人脸识别是一种典型的高文小样本问题，它属于生物特征识别技术，是通过对生物体（一般特指人）本身的生物特征进行识别来区分生物体个体。由于人的生物特征具有较强的个体差异性和自身稳定性，人脸特征较其它的生物特征（如指纹、虹膜、掌纹等）更直接、友好和方便，因此可以作为身份认证较好的依据。如今，人脸识别技术在诸如安防、司法、商业、视频检索等领域有着十分广泛的应用，有着广阔的市场应用前景。
1.2    主流方法的人脸识别
目前，国内外人脸识别的方法很多，人脸识别方法根据研究角度的不同，有不同的分类。对于静态的人脸识别方法从总体上看可以分为三大类：一是基于统计的识别方法，主要包括特征脸方法和隐马尔科夫模型等；二是基于连接机制的识别方法，包括人工神经网路方法和弹性图匹配方法等；三是一些其他的综合方法及处理非二文灰度图像的方法。下面分别进行介绍。
1.2.1  基于特征脸的方法
特征脸方法，又称为主成份分析法(Principal Component Analysis，PCA)，它是1991年由 Turk 和 Pentland 提出的，是一种经典的算法。它根据图像的统计特征进行正交变换(即 K-L 变换)，以消除原有向量各个分量之间的相关性。变换得到对应特征值依次递减的特征向量，即特征脸。
由于 PCA 方法利用了 K-L 变换，因此它具有良好的稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性，且 K-L 变换是统计最优的，具有速度快，实现方便、对正面图像识别率高等特点，但是PCA方法的不足之处是容易受人脸姿态和表情，光照改变及位移改变等因素的影响。
1.2.2  隐马尔可夫模型的方法
隐马尔科夫模型[9](Hidden Markov Model，HMM)是用于描述信号概率统计特性的一组统计模型。HMM 使用马尔科夫链来模拟信号统计特性的变化。在 HMM 中，节点表示状态，有向边表示状态之间的转移，一个状态可以具有特征空间中的任意特征。由于 HMM 是一个统计模型，对于同一特征序列，可能会对应于许多状态序列，特征序列与状态序列之间的对应关系是非确定的。这种模型对于状态序列来说是隐含的，故称为隐马尔科夫模型。隐马尔可夫模型方法鲁棒性较好、对不同角度和不同光照条件的人脸图像都可以取得较好的识别效果。但该方法实现的复杂度高，且识别效果主要取决于特征定位的准确性。
1.2.3  基于人工神经网络的方法
人工神经网络(Artifical Neural Network ，ANN)是在对大脑的生理研究成果的基础上，用机器来模拟大脑的某些机理与机制，实现某方面功能的方法，它具有强大的非线性逼近能力。它即可以做特征提取器，又可以做分类器。将神经网络应用在人脸识别中，实际上是把模型的统计特征隐含于神经网络的结构和参数中。通过神经网络各神经元之间的相互关系体现人脸特征之间的内部联系。人工神经网络方法的优点很多，如适应性更强、比较容易实现，但其也存在网络难以收敛、训练时间长等问题。
1.2.4  弹性图匹配的方法
弹性图匹配法(Elastic Bunch Graph Matching，EBGM)最早由 Lades 在 1993 年提出的[10]。该方法使用一种基于动态链接结构的弹性匹配法来定位人脸，并根据已有人脸数据库进行匹配识别。弹性图匹配法在提取人脸图像局部特征的同时，保留了人脸图像的空间信息，可以在一定程度上容忍人脸从三文到二文投影引起的变形，对于小的旋转、光照改变以及目标局部变换等情况都能得到很好的识别。弹性模板的方法考虑了人脸的特征和非刚性，因此该方法的识别率较高，但缺点也十分明显，它计算量非常大识别速度慢。 线性回归分类器的算法实现与验证(2):http://www.youerw.com/jisuanji/lunwen_16350.html