人脸识别综述
人脸识别综述
人脸识别综述人脸识别是一种通过计算机技术对图像或视频中的人脸进行识别和验证的技术。
随着计算机视觉和模式识别技术的不断发展，人脸识别技术在各种领域和应用中被广泛应用，如安全、监控、人机交互等。
本文将综述人脸识别技术的发展历程、主要方法和应用，以及目前面临的挑战和未来的发展趋势。
首先，人脸识别技术的发展经历了几个阶段。
早期的人脸识别技术主要基于几何特征的测量，如距离、角度和比例等，但这种方法对姿态、光照和表情等因素敏感，容易出现误识别。
随着模式识别理论的发展，基于统计和机器学习的人脸识别方法得到了广泛应用，如主成分分析（PCA）、线性判别分析（LDA）和支持向量机（SVM）等。
这些方法利用人脸图像中的主要特征、能量和信息等进行训练和分类，具有较高的识别率和鲁棒性。
近年来，深度学习技术的兴起极大地推动了人脸识别技术的发展，通过构建深层神经网络模型，实现了更准确和鲁棒的人脸识别。
其次，人脸识别技术的核心是提取和匹配人脸图像中的特征。
常用的特征提取方法包括几何特征、纹理特征和局部特征等。
几何特征是基于脸部形状和结构的特征，如眼睛、鼻子和嘴巴的位置和大小等。
纹理特征是通过分析图像中的灰度、颜色和纹理等信息获得的特征。
局部特征是利用图像中特定区域的局部信息获取的特征，如眼睛区域、嘴巴区域等。
对于特征匹配，主要采用的方法是基于距离或相似度度量的方法，如欧氏距离、曼哈顿距离和余弦相似度等。
然后，人脸识别技术在多个领域具有广泛的应用。
在安全领域，人脸识别技术可以用于身份验证和非法入侵检测。
例如，人脸识别技术可以用于解锁手机、电脑或门禁系统，以确保只有合法用户可以访问。
在监控领域，人脸识别技术可以用于追踪和识别嫌疑人。
在人机交互领域，人脸识别技术可以用于实现手势交互和情感识别。
此外，人脸识别技术还广泛应用于娱乐、医疗和教育等领域。
然而，人脸识别技术仍然面临一些挑战。
首先，光照和表情变化对人脸识别的影响较大，这容易导致识别错误。
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。
基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。
本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。
二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。
早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。
随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。
三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。
通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。
同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。
（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。
通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。
此外，多模态特征融合技术也可以提高人脸识别的性能。
（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。
由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。
该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。
四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。
例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。
此外，该技术还可以应用于门禁系统、监控系统等场景。
（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。
人脸识别算法综述及算法性能比较
人脸识别算法综述及算法性能比较近年来，随着人工智能和机器学习的发展，人脸识别技术逐渐成为安保和智能化领域的重要应用之一。
传统的密码、身份证等身份验证方式已经逐渐被人脸识别技术所取代，因为它具有更加准确、无法被冒用的特点。
人脸识别技术是将人脸图像与系统库中的已知人脸图像进行比对来识别人脸的过程。
其中最核心的就是人脸识别算法，人脸识别算法是指利用计算机技术对人脸图像进行检测、特征提取、匹配等过程，从而实现人脸识别的技术。
目前，主流的人脸识别算法主要包括以下几种：1. 统计学方法统计学方法是比较早期的一种人脸识别算法，它主要通过使用数据统计方法来实现人脸识别。
该方法利用了人脸图像的统计特征，例如人脸形状、亮度、纹理等特征，然后通过比较不同人脸特征之间的差异来进行人脸识别。
常用的统计学方法主要包括主成分分析法（PCA）、线性判别分析法（LDA）等。
2. 人工神经网络方法人工神经网络方法是一种通过人类大脑的神经网络模型来进行人脸识别的方法。
该方法通过人类大脑的感知机制对输入的人脸图像进行学习和分析，并利用类似于人类大脑进行识别的方式来实现人脸识别。
在人工神经网络方法中，深度学习算法如卷积神经网络（CNN）和循环神经网络（RNN）等广泛应用于人脸识别领域。
3. 特征脸法特征脸法是一种基于图像分析和数学方法的人脸识别算法。
该算法的核心思想是通过矩阵特征分解的方法来获取人脸图像中的主要特征，并通过比较不同人脸图像之间的特征差异来实现人脸识别。
4. 特征脸法变体特征脸法变体是对特征脸法算法的改进和完善，它主要包括多尺度与多方向特征脸法（MDFL）、局部特征脸法（LBP）和Gabor小波变换特征脸法（GWFL）等算法。
这些算法主要通过引入多尺度、多角度和局部特征等方法来提高人脸特征的区分度和准确识别率。
5. 支持向量机方法支持向量机方法是一种基于统计学习理论的人脸识别算法。
该算法通过建立一个最优的非线性分类器来实现人脸识别，并利用支持向量机的孪生支持向量机方法来解决分类器的不确定性问题。
人脸识别技术综述
一、计算机人脸识别技术的基本 原理
计算机人脸识别技术的基本原理是利用图像处理和模式识别的方法，通过对人 脸图像进行预处理、特征提取和分类器设计，来对人脸进行识别。
1、人脸预处理
人脸预处理是计算机人脸识别技术的第一步，它的目的是去除图像中的噪声、 光照、表情等因素，使得人脸图像更加清晰和规整。人脸预处理的方法包括灰 度化、二值化、去噪、归一化等。
人脸识别技术综述
基本内容
随着科技的不断发展，人脸识别技术已经成为了日常生活中不可或缺的一部分。 从安防领域的身份认证到金融风控领域的风险控制，再到人机交互和智能客服 领域的用户体验优化，人脸识别技术都有着广泛的应用。本次演示将对人脸识 别技术进行综述，探讨其发展历程、现状、优缺点、挑战和未来发展方向。
相信在未来的发展中，人脸识别技术将会不断完善和提升，为人类的生活和工 作带来更加便捷和安全的应用体验。
参考内容
基本内容
随着科技的进步，计算机人脸识别技术得到了广泛的应用和发展。人脸识别技 术是一种利用计算机视觉技术来对人脸进行识别和认证的技。术，它的应用范 围已经涉及到安全监控、门禁系统、身份认证、人机交互等众多领域。本次演 示将对计算机人脸识别技术进行综述，介绍其基本原理、实现方法和发展趋势。
2、特征提取
特征提取是人脸识别的关键步骤之一，它的目的是从预处理后的图像中提取出 有效的特征，用于区分不同的人脸。特征提取的方法包括基于几何特征的方法、 基于统计特征的方法和基于深度学习的方法等。
3、分类器设计
分类器设计是人脸识别的最后一步，它的目的是利用已经训练好的分类器对人 脸特征进行分类和识别。分类器设计的方法包括支持向量机、神经网络、决策 树等。
随着人们对个人隐私保护的重视，未来的人脸识别技术将会更加注重隐私保护， 例如采用盲生化和隐私保护技术来保护用户的隐私。
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。
机器视觉中的人脸识别技术综述
机器视觉中的人脸识别技术综述一、绪论机器视觉是一个跨学科、交叉领域的学科，融合了计算机科学、图像处理、模式识别等多个领域的知识和技术。
其中，人脸识别技术作为一种典型的机器视觉应用，被广泛应用于安防、金融、医疗、交通等领域。
本文旨在对人脸识别技术进行综述，着重介绍其技术原理、现有算法、应用场景以及主要挑战。
二、人脸识别技术原理人脸识别技术依靠计算机对人脸图像进行处理和分析，从而对其进行识别。
其技术原理包括图像获取、预处理、特征提取和分类等四个步骤。
1.图像获取图像获取是人脸识别技术的第一步，其核心是采集和保存人脸图像数据。
常见的图像获取方式包括摄像头、扫描仪、红外线等。
2.预处理图像预处理是对采集的图像进行处理，使其更加适合进行后续处理。
其主要包括去噪、滤波、灰度化、对齐、归一化等技术手段。
3.特征提取特征提取是人脸识别技术的核心，其目的是从人脸图像中提取出最具有区分度的特征。
常用的特征提取方法包括局部二值模式(LBP)、主成份分析(PCA)、线性判别分析(LDA)、Gabor滤波器等。
4.分类人脸图像的分类是指将针对某个人脸提取到的特征进行比对，从而判断该人脸是否为已知人脸或者新人脸。
常用的分类方法包括支持向量机(SVM)、k最近邻(k-NN)、神经网络等。
三、人脸识别算法人脸识别技术的研究与应用已经有近几十年的历史，现有的算法也越来越成熟和丰富，其中主要包括传统算法和深度学习算法两大类。
1.传统算法传统算法是指在深度学习算法出现之前，使用传统的机器学习和图像处理技术进行特征提取和分类的技术手段。
常用的传统算法包括PCA、LDA、SVM、k-NN等。
在处理小规模的数据集时，这些传统算法表现出了很好的效果，但在处理大规模、复杂数据集时，效果不如深度学习算法。
2.深度学习算法深度学习算法是指利用深度神经网络对人脸数据进行特征提取和识别的方法。
常用的深度学习模型包括卷积神经网络(CNN)、循环神经网络(RNN)等。
人脸识别方法综述
人脸识别方法综述一、引言随着人工智能技术的不断发展，人脸识别技术已经成为了一个非常热门的领域。
在各个领域中，都有着广泛的应用，比如安防、金融、医疗等等。
本文将对人脸识别方法进行综述，包括传统的方法和深度学习方法。
二、传统方法1. 特征提取特征提取是人脸识别过程中最重要的一步。
传统的特征提取算法主要包括LBP（局部二值模式）、HOG（方向梯度直方图）和SIFT（尺度不变特征变换）等。
2. 降维由于原始图像数据维数较高，需要进行降维处理。
PCA（主成分分析）和LDA（线性判别分析）是两种常见的降维算法。
3. 分类器分类器是将输入样本映射到输出类别的关键组件。
常见的分类器包括SVM（支持向量机）、KNN（k近邻算法）和决策树等。
三、深度学习方法1. 卷积神经网络卷积神经网络是目前应用最广泛的深度学习算法之一。
卷积神经网络主要包括卷积层、池化层和全连接层等。
其中，卷积层和池化层可以提取图像的特征，全连接层则用于分类。
2. 人脸检测人脸检测是人脸识别过程中的第一步。
常见的人脸检测算法包括Haar 特征和基于深度学习的方法，比如Faster R-CNN、YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）等。
3. 人脸对齐由于不同人的面部特征存在差异，需要进行人脸对齐处理。
常见的人脸对齐算法包括基于特征点的方法和基于深度学习的方法。
4. 人脸识别在完成前面三个步骤后，就可以进行人脸识别了。
常见的深度学习模型包括FaceNet、DeepID系列和VGGFace等。
四、总结本文对传统方法和深度学习方法进行了综述。
传统方法主要包括特征提取、降维和分类器等步骤；而深度学习方法则主要采用卷积神经网络进行特征提取和分类。
无论是传统方法还是深度学习方法，都有着广泛的应用前景。
在未来，人脸识别技术将会在更多领域中发挥重要作用。
人脸检测算法综述
人脸检测算法综述人脸检测是计算机视觉领域中的基础任务之一，旨在识别和定位一张图片或视频帧中的人脸。
这一技术在众多应用中发挥着重要作用，如人脸识别、表情分析、面部特征提取、人机交互等。
人脸检测算法的发展经历了多个阶段。
早期的方法主要基于机器学习技术，如Haar特征和级联分类器。
这些方法将图片中的人脸与其他区域进行区分，并使用分类器对人脸进行判断。
虽然这些方法在准确率和速度方面取得了一定的成绩，但随着计算机性能的提高和数据集的增大，这些方法在复杂场景下的鲁棒性仍然较差。
近年来，深度学习技术的兴起极大地推动了人脸检测算法的发展。
卷积神经网络（CNN）是目前最常用的深度学习模型之一、许多基于CNN的方法针对人脸检测进行了改进和优化。
其中，YOLO系列算法、Faster R-CNN算法和RetinaNet算法是比较典型的代表。
YOLO系列算法是一种实时目标检测算法，采用了单阶段的检测策略。
它将目标检测任务转化为一个回归问题，通过将图片划分为多个网格，对每个网格同时进行类别预测和位置回归。
YOLOv3算法使用了多尺度预测和多层级特征融合的策略，提高了检测准确率和速度。
Faster R-CNN算法通过引入区域建议网络（RPN）和候选区域池化（RoI Pooling）层，实现了准确的目标定位和区域ROI的提取。
在检测人脸时，Faster R-CNN算法通过对每个候选区域进行进一步的分类和位置回归，提高了检测准确性。
RetinaNet算法是一种基于金字塔特征检测网络（FPN）和特征金字塔网络（PFPN）的目标检测算法。
RetinaNet算法通过设计特殊的损失函数，解决了目标检测中正负样本不平衡的问题，提高了对小目标的检测能力。
除了深度学习方法外，还有一些传统的基于特征的方法被应用于人脸检测。
例如，基于HOG特征和SVM分类器的方法可以获得较好的检测效果，但其准确率在复杂场景下受限。
此外，还有一些基于3D信息的人脸检测算法。
- 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)。
【 关键 词 】 人 脸识 别 ；特征 提取 ；机 器学 习
２ ． ２ 基 于统 计 学
１ 引 言 人脸识别是图像理解和分析最重要的应用之一，也是人们在开发 自 身 生物 特 征 过程 中的 又 一 次伟 大 的 尝试 。所 谓 人脸 识 别 ，就 是 利 用计 算 机 分 析人 脸 视 频 或者 图像 ， 并从 中提取 出有 效 的个 人 识 别信 息 ，最 终判 别 出 来 人脸 对 象 的 身份 。其 应 用 已经 融入 到 了生 活 中 的方 方 面面 ，诸 如视 觉 监 控 ， 自动 身份 验 证 ，银 行 安全 ， 门禁安 全 等领 域 。 随 着 人 们 对 图 像 识 别 领 域 的研 究 ，一 些 学 者 逐 渐 意 识 到 人 脸 识 别 的 巨 大 应 用 前 景 并 投 身 于 该 领 域 的研 究 ， 人脸 识 别 的 发 展历 程 大致 可 分 为三个阶段 ： （ １ ） 第 一阶段 ２ ０ 世纪６ Ｏ 年 代末至２ Ｏ 世纪 ７ Ｏ 年代 初，人脸识 别研 究才处于起步 阶 段 。在 这 方 面 ， 最 早 的 科 研 人 员 是 Ｂｌ ｅ ｄ ｓ ｏ ｅ ， 他 以人 脸 特 征 点 的 比 率 、 间距等参数为特征 ，建立 出来一 个半 自动 的人脸 识别系统。 （ ２ ） 第 二 阶段 ９ Ｏ 年 代 初 ， 随 着 计 算 机 软 硬 件 性 能和 信 息 技 术 的 不 断 地 提 高 ， 基 于 整 体 的识 别 方 法 已成 为 研 究 重 点 。 例 如 特 征 脸 方 法 和 弹 性 图匹 配 方 法 。 而 到 了２ Ｏ 世纪９ Ｏ 年 代 中期 ，人 脸 识 别 的研 究 方法 分 别 向 整 体 识 别 和 部 件 分 析 相 结 合 的 方 向发 展 。如 弹 性 匹配 的方 法 、灰 度 和形 状 分 离 的 可 变形模型方法等 。 （ ３ ） 第 三 阶段 在９ Ｏ 年 代 末 ， 人 脸 识 别 技 术 开 始 被 应 用 于 商 业 市 场 ，成 为 了世 界 范围 内研究的热点 。由于技术不够成熟 ，因此缺 点也很 明显。在市场 需 求不断变化的今天 ，虽然我 国人脸识别方法 的性 能有 了一定的提高，但 与 人 们 的 要 求 还 是 有 一 些 差 距 ，仍 将 不 断 发展 。
２ 人脸识别技术
人 脸 识别 ，是基 于 人 的脸 部 特 征信 息 而对 个 人 身份 识 别 的一 种 识 别技 术 。用 摄 像 机 采集 含 有 人 脸 的 图像 或视 频 流 ， 并 自动 在 图像 中检 测和 跟 踪 人 脸 的具 体 位 置 ，进 而 对 检测 到 的人脸 进 行 处 理 ，通 常 也 叫做 面 部 识别 、 人像识别。下面将对人脸识别 的方法做一个归纳总结。 ２ ． １ 基 于 先验 知 识 基 于 知 识 的 人 脸 检 测 ， 主 要 是 通 过 人 们 的 先 验 知 识 来 对 待 测 物 体 建 立 若 干 规 则 ，从 而 将 人 脸 检 测 问题 转 化 成假 设． 验 证 问题 。 模 板 匹 配 的 方 法 大 致 分 为 ：脸 轮 廓 特 征 匹 配 ， 器 官 特 征 匹 配 和 颜 色 、 纹 理 特 征 匹配 。 脸轮廓特征匹配：Ｃ ｒ ｏ ｗ等提 出了根据人脸的椭圆形特征进行检测…，
人脸侧影简化 为轮廓 曲线 ，从 中抽取基准 点，用这些点之间 的几何特征 来 进 行 人 脸 识 别 。 由于 现 在 的证 件 照 片 多 为 正 面 人 脸 ，所 以对 侧 面 人 脸 识别的研 究 己不 多见。正面 人脸识别 中 ，最关 键 的一 步是合适 的归 一 化 ，使识别过程不依赖 图像 中人脸位置 的旋转和尺度变化 。 ２ ． ２ ． ２ 子 空 间 法 子 空 间 方 法 的 基 本 思 路 是 降维 ， 即 将 高 维 的 人 脸 图 像 特 征 通 过 空 间变 换 （ 线性或非线性 ）压缩到一个低维 的子空 间进行识别 。 该 方 法 的主 要 是 思 路 是 ：最 初 的 子 空 间 可 以被 看 作 使 一 组 基 本 向 量 （ 正交归一），所 以统计 正交 展开 的方法得到 了实 际应用 。并且 ，利 用重 构权 向量 作为 识别用 的特征 向量 ，并提 出基于 “ 特征脸 ”的识别技 术 。 从 提 取 特 征 的 角 度 分 析 ，主 要 分 为 两类 ： １ ． 表达性特征提取方法 ： ２ ． 鉴别性特征提取方法 。在基于线性子 空间的人脸识别中，实 际上是把 人脸 图 像 中存 在 的表 情 、姿 态 及 光 照等 复杂 的变 化 进 行 了线 性 简 化 ，但 不 可 能 得 到 人脸 充 分 的描 述 。
针对人脸识别算法的研究 已经很多年 ，除了有基于模板的方法，还有 基 于 统计 学 的 方法 。 目前基 于 统 计学 算 法可 分 为 几类 ：基于 几 何 特 征 的人 脸 识 别 、基 于 子 空间 分 析 的人 脸 识别 和 基于 神 经 网络 的人脸 识 别 等 。根 据 特 征 的方 法 识别 人脸 的过 程 ，首 先要 根 据特 征 来 训练 出一 个 学 习机 （ Ｍｏ ｄ — ｅ １ ）， 然 后在 识 别 的过 程 中利 用 待测 图片 的特 征 和 学 习机 进 行 匹 配 ，来 得
Ｅ Ｌ Ｅ Ｃ Ｔ Ｒ ＯＮＩ Ｃ Ｓ ＷＯＲ Ｌ Ｄ・ ｊ Ｉ 勇 与ｊ
人 脸 识别 综述
湖 南省 长 沙市长郡 中学 夏志 强
【 摘要 】 人脸识别技术是图像工程领域的重点研究对象，并具有 巨大的应用价值 ，如刑事侦破 ，智能支付等领域。本文将对人脸识别技术做
一
个 综述 ，首先介 绍人 脸识 别技 术 的背现 状进行 分析 展 望并其 发展 趋 势。
到 测 试结 果 。具 体执 行 过 程如 图１ 所示。
口ｌ Ｊ 练
测 试集 ｝ — 特 征 选 取
图 １执 行过 程 图 ２ ． ２ ． １几何 特 征 法 这 类 识 别 方 法 是 首 先 将 人 脸 用 一 个 几 何特 征 矢 量 来 表 示 ，进 而 采 用模 式 识别 中 的层 次 聚类 的 思想 设计 对 应 的分 类 器 对 人 脸 进 行 识 别 。这 种 基 于 几 何 特 征 的 识 别 技 术 中 ，识 别 主 要 目的 就 是 特 征 矢 量 之 间 的 匹 配 ，主 要 采 用 基 于 欧 氏距 离 的判 决 。最 早 的基 于 几 何 特 征 的 人 脸 识 别 方 法 是 侧 影 识 别 ，主 要 是 在 人 脸 侧 面 轮 廓 线 上 提 取 特 征 点 上 入 手 。一 般 将