在過去的幾十年中，人類經常使用面孔來識別個人和計算能力方面的進步，現在可以自動識別類似的識別。早期的面部識別算法使用了簡單的幾何模型，但是識別過程現在已經成熟到了複雜的數學表示和匹配過程的科學中。在過去的10到15年中，重大進步和倡議將面部識別技術引起了人們的關注。面部識別可用於驗證和識別（開放設置和封閉設置）。
自動面部識別是一個相對較新的概念。在1960年代開發的第一個半自動化系統的面部識別系統要求管理員在照片計算出距離和比率與公共參考點之前的照片上找到特徵（例如眼睛，耳朵，鼻子和嘴巴），然後將其與參考數據進行比較。在1970年代，使用了特定的主觀標記，例如頭髮顏色和嘴唇厚度來自動化識別。
這兩個早期解決方案的問題在於手動計算了測量和位置。 1988年，開發了一種新的應用原理分析，以及標準線性代數技術，以解決面部識別問題。這被認為是一個里程碑，因為它表明需要少於100個值來準確編碼適當對齊和標準化的面部圖像。
1991年，科學家們發現，在使用本本特徵技術時，剩餘誤差可用於檢測圖像中的面孔 - 這一發現可以實現可靠的實時自動化面部識別系統。儘管該方法在某種程度上受到環境因素的限制，但它仍然引起了人們對開發自動面部識別技術的興趣。該技術首先從媒體的反應引起了公眾的注意力，即2001年1月的超級碗的試驗實施，該碗捕獲了監視圖像，並將其與數字照片數據庫進行了比較。該演示對如何利用技術來滿足國家需求的同時考慮了公眾的社會和隱私問題，開始了急需的分析。如今，面部識別技術已被用來打擊護照欺詐，支持執法，確定失踪兒童並最大程度地減少福利 /身份欺詐。
面部識別問題有兩種主要方法：幾何（基於特徵）和光度法（基於視圖）。隨著研究人員對面部識別的興趣，開發了許多不同的算法，其中三種在面部識別文獻中進行了很好的研究：主要成分分析（PCA），線性判別分析（LOA）和Elastic Bunch bunch圖匹配（EBGM）。
PCA，通常稱為本本特面的使用，是1988年開創的技術。使用PCA，探針和畫廊的圖像必須相同，並且必須首先將標準化以排列圖像中受試者的眼睛和口腔。然後，使用PCA方法來減少數據壓縮基礎知識的數據尺寸，並揭示面部模式最有效的低維結構。尺寸的這種縮小消除了無用的信息，並且將面部結構精確分解為正交（不相關的）組件，稱為特徵面。每個面部圖像可以表示為特徵面的加權總和（特徵向量），這些總和存儲在1 d陣列中。通過測量其各自特徵向量之間的距離，將探針圖像與畫廊圖像進行比較。 PCA方法通常需要每次都會出現全額面；否則，圖像會導致性能差。該技術的主要優點是，它可以將所需的數據降低到提出的數據的1 i 1進口。
線性判別分析（LDA）是一種基於已知類別的培訓樣本對未知類別樣本進行分類的統計方法。該技術旨在最大程度地提高課堂之間（IE，跨用戶）方差，並最大程度地減少課堂內（IE，用戶）方差。在處理高維面數據時，該技術面臨著與樣本空間的維度相比，存在少量可用訓練樣品的小樣本量問題。
彈性束圖匹配（EBGM）依賴於真實面部圖像具有許多非線性特徵的概念，這些特徵不是通過前面討論的線性分析方法來解決的，例如照明的變化（室外照明與室內熒光），姿勢（站立直立vs.傾斜）和表達（Smile vs. Frown）。 Gabor小波變換創建了一個動態的鏈接體系結構，該結構將面部的面孔投射到彈性網格上。 Gabor射流是彈性網格上的節點，在下圖上由圓圈註明，它描述了給定像素周圍的圖像行為。這是圖像與Gabor濾波器進行卷積的結果，該濾波器用於檢測形狀並使用圖像處理提取特徵。 [卷積表達了功能中的重疊量，將功能混合在一起。 ]識別是基於每個Gabor節點上Gabor濾波器響應的相似性。使用Gabor過濾器的基於生物學的方法是在高級哺乳動物的視覺皮層中執行的過程。這種方法的困難是需要準確的地標定位，這有時可以通過組合PCA和LDA方法來實現。
