在最近几十年里，研究者提出了很多的用于人脸识别的方法。大致的可以分为两类，即基于统计的方法以及基于几何的方法。当以统计方法来解决人脸识别的问题时，经常遇到小样本问题和维数问题。因此降低维数，就成为处理此问题的关键。65019

图像识别中，常常以矩阵来描述人脸图像。然而，高维图像的数据对于整个识别系统的识别速度非常的不利，对实时识别系统的实现也很不利[5]。解决此问题的常用方法为降维技术。它使数据从原始图像空间，转化为维数减小很多的特征空间，同时还保留了原始图像数据绝大部分的信息[5]。主元分析算法具有比较高的正确识别率以及识别速度,对表情上的变化及倾斜小幅角度也具有比较强的鲁棒性。但是PCA算法是一种根据图像灰度来识别的方法，所以具有对光照敏感的缺陷。LDA算法顾忌到了不同种类的初始图像间的分类特征，并在这一基础上完成了数据由原始图像空间至特征空间的转化，完善光照的敏感性。对于光照不均匀图像的识别上，取得了比基于灰度方法识别更优异的结果。

特征抽取为模式识别研究中的关键问题。它的基本任务为找出对于分类最直接有效的特征。一般要用一个定量的准则来衡量该特征的有效性。线性鉴别分析法，它是特征抽取中最经典和使用最广泛的方法之一。由于人脸识别系统中所用图像要受到各种因素的影响，例如：图像的质量、图像的背景、图像的光照情况、图像的大小、图像中人脸的旋转、图像中人脸的脸部表情的不同等等，这些因素会造成人脸识别的困难和识别率的下降 。所以, 目前研究人脸识别的算法, 首先就是要将人脸图像进行标准化处理。在实际的应用中, 我们获得的人脸图像在旋转程度尺寸、以及光照情况等方面都有很大不同。这就给识别工作带来了极大的不便。所以为了提高人脸的识别率, 就需要把彩色图像变换为灰度图像, 继而进行尺寸上及灰度上的归一化处理。FERET 于1996 年九月份进行了十种算法的测试, 总结得出了以下结论:

1）LDA 算法、PCA 算法以及弹性图匹配算法的识别率相对较高。

2）姿势、光照等因素对识别率的影响很大,这些因素可以造成识别率的大幅下降。

人脸识别是一种典型的小样本问题，待识别图像矢量维数比较高，很难找到或者根本找不到足够多的训练样本以保证类内散布矩阵保持可逆性。近几年来，小样本情况下的线性鉴别分析方法的研究吸引了人们的广泛兴趣 。研究者相继提出了一些解决此类问题的方法。这类问题解决方法传统的大致属于两类：一为着手于模式的样本，利用事先降低维数来完成奇异性的消除。譬如通过降低图像分辨率的方法实现降维，及通过K-L变化来降维，但这都是以损失鉴别信息为代价，所以无法保证抽取的特征为最优的。另一类是从算法的本身着手，开展直接针对小样本问题的算法。

在所提出的人脸识别系统的最重要部分之一是所考虑的图像区域的预处理。为了使人脸水平对齐，一个常见的技术包括定位眼睛，然后旋转所选择的图像，使他们的倾角为零。而且，两眼之间的距离被用来调整上述图像到给定的宽度和高度值的大小。

一旦右眼和左眼的位置 和 已经分别确定，我们可以简单地计算出他们之间的角度和距离，如下所示：    

                                 （1.1）

                         （1.2）

为了对齐眼睛，把人脸旋转 的角度，然后调整大小至 像素，也就是用来比较的模板的大小。集中在右眼 处进行旋转和缩放，进行一个 简单的仿射变换，如下所示: