人脸辨认体系的研讨始于20世纪60年代，80年代后跟着计算机技能和光学成像技能的开展得到提高，而真实进入初级的运用阶段则在90年后期，并且以美国、德国和日本的技能完成为主；人脸辨认体系成功的关键在于是否具有顶级的中心算法，并使辨认成果具有实用化的辨认率和辨认速度；“人脸辨认体系”集成了人工智能、机器辨认、机器学习、模型理论、专家体系、视频图画处理等多种专业技能，一起需结合中间值处理的理论与完成，是生物特征辨认的最新运用，其中心技能的完成，展示了弱人工智能向强人工智能的转化。
人脸辨认体系首要包含四个组成部分，分别为：人脸图画收集及检测、人脸图画预处理、人脸图画特征提取以及匹配与辨认。
人脸图画收集及检测
人脸图画收集：不同的人脸图画都能经过摄像镜头收集下来，比方静态图画、动态图画、不同的方位、不同表情等方面都可以得到很好的收集。当用户在收集设备的拍照范围内时，收集设备会主动查找并拍照用户的人脸图画。
人脸检测：人脸检测在实践中首要用于人脸辨认的预处理，即在图画中精确标定出人脸的方位和巨细。人脸图画中包含的形式特征非常丰厚，如直方图特征、色彩特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并运用这些特征完成人脸检测。
干流的人脸检测办法依据以上特征选用Adaboost学习算法，Adaboost算法是一种用来分类的办法，它把一些比较弱的分类办法合在一起，组合出新的很强的分类办法。
人脸检测进程中运用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的办法将弱分类器结构为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。
人脸图画预处理
人脸图画预处理：关于人脸的图画预处理是依据人脸检测成果，对图画进行处理并最终服务于特征提取的进程。体系获取的原始图画因为遭到各种条件的约束和随机搅扰，往往不能直接运用，必须在图画处理的前期阶段对它进行灰度校对、噪声过滤等图画预处理。关于人脸图画而言，其预处理进程首要包含人脸图画的光线补偿、灰度变换、直方图均衡化、归一化、几许校对、滤波以及锐化等。
人脸图画特征提取
人脸图画特征提取：人脸辨认体系可运用的特征一般分为视觉特征、像素计算特征、人脸图画变换系数特征、人脸图画代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的进程。人脸特征提取的办法归纳起来分为两大类：一种是依据常识的表征办法；另外一种是依据代数特征或计算学习的表征办法。
依据常识的表征办法首要是依据人脸器官的形状描绘以及他们之间的间隔特性来获得有助于人脸分类的特征数据，其特征重量一般包含特征点间的欧氏间隔、曲率和视点等。人脸由眼睛、鼻子、嘴、下巴等部分构成，对这些部分和它们之间结构联系的几许描绘，可作为辨认人脸的重要特征，这些特征被称为几许特征。依据常识的人脸表征首要包含依据几许特征的办法和模板匹配法。
人脸图画匹配与辨认
人脸图画匹配与辨认：提取的人脸图画的特征数据与数据库中存储的特征模板进行查找匹配，经过设定一个阈值，当类似度超过这一阈值，则把匹配得到的成果输出。人脸辨认就是将待辨认的人脸特征与已得到的人脸特征模板进行比较，依据类似程度对人脸的身份信息进行判别。这一进程又分为两类：一类是承认，是一对一进行图画比较的进程，另一类是辨认，是一对多进行图画匹配比照的进程