當今，生物識別技術飛速發展。作為公共場所安全防務重要的技術手段，生物識別技術被廣泛應用于政府、*、銀行、交通等公共設施。而人臉識別技術是生物識別技術這個課題中研究zui火熱的。
人臉識別技術特指利用分析比較人臉視覺特征信息進行身份鑒別的計算機技術。廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉圖像采集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。
通過視頻圖像的
人臉識別技術，以其源數據采集容易、成本較低廉等眾多優勢越來越得到安防產業的重視。相比于指紋識別、虹膜識別、筆跡鑒定、DNA鑒定等技術，人臉識別僅僅需要在重要場所部署攝像設備，經過比對算法運算，比對的速度十分快捷。但是作為廣泛存在的人臉數據，容易采集的圖像數據，在人物不同表情、年齡等狀態下人臉數據往往呈現出不盡相同的姿態。在一般的人臉圖像中，可以用來識別的圖像特性往往不易提取，而且極易受到圖像質量、人物表情姿勢、光照條件、面部遮擋等諸多因素的影響。如何提高識別的準確率是人臉識別技術的zui大課題。
傳統的人臉識別技術必定經過“人臉檢測”、“特征提取”和“識別算法”這3個步驟。其中基于Boosting的人臉檢測算法已經相對成熟，部分大廠商的人臉檢測技術更是達到了國內水平。同時其中個別廠商的人臉檢測SDK可以支持5路同時檢測zui小尺寸達20×20像素的人臉目標，在人臉左右旋轉45度之內，準確率可以達到98%以上。
人臉圖像的“特征提取”是將圖像信息數字化，一張人臉圖像轉變為的一串數字(一般稱為特征向量)需要具有生物個體*性、可以測量、用于識別和驗證等特征。幾何模板參數是早期的提取方法，近年來出現的Gabor、LBP、SIFT等基于圖像紋理的特征提取方式都取得了良好的效果。然而，很多特征提取方式得出的特征向量數據量遠遠超出了原有的圖像數據量，從而引發所謂的“維度災難”，不利于特征的存儲、計算，更不利于識別。一方面，需要在圖像zui有信息量的部分計算、提取特征，另一方面，可以通過采用降維方法來避免“維度災難”。
“識別算法”指的是分類特征向量的方法，LDA、SVM分類器、貝葉斯模型等都是具有代表性的分類識別算法。基于多尺度高維LBP/SIFT特征降維的貝葉斯模型等方法是近年來傳統人臉識別架構的研究成果。
