人臉識別核心算法包括檢測定位、建模、紋理變換、表情變換、模型統計訓練、識別匹配等關鍵步驟，其中最關鍵的技術包括兩部分：人臉檢測(Face Detect)和人臉識別(Face Identification)。主流的人臉識別技術基本上可以歸結為三類，即：基于幾何特征的方法、基于模板的方法和基于模型的方法。

　　1、基于幾何特征的方法

　　幾何特征最早是用于人臉側面輪廓的描述與識別，首先根據側面輪廓曲線確定若干顯著點，并由這些顯著點導出一組用于識別的特征度量如距離、角度等。臉部由眼睛、鼻子、嘴、下巴等部件構成，這些部件的形狀、大小和構造的差異在世界各個臉部是千差萬別的，因此這些部件的形狀和構造關系的幾何學記述可以作為臉部識別的重要特征。
 

　　2、局部特征分析方法

　　局部特征分析方法是一種基于特征表示的人臉識別技術，源于制作積木的與局部統計相似的原理。LFA 基于所有的面像(包括各種復雜的式樣)都可以從由很多不能再簡化的結構單元子集綜合而成。

　　這些單元使用復雜的統計技術而形成，它們代表了整個面像，通常跨越多個像素(在局部區域內)并代表了普遍的面部形狀，但并不是通常意義上的面部特征。實際上，面部結構單元比面像的部位要多得多。 然而，要綜合形成一張精確逼真的面像， 只需要整個可用集合中很少的單元子集(12～ 40 特征單元)。

　　要確定身份不僅僅取決于特性單元，還決定于它們的幾何結構(比如它們的相關位置)。通過這種方式，LFA 將個人的特性對應成一種復雜的數字表達方式，可以進行對比和識別。

　　“面紋”編碼方式是根據臉部的本質特征和形狀來工作的，它可以抵抗光 線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化，具有強大的可靠性，以從百萬人中精確地辨認出一個人。
 

　　3、特征臉方法(Eigenface或PCA)

　　從統計的觀點，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協方差矩陣的特征向量，以此近似地表征人臉圖像。這些特征向量稱為特征臉(Eigenface)。

　　該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。其技術的核心實際為“局部人體特征分析”和“圖形/神經識別算法。

　　4、基于彈性模型的方法

　　彈性圖匹配技術是一種基于幾何特征和對灰度分布信息進行小波紋理分析相結合的識別算法，較好的利用了人臉的結構和灰度分布信息，而且還具有自動精確定位面部特征點的功能，因而具有良好的識別效果，適應性強識別率較高，該技術在FERET測試中若干指標名列前茅，其缺點是時間復雜度高，速度較慢，實現復雜。
 

　　5、神經網絡方法(Neural Networks)

　　神經網絡方法在人臉識別上的應用比起前述幾類方法來有一定的優勢，因為對人臉識別的許多規律或規則進行顯性的描述是相當困難的，而神經網絡方法則可以通過學習的過程獲得對這些規律和規則的隱性表達，它的適應性更強，一般也比較容易實現。

　　因此人工神經網絡識別速度快，但識別率低 。而神經網絡方法通常需要將人臉作為一個一維向量輸入，因此輸入節點龐大，其識別重要的一個目標就是降維處理。

　　6、其他方法

　　除了以上幾種方法，人臉識別還有其它若干思路和方法，包括一下一些：

　　(1)隱馬爾可夫模型方法(Hidden Markov Model)

　　(2)Gabor 小波變換+圖形匹配

　　(3)人臉等密度線分析匹配方法