人脸识别是图像分析与理解最重要的应用之一，所谓人脸识别，就是利用计算机分析人脸视频或者图像，并从中提取出有效的识别信息，最终判别人脸对象的身份。人脸识别的研究可以追溯到２０世纪60年代末期，主要的思路是设计特征提取器，再利用机器学习的算法进行分类。2012深度学习引入人脸识别领域后，特征提取转由神经网络完成，深度学习在人脸识别上取得了巨大的成功。下面以时间为顺序，梳理下人脸识别各算法的发展历程。

　　一、传统算法

　　（一）基于几何特征

　　1、原理

　　人脸由眼睛、鼻子、嘴巴、下巴等部件构成，这些部件的形状、大小，以及各部件在脸上的分布各异，构成各种各样的人脸，利用这些部件的形状和结构关系的几何描述，做为人脸识别的特征。比如：眼角点、鼻尖点和两个嘴角点，构造若干特征向量。特征向量通常包括人脸指定两点间的距离、曲率、角度等。

　　1973年，Kelly’s and Kanade’s PhD theses，第一篇人脸识别的paper,

　　2、优缺点

　　（1）优点

　　算法识别速度快，需要的内存小。

　　（2）缺点

　　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。

　　（二）基于全局信息（holistic method）

　　基于全局

　　基于几何特征的方法，萃取人脸部件的轮廓和几何关系，并没有用到图片中的其他信息，为了提高识别准确度，全局算法应运而生，全局算法的特征向量，包含人脸图像上所有部分的信息。

　　按照对全局特征处理方法的不同，介绍下面两种方法

　　1、PCA（Principal Components Analysis）

　　a.提出背景：

　　照片的识别，可以看成特征向量相互匹配的过程。如果2张100*100的照片，在各个维度上都相近，那么我们可以认为，这两张照片属于同一个人。但是以100*100的照片为例，数据维度10000维，数据维度太高，计算机处理复杂度高，需要将维度降低（因为10000维里面数据之间存在相关关系，所以可以除去重复维度信息，而保持信息不丢失）

　　b.降维方法

　　降低维度后，再拿这个压缩过的向量做识别即可。典型的方法有egienface等。

　　PCA所作的是将数据映射到最方便表示这组数据的坐标系上，映射时没有利用任何数据分类信息。做PCA其实是在信息损失尽可能低的情况下，将数据降维。如果在降维的时候加入分类信息，效果会不会更好？