2.3.2 基于子空间分析的人脸识别
目前常用特征提取的方法，则是基于子空间的人脸识别方法，其原理在于，寻找一个空间变换，这个变换是基于一定最优准则，从而将人脸图像之数据投影到某个子空间中。用最能反映人脸特征的较少数据来代表原始人脸图像，达到降低人脸图像数据文数的目的。
主分量分析方较早的运用于人脸识别，是一种子空间分析的方法，简称PCA方法。PCA的方法优点将原来的高文数据变成了低文数据，并将数据中的噪声干扰去除，同时冗杂的数据也过滤掉，有效的找出数据空间中的最重要的元素和结构。然而，该算法受不稳定因素干扰，如光照的晦明变化，表情的有无之分，角度及尺寸的迥异；此法对一般情况下的特征是比较最好的描述，然而，不同类之区别并没有涵盖在没，所以说不是最优特征描述；PCA算法舍弃较少特征值的基底，可能会造成一些重要的判别信息，识别率相对较低。
2.3.3 基于神经网络的人脸识别
神经网络方法是研究比较集中热门的。这种算法有较强的训练学习能力，具有突破性的意义，能够有效的在人脸识别中提取出有效的特征量。BP 方法对于图像来说能够对多幅图像压缩并编以码制，同时对于识别率来说也是有增无减。Lawrence等人利用卷积神经网络对人脸进行归类识别。由于该方法对人脸图像的旋转、变形和平移具有一定的不变性，因而可以得到较高的人脸识别率[1,6]。
较之前面讲述之几种特征提取算法，基于BP的人脸识别方法具有一定的优势，这是由于该算法的学习训练可以隐性表达人脸识别的诸多规则或者说是规律，从而解决了人脸识别的规则规律的显性表达的困难。并不是说此算法无纰漏，如计算机技术的局限性，欠学习和过学习的不当性，网络结构的不确定性，训练参数的复杂性等等。 基于小波分析的人脸识别算法研究(4):http://www.youerw.com/zidonghua/lunwen_39057.html