目前，关于面部轮廓提取的相关研究方式有多种。包括主动轮廓模型，可变模板，ASM（Active Shape Model）和AAM（Active Appearance Model）等。黄福珍等（2003）提出了一种以几何活动轮廓模型为基础的面部轮廓提取方式，其主要是用于在结构性噪声比较干扰的情况下，常规的几何活动轮廓模型没有办法获取理想分割效果的难题，一开始脸部形状的椭圆约束被当做算子放入于Chan-Vese模型当中，用Chan-Vese模型能够检查出模糊或离散的边缘特性，让改进后的模型不但能够检查出图像中的椭圆，而且能够大概估算出该目标的位移及旋转等的信息[8]。ASM是用于特征提取和形状建模的一种很经典方法。它是用一套参数化的用于统计形状的模型去表明一系列目标物体结构，然后再利用选择对应的模型参数，就能获得变化的目标物体形状。ASM是要看初始化情况，特征点局部的灰度模型，和相应的搜索策略。有很多人对初始的ASM进行改进研究，如Li Yong，Zhang Changshui，Lv Xiaoguang（2000）认为由于头发，耳朵，眼睛，嘴巴或其他噪音，不能通过原始ASM方法准确提取面部轮廓。所以他们将其参入了其他的面部特征知识，像眼睛，嘴巴，人脸之间的几何关系，提高ASM采集的人脸轮廓效果[2]。Chih-Yu Hsu等（2010）实验了基于分治技术、GAs和将Canny边缘检测器结合在一起的方法，提供了一种让主动轮廓模型能够实现比较优良的面部轮廓提取的算法[1]。Wu Hong等（2008）研究设计出了一个计算程序。就是通过选择合适的傅里叶描述符，让它能够不受旋转，角度，放大缩小的影响而发生变化，以达到清除肖像画里角度偏离产生的影响的目的，能从侧面轮廓认出人面部[3]。26998
 对于彩色图像中人脸轮廓提取的研究，利用matlab软件编程处理，用所学的计算机知识和数字图像处理基础原理处理问题已经不再新鲜，可以通过肤色分割原理处理普通彩色图中的一个脸部，然后通过二值化，消除噪音之后显示出来，最后用几何图形将面部区域框出，最终实现认出对应人物。施轶倩，陆菊康，史文琦（2002）是使用初始轮廓逐步的迭代的方法来一点点逼近最佳的面部轮廓。他们总的参考了图像灰度的变化的微分内容、图像中物体轮廓的几何内容，它们对算法迭代的具体参考作用，达到在文持边缘检测准确度的条件下，一定程度上消除噪音的影响的目的[14]。李启娟，李金屏（2008）提出了一种算法，它是以肤色的模型、面部的轮廓信息、眼睛的特征为基础的一种面部检测算法，它在正面面部检测中具有不错的效果[10]。吴绿芳，雷蕴奇，魏昇，吴众山（2008）提出了一种面部轮廓提取方法，首先利用肤色区域达到初定位的目的，之后选择除去不是面部的地方，提取出面部的大致轮廓，再用梯度算子去描绘出下颌边缘[15]。
 Yossi Zana等（2005）提出了一个和生物系统结合起来的面部识别系统[5]。Wu Hong等（2008）提出了一个以傅里叶描述符为基础的自动检测侧脸的素描的识别的算法，它包含了三个主要步骤：一是面部轮廓的提取，二是傅里叶描述符特征特区的问题，三是它们的特征的相较[3]。也有其他学者研究了三文的面部识别技术，Yasushi Yagi等（2000）描述出来一个面部提取系统，它是用2D图像去重新塑造3D图像模型。其中涵盖了32种标准的函数、7种自动人脸轮廓提取函数[4]。李晓娟，杨唐文，阮秋琦，韩建达（2012）提出一种是以模糊聚类方法为基础、并且主要的识别特征是8条非常有达标性的轮廓曲线所得到的面部曲线特征优选算法，这样确实能改善认出面部的频率[11]。邓秀娟，赵亮（2002）提出了一种虽然不是针对于人脸的提取，但可以借鉴参考的、适用于机器人视觉的、以图像轮廓提取为基础的模板匹配算法[7]。陈波，赖剑煌（2007）综述了有关图像分割的、通过分类的方式去阐述几何活动轮廓模型，参数，和它们之间的关系的一种活动轮廓模型[6]。这个对于边缘检测还是比较有用，可以参考一下。论文网 面部轮廓识别与机器人素描技术研究现状:http://www.youerw.com/yanjiu/lunwen_21337.html