人臉識別技術(shù)這些年已經(jīng)發(fā)生了重大的變化。傳統(tǒng)方法依賴于人工設(shè)計的特征（比如邊和紋理描述量）與機器學(xué)習(xí)技術(shù)（比如主成分分析、線性判別分析或支持向量機）的組合。人工設(shè)計在無約束環(huán)境中對不同變化情況穩(wěn)健的特征是很困難的，這使得過去的研究者側(cè)重研究針對每種變化類型的專用方法，比如能應(yīng)對不同年齡的方法、能應(yīng)對不同姿勢的方法、能應(yīng)對不同光照條件的方法等。近段時間，傳統(tǒng)的人臉識別方法已經(jīng)被基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的深度學(xué)習(xí)方法接替。深度學(xué)習(xí)方法的主要優(yōu)勢是它們可用非常大型的數(shù)據(jù)集進(jìn)行訓(xùn)練，從而學(xué)習(xí)到表征這些數(shù)據(jù)的最佳特征。網(wǎng)絡(luò)上可用的大量自然人臉圖像已讓研究者可收集到大規(guī)模的人臉數(shù)據(jù)集，這些圖像包含了真實世界中的各種變化情況。使用這些數(shù)據(jù)集訓(xùn)練的基于 CNN 的人臉識別方法已經(jīng)實現(xiàn)了非常高的準(zhǔn)確度，因為它們能夠?qū)W到人臉圖像中穩(wěn)健的特征，從而能夠應(yīng)對在訓(xùn)練過程中使用的人臉圖像所呈現(xiàn)出的真實世界變化情況。此外，深度學(xué)習(xí)方法在計算機視覺方面的不斷普及也在加速人臉識別研究的發(fā)展，因為 CNN 也正被用于解決許多其它計算機視覺任務(wù)，比如目標(biāo)檢測和識別、分割、光學(xué)字符識別、面部表情分析、年齡估計等。
人臉識別系統(tǒng)通常由以下構(gòu)建模塊組成：
人臉檢測。人臉檢測器用于尋找圖像中人臉的位置，如果有人臉，就返回包含每張人臉的邊界框的坐標(biāo)。如圖 3a 所示。
人臉對齊。人臉對齊的目標(biāo)是使用一組位于圖像中固定位置的參考點來縮放和裁剪人臉圖像。這個過程通常需要使用一個特征點檢測器來尋找一組人臉特征點，在簡單的 2D 對齊情況中，即為尋找最適合參考點的最佳仿射變換。圖 3b 和 3c 展示了兩張使用了同一組參考點對齊后的人臉圖像。更復(fù)雜的 3D 對齊算法（如 [16]）還能實現(xiàn)人臉正面化，即將人臉的姿勢調(diào)整到正面向前。
人臉表征。在人臉表征階段，人臉圖像的像素值會被轉(zhuǎn)換成緊湊且可判別的特征向量，這也被稱為模板（template）。理想情況下，同一個主體的所有人臉都應(yīng)該映射到相似的特征向量。
人臉匹配。在人臉匹配構(gòu)建模塊中，兩個模板會進(jìn)行比較，從而得到一個相似度分?jǐn)?shù)，該分?jǐn)?shù)給出了兩者屬于同一個主體的可能性。