面部识别技术基于人的面部特征，并且首先判断输入的面部图像或视频流是否存在面部。 如果有一张脸，则进一步给出每个脸的位置，大小和要点。 面部器官的位置信息。 并根据此信息进一步提取每个将个人面部中包含的身份特征与已知面部进行比较，以识别每个面部的身份。
人脸识别方法很多，主要的人脸识别方法有：
(1)基于几何特征的面部识别方法：几何特征可以是眼睛，鼻子，嘴等的形状以及它们之间的几何关系(例如它们之间的距离)。 这些算法具有很快的识别速度并且需要小的存储器，但是识别率很低。
(2)基于特征脸(PCA)的人脸识别方法：特征脸法是基于KL变换的人脸识别方法，KL变换是用于图像压缩的正交变换。 通过KL变换高维图像空间后，获得了一组新的正交基，并保留了重要的正交基。 这些基础可以扩展为低维线性空间。 如果假定人脸在这些低维线性空间中的投影是可分离的，则这些投影可用作识别的特征向量。 这是特征脸方法的基本思想。 这些方法需要更多的训练样本，并且*基于图像灰度的统计特性。 当前有一些改进的特征脸方法。
(3)神经网络人脸识别方法：神经网络的输入可以是分辨率降低的人脸图像，局部区域的自相关函数，局部纹理的二阶矩等。这种类型的方法还需要更多的样本用于 训练，并且在许多应用中，样本数量非常有限。
(4)弹性图匹配的人脸识别方法：弹性图匹配方法定义了二维空间中法向人脸变形不变的距离，并使用属性拓扑图表示人脸。 拓扑图的任何顶点都包含一个特征向量，该特征向量用于记录顶点附近的人脸信息。 该方法结合了灰度特性和几何因素，在比较过程中允许图像发生弹性变形，在克服面部表情变化对识别的影响方面取得了良好的效果。 同时，一个人不再需要多个样本训练。
