人脸识别是一种基于人的面部特征信息进行身份识别的生物识别技术。利用摄像机或摄像头采集包含人脸的图像或视频流，自动检测和跟踪图像中的人脸，然后对检测到的人脸进行人脸识别的一系列相关技术，通常也称为人像识别和人脸识别.人脸识别系统的研究始于1960年代。80年代后随着计算机技术和光学成像技术的发展而得到完善，90年代后期才真正进入初级应用阶段。技术实施是主要重点；人脸识别系统成功与否的关键在于是否拥有先进的核心算法，识别结果是否具有实用的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型论、专家系统、视频图像处理等专业技术，结合中间值处理的理论与实现，是生物特征识别最流行的应用.其核心技术的实现，体现了弱人工智能向强人工智能的转变。人脸识别系统主要包括四个部分：人脸图像采集与检测、人脸图像预处理、人脸图像特征提取、匹配与识别。人脸图像采集与检测人脸图像采集：可以通过摄像头采集不同的人脸图像，如静态图像、动态图像、不同位置、不同表情等都可以很好地采集。当用户处于采集设备的拍摄范围内时，采集设备会自动搜索并抓取用户的人脸图像。人脸检测：人脸检测在实践中主要用于人脸识别的预处理，即准确标记人脸在图像中的位置和大小。人脸图像包含的模式特征非常丰富，如直方图特征、颜色特征、模板特征、结构特征、Haar特征等。人脸检测就是把有用的信息挑出来，利用这些特征来实现人脸检测。基于以上特点，主流的人脸检测方法采用Adaboost学习算法。Adaboost算法是一种分类方法。它结合了一些弱分类方法，形成了一种新的强分类方法。在人脸检测过程中，利用Adaboost算法选择一些最能代表人脸的矩形特征（弱分类器），弱分类器根据加权投票构造成强分类器，然后训练得到的几个强分类器分别为串联形成级联分类器，有效提高分类器的检测速度。人脸图像预处理人脸图像预处理：人脸图像预处理是根据人脸检测结果对图像进行处理，最终服务于特征提取的过程。系统获取的原始图像由于各种条件和随机干扰不能直接使用，在图像处理的前期必须对其进行灰度校正、噪声滤除等图像预处理。对于人脸图像，预处理过程主要包括人脸图像的光照补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波和锐化等。人脸图像特征提取人脸图像特征提取：人脸识别系统可以使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取是进行针对面部的某些特征。人脸特征提取，也称为人脸表示，是对人脸特征进行建模的过程。人脸特征提取的方法可以归纳为两大类：一类是基于知识的表示法；另一种是基于代数特征或统计学习的表示方法。基于知识的表示方法主要是根据面部器官的形状描述和它们之间的距离特征来获取有助于人脸分类的特征数据，其特征分量通常包括欧式距离、曲率、特征点间的角度、ETC。。人脸由眼睛、鼻子、嘴巴和下巴等部分组成。这些部分的几何描述和它们之间的结构关系可以作为人脸识别的重要特征。这些特征称为几何特征。基于知识的人脸表示主要包括基于几何特征和模板匹配的方法。人脸图像匹配与识别人脸图像匹配与识别：将提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配。通过设置一个阈值，当相似度超过这个阈值时，就得到匹配的结果输出。人脸识别就是将待识别的人脸特征与得到的人脸特征模板进行比较，根据相似程度判断人脸的身份信息。这个过程又分为两类：一类是确认，是一对一的图像比对过程；一类是识别，是一对多的图像匹配比对过程。
