当今，生物识别技术飞速发展。作为公共场所安全防务重要的技术手段，生物识别技术被广泛应用于政府、*、银行、交通等公共设施。而人脸识别技术是生物识别技术这个课题中研究zui火热的。
人脸识别技术特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
通过视频图像的
人脸识别技术，以其源数据采集容易、成本较低廉等众多优势越来越得到安防产业的重视。相比于指纹识别、虹膜识别、笔迹鉴定、DNA鉴定等技术，人脸识别仅仅需要在重要场所部署摄像设备，经过比对算法运算，比对的速度十分快捷。但是作为广泛存在的人脸数据，容易采集的图像数据，在人物不同表情、年龄等状态下人脸数据往往呈现出不尽相同的姿态。在一般的人脸图像中，可以用来识别的图像特性往往不易提取，而且极易受到图像质量、人物表情姿势、光照条件、面部遮挡等诸多因素的影响。如何提高识别的准确率是人脸识别技术的zui大课题。
传统的人脸识别技术必定经过“人脸检测”、“特征提取”和“识别算法”这3个步骤。其中基于Boosting的人脸检测算法已经相对成熟，部分大厂商的人脸检测技术更是达到了国内水平。同时其中个别厂商的人脸检测SDK可以支持5路同时检测zui小尺寸达20×20像素的人脸目标，在人脸左右旋转45度之内，准确率可以达到98%以上。
人脸图像的“特征提取”是将图像信息数字化，一张人脸图像转变为的一串数字(一般称为特征向量)需要具有生物个体*性、可以测量、用于识别和验证等特征。几何模板参数是早期的提取方法，近年来出现的Gabor、LBP、SIFT等基于图像纹理的特征提取方式都取得了良好的效果。然而，很多特征提取方式得出的特征向量数据量远远超出了原有的图像数据量，从而引发所谓的“维度灾难”，不利于特征的存储、计算，更不利于识别。一方面，需要在图像zui有信息量的部分计算、提取特征，另一方面，可以通过采用降维方法来避免“维度灾难”。
“识别算法”指的是分类特征向量的方法，LDA、SVM分类器、贝叶斯模型等都是具有代表性的分类识别算法。基于多尺度高维LBP/SIFT特征降维的贝叶斯模型等方法是近年来传统人脸识别架构的研究成果。
