需要掌握相关基础知识，如计算机视觉、图像处理、机器学习等。
这些技术是人脸识别技术的基石，也是进行研究的前提。
研究人员需要了解不同的算法和模型，并拥有相应的计算机编程能力。
学术领域的研究者还需要投稿到相关学术期刊，了解同行评议和审稿的规则和流程。
二、数据集在进行人脸识别技术的研究前，需要准备相应的数据集。
数据集的质量、大小和多样性对于研究结果的准确性和可靠性具有重要的影响。
现在有着诸多开源的人脸数据集，如LFW、MTCNN和CASIA-WebFace等，这些数据集可以供研究人员免费下载并使用。
三、算法和模型人脸识别技术的研究很大程度上决定了其准确率和可靠性。
算法和模型的选择取决于研究者本身的研究目的和需求。
对于基于规则的方法，算法的设计依赖于基础算法和领域知识，而基于数据驱动的方法则需要根据具体问题确定模型的输入和输出。
深度学习和卷积神经网络是目前人脸识别技术中普遍采用的方法。
四、实验验证和评估在进行人脸识别技术的研究时，需要对算法和模型进行实验验证和评估。
评估的方法包括但不限于正确率、误识率、负反馈率等。
同时也需要收集和比对与现有数据进行分析，以进一步验证技术的准确性和可靠性。
这个过程是非常重要的，准确的评估结果对于研究的前进方向和结论的影响都是至关重要的。
总之，进行人脸识别技术的研究需要涉及多个方面，在进行研究前，必须要获得相关的基础技术和数据集，并选择合适的算法和模型。
在研究的过程中，需要注意实验验证和评估的方法，以得到更加准确和可靠的研究结果。
未来，随着人工智能技术的发展和普及，人脸识别技术将有更多广泛的应用场景，同时对于技术的研究和推广也会有更大的需求。
人脸识别研究报告
人脸识别研究报告人脸识别技术是一种通过分析人脸图像或视频来识别、验证或追踪个人身份的技术。
由于其高效、准确和便捷的特点，人脸识别技术在安全监控、金融支付、个人身份验证等多个领域得到广泛应用。
本报告将介绍人脸识别技术的原理与分类、应用领域以及存在的问题与挑战。
一、人脸识别技术的原理与分类1.1 人脸图像获取人脸图像的获取是人脸识别技术的前提。
目前常用的获取手段主要包括摄像头、红外线摄像头、多光谱成像摄像头等。
这些设备能够采集人脸的形态、纹理、热量等信息。
1.2 人脸检测与定位在获取到人脸图像后，需要进行人脸检测和定位操作，以确定人脸在图像中的位置。
主要的人脸检测算法包括Viola-Jones算法和卷积神经网络（CNN）等。
1.3 人脸特征提取人脸特征提取是指从人脸图像中提取出具有代表性的特征信息。
常用的特征提取算法有主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
这些算法能够从图像中提取出与个体身份密切相关的特征。
1.4 人脸特征匹配在提取到人脸特征后，需要将其与数据库中储存的特征进行匹配。
目前常用的人脸匹配算法有欧氏距离、余弦相似度和支持向量机（SVM）等。
1.5 人脸识别技术分类根据人脸识别系统的工作原理和特点，人脸识别技术可以分为基于2D图像的人脸识别、基于3D模型的人脸识别和基于红外热图的人脸识别等。
二、人脸识别技术的应用领域2.1 安全监控随着社会的发展，对于公共安全的需求也越来越高。
人脸识别技术在安全监控领域发挥着重要的作用，可以用于实时监控视频中的人脸，以快速发现异常情况或可疑人员。
2.2 金融支付随着移动支付的普及，人脸识别技术可以作为一种便捷的身份验证方式。
用户只需通过摄像头进行人脸扫描，即可完成支付过程，提高了支付的安全性和便利性。
2.3 个人身份验证人脸识别技术可以用于个人身份验证，代替传统的密码、卡片等验证方式。
这种方式不仅提高了验证的准确性，还避免了密码泄露和卡片丢失的风险。
基于生物特征的人脸识别技术研究
基于生物特征的人脸识别技术研究I. 介绍人脸识别技术是一种通过图像处理技术和模式识别算法，将人脸图像进行比对和匹配，以达到身份验证或者识别的技术。
传统人脸识别技术主要基于面向对象和特征提取的方法，而这种基于生物特征的人脸识别技术则更加注重人脸的生物特征。
II. 生物特征生物特征是指人体各个部分在生物上都不同于其他人，并且不具有可改变性的一种特征。
人脸生物特征主要包括三方面，即面部外形特征、纹理特征和热特征。
面部外形特征：是指人脸的轮廓、眼睛、鼻子、嘴巴等部位的位置、大小、形状等，这些特征随着个体的年龄和生长发生变化。
纹理特征：是指人脸表面的纹理、斑点和皮肤毛孔等细节特征，这种特征随着自然光源、表情和状态的变化而变化。
热特征：是指人脸的体温分布和热量辐射等特征，在黑暗中也可以利用红外热成像来识别人脸。
III. 生物特征的应用生物特征可以在识别过程中满足人们对隐私和安全的需求，尤其在身份验证和控制权限等领域有广泛的应用。
1. 身份验证在金融、医疗、银行等领域，人脸识别技术可以应用于身份验证，取代传统的密码和智能卡等认证方式，提高身份验证的准确性和安全性。
2. 安保领域在监控系统、边境检查、机场安检和楼宇出入口等领域，人脸识别技术可以对人员进行实时识别，较好的避免犯罪和违法行为发生，提高安全性。
3. 表情分析人脸识别技术可以对表情进行分析，尤其在医学和心理学领域有重要的意义，在帮助人们了解和诊断情感障碍及相关疾病。
IV. 生物特征的识别方式基于生物特征的人脸识别技术主要有三种识别方式：特征码匹配、基于模式匹配和深度学习。
1. 特征码匹配特征码匹配法在识别人脸时，先从人脸图像中提取特征码，然后将其与数据库中的特征码进行比对，以实现识别。
特征码提取方式多样，包括LBP、HOG等。
2. 基于模式匹配基于模式匹配法主要是通过人脸图像的灰度值来提取特征，然后采用支持向量机、神经网络、卷积神经网络等算法进行分类和识别。
- 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)。
人脸识别技术的主要研究方法The manuscript was revised on the evening of 20211、绪论人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。
人脸识别是一种重要的生物特征识别技术，应用非常广泛。
与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。
本章将简单介绍几种人脸识别技术的研究方法。
关键词：人脸识别2、人脸识别技术的主要研究方法目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。
人脸识别流程图如图2．1所示：图2．1人脸识别流程图3、基于几何特征的人脸识别方法基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。
基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。
这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。
但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。
模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。
基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。
基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。
因此，这也是j种自下而上的方法。
这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且该方法在复杂背景下，多姿态的人脸图像中也能得到有效的检测结果。
但是这种方法通常需要遍历整个图片才能得到检测结果，并且在训练过程中需要大量的人脸与非人脸样本，以及较长的训练时间。
近几年来，针对该方法的人脸检测研究相对比较活跃。
4、基于代数特征的人脸识别方法在基于代数特征的人脸识别中，每一幅人脸图像被看成是以像素点灰度为元素的矩阵，用反映某些性质的数据特征来表示人脸的特征。
设人脸图像 ) , ( y x I 为二维 N M ×灰度图像，同样可以看成是 N M n × = 维列向量，可视为 N M ×维空间中的一个点。
但这样的一个空间中，并不是空间中的每一部分都包含有价值的信息，故一般情况下，需要通过某种变换，将如此巨大的空间中的这些点映射到一个维数较低的空间中去。
然后利用对图像投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。
在基于代数特征的人脸识别方法中，主成分分析法（PCA）和Fisher 线性判别分析（LDA）是研究最多的方法。
本章简要介绍介绍了PCA。
完整的PCA(PrincipalComponentAnalysis)人脸识别的应用包括四个步骤：人脸图像预处理；读入人脸库，训练形成特征子空间；把训练图像和测试图像投影的上一步骤中得到的子空间上；选择一定的距离函数进行识别。
详细描述如下：读入人脸库一归一化人脸库后，将库中的每个人选择一定数量的图像构成训练集，设归一化后的图像是n ×n，按列相连就构成n2维矢量，可视为n2维空间中的一个点，可以通过K-L变换用一个低维子空间描述这个图像。
计算K．L变换的生成矩阵训练样本集的总体散布矩阵为产生矩阵，即或者写成:式中xi为第i个训练样本的图像向量，|l为训练样本的均值向量，M为训练样本的总数。
为了求n2×n2维矩阵∑的特征值和正交归一化的特征向量，要直接计算的话，计算量太大，由此引入奇异值分解定理来解决维数过高的问题。
利用奇异值分解(AVD)定理计算图像的特征值和特征向量设A是一个秩为r的行n×r维矩阵，则存在两个正交矩阵和对角阵：其中凡则这两个正交矩阵和对角矩阵满足下式：!其中为矩阵的非零特征值，把训练图像和测试图像投影到特征空间每一副人脸图像向特征脸子空间投影，得到一组坐标系数，就对应于子空间中的一个点。
同样，子空间中的任一点也对应于～副图像。
这组系数便可作为人脸识别的依据，也就是这张人脸图像的特征脸特征。
也就是说任何一幅人脸图像都可以表示为这组特征脸的线性组合，各个加权系数就是K．L变换的展开系数，可以作为图像的识别特征，表明了该图像在子空间的位置，也就是向量可用于人脸检测，如果它大于某个阈值，可以认为f是人脸图像，否则就认为不是。
这样原来的人脸图象识别问题就转化为依据子空间的训练样本点进行分类的问题。
5、基于连接机制的人脸识别方法基于连接机制的识别方法的代表性有神经网络和弹性匹配法。
神经网络(ANN)在人工智能领域近年来是一个研究热门，基于神经网络技术来进行人脸特征提取和特征识别是一个积极的研究方向。
神经网络通过大量简单神经元互联来构成复杂系统，在人脸识别中取得了较好的效果，特别是正面人脸图像。
常用的神经网络有：BP网络、卷积网络、径向基函数网络、自组织网络以及模糊神经网络等n¨。
BP网络的运算量较小耗时也短，它的自适应功能使系统的鲁棒性增强。
神经网络用于人脸识别，相比较其他方法，其可以获得识别规则的隐性表达，缺点是训练时间长、运算量大、收敛速度慢且容易陷入局部极小点等。
Gutta等人结合RBF与树型分类器的混合分类器模型来进行人脸识别乜螂1。
Lin等人采用虚拟样本进行强化和反强化学习，采用模块化的网络结构网络的学习加快，实现了基于概率决策的神经网络方法获得了较理想结果，。
此种方法能较好的应用于人脸检测和识别的各步骤中。
弹性匹配法采用属性拓扑图代表人脸，拓扑图的每个顶点包含一个特征向量，以此来记录人脸在该顶点位置周围的特征信息¨引。
拓扑图的顶点是采用小波变换特征，对光线、角度和尺寸都具有一定的适应性，且能适应表情和视角的变化，其在理论上改进了特征脸算法的一些缺点。
6、基于三维数据的人脸识别方法一个完整的人脸识别系统包括人脸面部数据的获取、数据分析处理和最终结果输出三个部分。
图2-1 显示了三维人脸识别的基本步骤：1 、通过三维数据采集设备获得人脸面部的三维形状信息；2 、对获取的三维数据进行平滑去噪和提取面部区域等预处理；3 、从三维数据中提取人脸面部特征，通过与人脸库中的数据进行比对；4 、用分类器做分类判别，输出最后决策结果。
基于三维数据的方法的代表性是基于模型合成的方法和基于曲率的方法。
基于模型合成的方法，它的基本思想为：输入人脸图像的二维的，用某种技术恢复(或部分恢复)人脸的三维信息，再重新合成指定条件下的人脸图像。
典型代表是3D可变形模型和基于形状恢复的3D增强人脸识别算法。
3D可变形模型首先通过200个高精度的3D人脸模型构建一个可变形的3D人脸模型，用这个模型来对给定的人脸图像拟合，获得一组特定的参数，再合成任何姿态和光照的人脸图像n卜捌。
基于形状恢复的3D增强人脸识别算法是利用通用的3D人脸模型合成新的人脸图像，合成过程改变了一定的姿态与光源情况。
曲率是最基本的表达曲面信息的局部特征，因而最早用来处理3D人脸识别问题的是人脸曲面的曲率。
Lee禾lJ用平均曲率和高斯曲率值，将人脸深度图中凸的区域分割出来。
7、本章小结上面研究的各种识别方法都获得了一定的成功，但各有优缺点：(1)基于几何特征的识别方法很简单，但目前还没有形成特征提取的统一标准，较难从图像中抽取稳定的特征，尤其是特征受到遮挡或有较大表情变化时，其对姿态变化的鲁棒性也较差。
(2)基于代数特征的识别方法通过各种变换方法来提取主分量，代数特征向量是具有一定稳定性的，基于该方法的识别系统对不同的角度和表情都有一定的鲁棒性。
(3)基于连接机制的识别方法其优点是保存了图像中的材质信息，且特征提取不复杂。
但受到原始图像数据量庞大的影响，识别时间长，特别是当样本数量大大增加时，会严重影响其性能。
(4)基于三维数据的人脸识别方法使用三维数据，是人脸识别的新思路，目前提取但信息还有一定困难，且需要很大数据存储和计算量。
本章介绍了目前常用的一些人脸检测与识别方法，从识别率来看各种方法在指定数据库上的识别性能高低不同，总体来说很难总结哪种方法更为优越。
各种识别方法都有各自的特点，不同的场合识别效果不同。
参考文献:1、卓永亮.基于web的人脸检测与人脸识别2、李寅.基于代数特征的人脸识别研究及其DSP实现3、王红.基于肤色的人脸检测及识别研究4、赵明华.人脸检测和识别技术的研究5、王跃明.表情不变的三维人脸识别研究6、蒋成成.三维人脸识别方法研究7、李进.基于代数特征的人脸识别研究。