在过去的几十年中，人类经常使用面孔来识别个人和计算能力方面的进步，现在可以自动识别类似的识别。早期的面部识别算法使用了简单的几何模型，但是识别过程现在已经成熟到了复杂的数学表示和匹配过程的科学中。在过去的10到15年中，重大进步和倡议将面部识别技术引起了人们的关注。面部识别可用于验证和识别（开放设置和封闭设置）。
自动面部识别是一个相对较新的概念。在1960年代开发的第一个半自动化系统的面部识别系统要求管理员在照片计算出距离和比率与公共参考点之前的照片上找到特征（例如眼睛，耳朵，鼻子和嘴巴），然后将其与参考数据进行比较。在1970年代，使用了特定的主观标记，例如头发颜色和嘴唇厚度来自动化识别。
这两个早期解决方案的问题在于手动计算了测量和位置。 1988年，开发了一种新的应用原理分析，以及标准线性代数技术，以解决面部识别问题。这被认为是一个里程碑，因为它表明需要少于100个值来准确编码适当对齐和标准化的面部图像。
1991年，科学家们发现，在使用本本特征技术时，剩余误差可用于检测图像中的面孔 - 这一发现可以实现可靠的实时自动化面部识别系统。尽管该方法在某种程度上受到环境因素的限制，但它仍然引起了人们对开发自动面部识别技术的兴趣。该技术首先从媒体的反应引起了公众的注意力，即2001年1月的超级碗的试验实施，该碗捕获了监视图像，并将其与数字照片数据库进行了比较。该演示对如何利用技术来满足国家需求的同时考虑了公众的社会和隐私问题，开始了急需的分析。如今，面部识别技术已被用来打击护照欺诈，支持执法，确定失踪儿童并最大程度地减少福利 /身份欺诈。
面部识别问题有两种主要方法：几何（基于特征）和光度法（基于视图）。随着研究人员对面部识别的兴趣，开发了许多不同的算法，其中三种在面部识别文献中进行了很好的研究：主要成分分析（PCA），线性判别分析（LOA）和Elastic Bunch bunch图匹配（EBGM）。
PCA，通常称为本本特面的使用，是1988年开创的技术。使用PCA，探针和画廊的图像必须相同，并且必须首先将标准化以排列图像中受试者的眼睛和口腔。然后，使用PCA方法来减少数据压缩基础知识的数据尺寸，并揭示面部模式最有效的低维结构。尺寸的这种缩小消除了无用的信息，并且将面部结构精确分解为正交（不相关的）组件，称为特征面。每个面部图像可以表示为特征面的加权总和（特征向量），这些总和存储在1 d阵列中。通过测量其各自特征向量之间的距离，将探针图像与画廊图像进行比较。 PCA方法通常需要每次都会出现全额面；否则，图像会导致性能差。该技术的主要优点是，它可以将所需的数据降低到提出的数据的1 i 1进口。
线性判别分析（LDA）是一种基于已知类别的培训样本对未知类别样本进行分类的统计方法。该技术旨在最大程度地提高课堂之间（IE，跨用户）方差，并最大程度地减少课堂内（IE，用户）方差。在处理高维面数据时，该技术面临着与样本空间的维度相比，存在少量可用训练样品的小样本量问题。
弹性束图匹配（EBGM）依赖于真实面部图像具有许多非线性特征的概念，这些特征不是通过前面讨论的线性分析方法来解决的，例如照明的变化（室外照明与室内荧光），姿势（站立直立vs.倾斜）和表达（Smile vs. Frown）。 Gabor小波变换创建了一个动态的链接体系结构，该结构将面部的面孔投射到弹性网格上。 Gabor射流是弹性网格上的节点，在下图上由圆圈注明，它描述了给定像素周围的图像行为。这是图像与Gabor滤波器进行卷积的结果，该滤波器用于检测形状并使用图像处理提取特征。 [卷积表达了功能中的重叠量，将功能混合在一起。]识别是基于每个Gabor节点上Gabor滤波器响应的相似性。使用Gabor过滤器的基于生物学的方法是在高级哺乳动物的视觉皮层中执行的过程。这种方法的困难是需要准确的地标定位，这有时可以通过组合PCA和LDA方法来实现。
