基于特征点图像匹配的面部识别方法
人脸表情识别的写作方法与创新点
人脸表情识别的写作方法与创新点人脸识别技术介绍人脸识别作为一种生物特征识别技术，具有非侵扰性、非接触性、友好性和便捷性等优点。
早在二十世纪初期，人脸识别已经出现，于二十世纪中期，发展成为独立的学科。
人脸识别真正进入应用阶段是在90年代后期。
人脸识别属于人脸匹配的领域，人脸匹配的方法主要包括特征表示和相似性度量。
人脸识别通用的流程主要包括人脸检测、人脸裁剪、人脸校正、特征提取和人脸识别。
人脸检测是从获取的图像中去除干扰，提取人脸信息，获取人脸图像位置，检测的成功率主要受图像质量，光线强弱和遮挡等因素影响。
获取人脸后，人脸裁剪是根据实际需求，裁剪部分或整体的人脸，进一步精确化人脸图像。
为提高人脸识别准确率，人脸校正可以尽可能的降低由于姿态和表情导致的人脸变化，获取正面或者平静状态下的人脸照片。
特征提取利用不同的特征，对图片进行相似度的衡量和评价。
人脸识别主要包括一对一或者一对多的应用场景，对目标人脸进行识别和验证。
人脸表达模型主要分为2D，2.5D，3D。
2D人脸指的是RGB，灰度和红外图像，是确定视角下表征颜色或纹理的图像，不包括深度信息。
2.5D是在某一视角下拍摄获取的人脸深度数据，但是曲面信息不连续，没有被遮挡部分的深度数据信息。
3D人脸由多张不同角度的深度图像合成，具有完整连续的曲面信息，包含深度信息。
2D图像人脸识别的研究时间较长，软硬件技术较为完备，得到了广泛的应用。
但是由于2D图像反映二维平面信息，不包含深度数据，不能够完整的表达出真实人脸模型。
相比于二维人脸图像，三维图像不受光照等影响，具有更强的描述能力，能够更为真实的反映人脸信息，在人脸合成、人脸迁移、三维人脸识别等场景中应用。
3D人脸识别一般采用深度相机获取人脸深度信息，主要包括双目相机，基于结构光原理的RGB-D相机和基于光飞行时间原理的TOF相机。
常见的三维人脸识别算法主要包括传统识别方法和深度学习识别方法。
1.传统识别方法(1)基于点云数据的人脸识别点云是3D人脸数据的一种表征方式，每一个点都对应一个三维坐标，扫描设备使用这种数据格式存储采集的三维人脸信息，甚至可以将稀疏坐标也拼接到形状信息上，更为完善的反映人脸信息。
人脸识别技术
人脸识别技术人脸识别人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。
用摄像机或摄像头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，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。
人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；非接触性：用户不需要和设备直接接触就能获取人脸图像；并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。
人脸识别技术流程人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。
当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。
人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。
人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。
人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。
人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。
人脸识别核心算法及MATLAB代码
人脸识别核心算法在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。
识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。
我们在这方面的主要工作包括：∙基于LGBP的人脸识别方法问题：统计学习目前已经成为人脸识别领域的主流方法，但实践表明，基于统计学习的方法往往会存在“推广能力弱”的问题，尤其在待识别图像“属性”未知的情况下，更难以确定采用什么样的训练图像来训练人脸模型。
鉴于此，在对统计学习方法进行研究的同时，我们还考虑了非统计模式识别的一类方法。
思路：对于给定的人脸图像，LGBP方法首先将其与多个不同尺度和方向的Gabor滤波器卷积(卷积结果称为Gabor特征图谱)获得多分辨率的变换图像。
然后将每个Gabor特征图谱划分成若干互不相交的局部空间区域，对每个区域提取局部邻域像素的亮度变化模式，并在每个局部空间区域内提取这些变化模式的空间区域直方图，所有Gabor特征图谱的、所有区域的直方图串接为一高维特征直方图来编码人脸图像。
并通过直方图之间的相似度匹配技术（如直方图交运算）来实现最终的人脸识别。
在FERET四个人脸图像测试集合上与FERET97的结果对比情况见下表。
由此可见，该方法具有良好的识别性能。
而且LGBP方法具有计算速度快、无需大样本学习、推广能力强的优点。
参见ICCV2005表.LGBP方法与FERET'97最佳结果的对比情况∙基于AdaBoost的Gabor特征选择及判别分析方法问题：人脸描述是人脸识别的核心问题之一，人脸识别的研究实践表明：在人脸三维形状信息难以准确获取的条件下，从图像数据中提取多方向、多尺度的Gabor特征是一种合适的选择。
使用Gabor特征进行人脸识别的典型方法包括弹性图匹配方法（EGM）和Gabor特征判别分类法（GFC）。
EGM在实用中需要解决关键特征点的定位问题，而且其速度也很难提高；而GFC则直接对下采样的Gabor特征用PCA降维并进行判别分析，尽管这避免了精确定位关键特征点的难题，但下采样的特征维数仍然偏高，而且简单的下采样策略很可能遗漏了非常多的有用特征。
人脸识别主要算法原理
人脸识别主要算法原理主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。
1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果；2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。
3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。
1. 基于几何特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。
几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。
Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。
采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。
这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。
基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。
同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。
2. 局部特征分析方法（Local Face Analysis）主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。
基于LTP算法的人脸识别技术研究
基于LTP算法的人脸识别技术研究随着科技的发展，人脸识别技术已经得到广泛应用，并成为了安防领域的核心技术之一。
而在人脸识别技术中，LTP算法是一种比较经典的算法，它能够高效地进行人脸特征提取和人脸匹配。
本文将对基于LTP算法的人脸识别技术进行研究和分析，并介绍其在实际应用中的一些优缺点和未来发展方向。
一、LTP算法简介LTP（Local Ternary Pattern）算法是一种基于局部纹理特征的图像处理算法，它是LBP（Local Binary Pattern）算法的改进版。
与LBP算法类似，LTP算法也是一种局部特征提取算法，主要用于提取图像中的纹理特征。
但与LBP算法不同的是，LTP算法采用了三进制码，使得它在提取图像纹理特征时更加准确和鲁棒。
在LTP算法中，将图像的每个像素点作为中心点，根据中心点周围相邻像素点灰度值的大小关系，将其转换为三进制码，从而得到一个二值序列。
这个二值序列就是该像素点的LTP值，它可以有效地反映出图像中的纹理信息。
通过计算LTP 值，我们可以得到整幅图像的LTP特征，从而实现对图像的纹理特征提取。
二、基于LTP算法的人脸识别技术在人脸识别领域，LTP算法主要被用于提取人脸图像的纹理特征，从而实现人脸识别。
在基于LTP算法的人脸识别技术中，首先要对人脸图像进行人脸检测和人脸对齐，然后再提取人脸图像的LTP特征。
在人脸检测方面，目前常用的方法有Haar特征分类器、HOG（Histogram of Oriented Gradients）特征、深度学习等。
其中，Haar特征分类器是一种常用的特征提取方法，它可以有效地检测人脸区域。
而在人脸对齐方面，主要采用的是仿射变换算法和三维旋转算法，从而使得提取到的人脸LTP特征更加准确和鲁棒。
在人脸识别方面，基于LTP算法的人脸识别技术主要分为两个步骤：特征提取和特征匹配。
在特征提取方面，通过计算人脸图像的LTP特征，可以得到一个长度为N的特征向量，其中N代表特征向量的维数。
本科毕业论文-—基于opencv的图像识别
基于2DPCA的人脸识别算法研究摘要人脸识别技术是对图像和视频中的人脸进行检测和定位的一门模式识别技术，包含位置、大小、个数和形态等人脸图像的所有信息。
由于近年来计算机技术的飞速发展，为人脸识别技术的广泛应用提供了可能，所以图像处理技术被广泛应用了各种领域。
该技术具有广阔的前景，如今已有大量的研究人员专注于人脸识别技术的开发。
本文的主要工作内容如下：1)介绍了人脸识别技术的基础知识，包括该技术的应用、背景、研究方向以及目前研究该技术的困难，并对人脸识别系统的运行过程以及运行平台作了简单的介绍。
2)预处理工作是在原始0RL人脸库上进行的。
在图像的预处理阶段，经过了图象的颜色处理，图像的几何归一化，图像的均衡化和图象的灰度归一化四个过程。
所有人脸图像通过上述处理后，就可以在一定程度上减小光照、背景等一些外在因素的不利影响。
3)介绍了目前主流的一些人脸检测算法，本文采用并详细叙述了Adaboost人脸检测算法。
Adaboost算法首先需要创建人脸图像的训练样本，再通过对样本的训练，得到的级联分类器就可以对人脸进行检测。
4)本文介绍了基于PCA算法的人脸特征点提取，并在PCA算法的基础上应用了改进型的2DPCA算法，对两者的性能进行了对比，得出后者的准确度和实时性均大于前者，最后将Adaboost人脸检测算法和2DPCA算法结合，不仅能大幅度降低识别时间，而且还相互补充，有效的提高了识别率。
关键词：人脸识别 2DPCA 特征提取人脸检测2DPCA Face Recognition Algorithm Basedon The ResearchAbstract：Face recognition is a technology to detect and locate human face in an image or video streams,Including location, size, shape, number and other information of human face in an image or video streams.Due to the rapid development of computer operation speed makes the image processing technology has been widely applied in many fields in recent years. This paper's work has the following several aspects:1)Explained the background, research scope and method of face recognition,and introduced the theoretical method of face recognition field in general.2)The pretreatments work is based on the original ORL face database. In the image preprocessing stage, there are the color of the image processing, image geometric normalization, image equalization and image gray scale normalization four parts. After united processing, the face image is standard, which can eliminate the adverse effects of some external factors.3)All kinds of face detection algorithm is introduced, and detailed describing the Adaboost algorithm for face detection. Through the Adaboost algorithm to create a training sample,then Training the samples of face image,and obtaining the cascade classifier to detect human face.4)This paper introduces the facial feature points extraction based on PCA ,and 2DPCA is used on the basis of the PCA as a improved algorithm.Performance is compared between the two, it is concluds that the real time and accuracy of the latter is greater than the former.Finally the Adaboost face detection algorithm and 2DPCA are combined, which not only can greatly reduce the recognition time, but also complement each other, effectively improve the recognition rate.Key words：Face recognition 2DPCA Feature extraction Face detection目录第1章前言 (1)1.1 人脸识别的应用和研究背景 (1)1.2 人脸识别技术的研究方向 (2)1.3 研究的现状与存在的困难 (3)1.4 本文大概安排 (4)第2章人脸识别系统及软件平台的配置 (4)2.1 人脸识别系统概况 (4)2.1.1 获取人脸图像信息 (5)2.1.2 检测定位 (5)2.1.3 图像的预处理 (5)2.1.4 特征提取 (6)2.1.5 图像的匹配与识别 (6)2.2 OpenCV (6)2.2.1 OpenCV简介 (6)2.2.2 OpenCV的系统配置 (7)2.3 Matlab与图像处理 (8)第3章图像的检测定位 (8)3.1 引言 (8)3.2 人脸检测的方法 (8)3.3 Adaboost算法 (9)3.3.1 Haar特征 (10)3.3.2 积分图 (10)3.3.4 级联分类器 (11)第4章图像的预处理 (13)4.1 引言 (13)4.2 人脸图像库 (13)4.3 人脸预处理算法 (14)4.3.1 颜色处理 (14)4.3.2几何归一化 (15)4.3.3直方图均衡化 (16)4.3.4灰度归一化 (18)4.4 本章小结 (19)第5章图像的特征提取与识别 (19)5.1 引言 (19)5.2 图像特征提取方法 (20)5.2.1基于几何特征的方法 (20)5.2.2基于统计的方法 (20)5.2.3弹性图匹配(elastic graph matching) (21)5.2.4神经网络方法 (21)5.2.5支持向量机(SVM)方法 (22)5.3 距离分类器的选择 (22)5.4 PCA算法的人脸识别 (24)5.5 二维主成分分析（2DPCA） (25)5.5.1 2DPCA人脸识别算法 (25)5.5.2 特征提取 (27)5.5.3 分类方法 (27)5.5.4 基于2DPCA的图像重构 (28)5.6 实验分析 (28)第6章总结与展望 (33)6.1 本文总结 (33)6.2 未来工作展望 (33)致谢 (34)参考文献： (35)第1章前言1.1 人脸识别的应用和研究背景随着社会科学技术的发展进步，特别是最近几年计算机的软硬件技术高速发展，以及人们越来越将视野集中到快速高效的智能身份识别，使生物识别技术在科学研究中取得了重大的进步和发展。
面部捕捉原理
面部捕捉原理引言：面部捕捉是一种通过计算机视觉技术对人脸进行识别和追踪的过程。
它可以应用于各种领域，如人机交互、虚拟现实、安全监控等。
本文将介绍面部捕捉的原理及其应用。
一、面部捕捉原理面部捕捉的原理是通过摄像头或传感器获取人脸图像，并利用计算机视觉算法对图像进行处理和分析，从而实现对人脸的识别和追踪。
1. 人脸检测：首先，通过人脸检测算法在摄像头捕捉到的图像中定位和提取出人脸区域。
常用的人脸检测算法有Viola-Jones算法和基于深度学习的卷积神经网络（CNN）算法。
2. 特征点定位：在获取到人脸区域后，需要对人脸进行特征点定位，即确定人脸的眼睛、鼻子、嘴巴等关键部位的位置。
通常使用的方法是通过特征点检测算法，如Active Shape Model（ASM）、Active Appearance Model（AAM）等。
3. 特征描述：在确定了人脸的特征点位置后，需要对人脸进行特征描述，以便后续的识别和追踪。
常见的特征描述方法有局部二值模式（LBP）、主成分分析（PCA）等。
4. 人脸识别：基于特征描述的人脸识别算法可以比对已知的人脸特征库，判断输入的人脸与特征库中的哪个人脸最相似，从而实现人脸识别的功能。
常用的人脸识别算法有基于PCA的特征脸法、基于LBP的局部二值模式法等。
5. 人脸追踪：一旦识别出人脸并提取到人脸特征，就可以通过追踪算法对人脸进行实时追踪。
追踪算法的核心是根据当前帧和上一帧的人脸特征，通过匹配算法确定人脸的位置和姿态的变化。
二、面部捕捉的应用面部捕捉技术在很多领域都有广泛的应用。
1. 人机交互：面部捕捉可以用于实现人机交互，通过识别和追踪用户的面部表情和动作，实现手势控制、表情识别、眼球追踪等功能。
这在游戏、虚拟现实等领域有着广泛的应用。
2. 安全监控：面部捕捉可以用于安全监控系统，通过识别和追踪人脸，实现对人员身份的验证和监控。
这在人脸识别门禁系统、公共安全监控等场景中发挥着重要作用。
基于SIFT算法的人脸描述与识别
尺度也越小 ， 反之越大。大尺度表征人脸 图像 的概貌特征 ， 小尺
１ ＩＴ的 基本原 理 Ｓ Ｆ
将要输入 的图像 通过不 同尺度 （ 的高斯核 函数连续 滤波 ａ ）
和下采样 ， 形成 高斯金 字塔 图像 ， 然后 在对相 邻尺度 的两个 高 间表示。对 Ｄ ＯＧ尺度空 间每个 点与相 邻尺度和相邻位置的点 逐个进行 比较得 到的局部极值 位置 即为关键点所 处 的位 置和
０ 引言
人脸识别不仅在理论 上具有重要的价值 ，而且在 安全 、 金 了广泛 的关 注。图像 采集时光照 、 视觉 、 摄像设 备的变化 、 人脸
尺度 。
２ 关键 点检 测
我们 利用串通波器方法检测关键点 。首先 ， 要确定关键点 的位置和尺度 。 用此位置对于 图像尺度变化是不变 的。尺 度变 化的人脸 图像可 以通过寻找越过所有可能的尺度 的稳定特征来完成。
融 等领域也 具有 重要 的应 用前景 ， 因此 在学术界和产业 界受到 ２１ 尺 度 空 间 极 值 检 测 ．
表情 、 年龄变化等 ， 都可能使得 同一个人 的照 片表观差 别很 大 ，
造成识别上 的困难 ， 因此提高人脸 识别系统 对这些变化 的鲁棒 性是研究的重要 目标之一 。 而基于局部的算法可以很 好地解
决这一 问题 。
Ｋ ｅｄ ｔ ｋ １ 明高斯卷 积核 是实现尺度变换 的惟一变换 ｏｎ ｅ ｎ ｔ证 ｉ “ 局部特征提取应该起源于运 动分析 的跟踪算法 ， ｎ ａ Ｈａｎｈ和 核 ， Ｌｎ ｅ ｅ ｔ证 明高斯 核是 睦一 的线性核 。因此 ， 而 ｉｄｂｒ ｇ 一个图 Ｍｏｒｅ 出了关于 角点 的最原始算法 。 ａｒ ｔ Ｓｅ ｈｎ 把 像 的尺度空间就被 定义为 一个 函数 Ｌｘ ， ， 是不 同尺 度的 ｒＶｃ提 ｄ Ｈ ｒｉ６ ｔ ｅ ｓ ｓ和 ］ ｐ （，仃 它 Ｙ） 这个原始想法形式化为结构 张量（ 或称二阶矩阵） 的两个特征值
人脸检测算法
人脸检测算法（转）2009-03-01 23:06人脸检测是一个开放性的，比较活跃的研究课题。
在人脸检测算法中，依照时间顺序的发展有模板匹配模型，肤色模型，ANN模型，SVM模型，Adaboost模型等。
其中Adaboost 模型在速度与精度的综合性能上表现最好。
前段时间，把各个模型的算法都实现了一次，并比较了一下：模板匹配模型：不需要训练，但是精度比较差，速度较慢；基本的思想就是通过一个人脸模板与待检测图象匹配，寻找匹配的位置。
肤色模型：通过统计学习的方法，估计出人脸肤色在Y-Cr-Cb颜色空间中的概率模型，然后对检测点的肤色通过训练的概率模型的估计判断该点是否属于人脸区域，然后再进一步判断。
下面是结合肤色模型与模板匹配的效果图：可见该方法的精确度不是很高，有很多漏检与误检的地方。
ANN与SVM方法：该方法是基于机器学习的方法，以人脸像素作为分类器的输入，然后判断区域是否是人脸。
由于训练图象的尺度是固定的，但是检测做不到尺度不变，所以需要对多个尺度的图象进行检测，造成检测速度比较慢。
另外ANN的训练速度也很慢，同样数据量的情况下，ANN训练大约要17小时，但是SVM算法训练2分钟就可以得到一个较好的分类模型了。
但是两者的检测速度都比较慢。
下面是SVM算法的检测效果图：Adaboost算法：是目前人脸检测最为成功的算法之一，该算法的特点就是训练慢，检测快。
实验中采用的弱分类器是一种双阀值分类的方法，与opencv中的cart算法不一样，同时与Voila的原始算法也不同。
另外在训练过程中采用了动态调整阀值的方法，使得分类器需要的弱分类器大大的减少了。
下面是用Adaboost算法的效果图，注意该检测算法的速度是最快的。
只要1秒的时间。
试验代码：/source/585029与/source/616511人脸检测算法(2)人脸检测不仅是全自动人脸识别系统的基本步骤，而且本身也可以独立的应用于视频监控、图像检索等领域，因而具有重要的研究价值。
基于传统方法与深度学习的人脸识别算法比较分析
基于传统方法与深度学习的人脸识别算法比较分析近年来，随着计算机科学技术的不断发展，人脸识别技术已经得到了广泛的应用。
而在人脸识别技术的研究中，传统方法和深度学习方法是两种主要的方法。
本文将从人脸识别的原理、传统方法和深度学习方法的优缺点和未来发展趋势三个方面，来探讨这两种方法的差异和比较。
一、人脸识别的原理人脸识别是利用计算机化技术对面部生理和行为特征进行识别的一种技术。
其原理是通过人脸图像中的特征点或特征向量来识别不同的人脸。
具体而言，人脸识别技术通常步骤如下：1.图像采集：采用相机或者其他采集设施，对被识别者的面部进行拍摄。
2.人脸检测：检测图像中是否有面部，判断是否是人脸。
3.特征提取：将人脸图像中的重要特征进行提取，并将这些特征量化成数字。
4.人脸匹配：将提取的特征与现有的人脸数据库进行比对，找到与之最匹配的人脸信息。
二、传统方法和深度学习方法的优缺点1.传统方法传统的人脸识别方法包括人工特征提取方法和基于机器学习的方法。
人工特征提取方法是通过程序员对人脸图像中的特征进行人工提取，然后将特征量化成数字进行计算。
基于机器学习的方法则是采用一些具有分类功能的算法来训练计算机模型，用于特征匹配和分类。
优点：（1）运行速度快，能够在不使用GPU的情况下达到较高的识别精度。
（2）模型设计简单，易于理解和调整。
缺点：（1）需要程序员手动提取特征，对于数据量大和多种类别的数据集，提取特征的复杂度和难度较高。
（2）模型的识别精度受到特征提取的影响，在特征选择上的错误会对识别精度产生负面影响。
（3）受环境噪音和光照变化等因素的影响，对识别效果造成困扰。
2.深度学习方法深度学习方法是指使用多层神经网络来对人脸图像进行自动特征提取和分类。
这种方法不需要手动提取特征，使人脸识别的效果更为准确。
优点：（1）能够自动提取出特征，不需要人工干预。
（2）对光照、姿势、表情等各种复杂情况有更好的容错性。
（3）可训练性较强，具备优秀的泛化能力。