九十年代后期，随着计算机处理速度的飞速提高及图形识别算法的革命性改进，"面像识别"技术脱颖而出。他以其独特的方便、经济、准确而受到世人的瞩目。
　　1.面像识别技术简介
　　面像识别技术包含面像检测、面像跟踪与面像比对等课题。面像检测是指在动态的场景与复杂的背景中，判断是否存在面像并分离出面像。面像跟踪指对被检测到的面像进行动态目标跟踪。面像比对则是对被检测到的面像进行身份确认或在面像库中进行目标搜索。
　　面像检测分为参考模板、人脸规则、样本学习、肤色模型与特征子脸等方法。参考模板方法首先设计一个或数个标准人脸模板，然后计算测试样本与标准模板之间的匹配程度，通过计算机比对来判断是否存在人脸;人脸具有一定的结构分布特征，人脸规则即提取这些特征生成相应的规则以判断是否测试样本包含人脸;样本学习则采用模式识别中人工神经网络方法，通过对面像样本集和非面像样本集的学习产生分类器;肤色模型依据面像肤色在色彩空间中分布相对集中的规律来进行检测;特征子脸将所有面像集合视为一个面像子空间，基于检测样本与其在子空间的投影之间的距离判断是否存在面像。上述方法在实际系统中也可综合采用。
　　面像跟踪一般采用基于模型的方法或基于运动与模型相结合的方法，另外，肤色模型跟踪也不失为一种简单有效的手段。
　　面像比对从本质上讲是采样面像与库存面像的依次比对并找出最佳匹配对象。因此，面像的描述决定了面像识别的具体方法与性能。目前主要有特征向量与面纹模板两种描述方法，特征向量法先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离、角度等等属性，然后计算出它们的几何特征量，这些特征量形成一描述该面像的特征向量;面纹模板法则在库中存储若干标准面像模板或面像器官模板，在比对时，采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。另外，还有模式识别的自相关网络或特征与模板结合的方法。
　　面像识别系统则采用 "局部特征分析"(Local Feature Analysis,LFA)算法，该算法速度快，误认低，无需学习，利用人脸各器官及特征部位的方位、比例、对应几何关系等数据形成识别参数，与数据库中所有原始参数比较、判断、确认。
　　与其他>生物识别技术，诸如指纹识别，掌形识别，眼虹膜识别和声音识别相比较，面像识别具有以下两点独一无二的特性：
　　1)其他每种生物识别方法都需要一些人的配合动作，而面像识别不需要被动配合，可以自动用在隐蔽的场合，如公安部门监控行动。
　　2)当记录一个企图登录的人的生物记录时，只有面像能更直观，更方便的核查该人的身份。
　　由于与传统的生物识别技术相比，面像识别具有更为简便、准确、经济及可扩展性良好等众多优势，可广泛应用于安全验证、监控、控制等各个方面。
　　2.面像识别技术原理
　　2.1 基本算法--局部特征分析
　　任何一个面像识别系统的基本要点是如何将面像进行编码。面像识别技术使用局部特征分析LFA来描述面部图象，他源于类似搭建积木的局部统计的原理。
　　LFA 是基于以下事实的一种计算方法,即所有的面像(包括各种复杂的式样)都可以从由很多不能再简化的结构单元子集综合而成.这些单元使用了复杂的统计技术而形成的,它们代表了整个面像.他们通常跨越多个象素(在局部区域内)并代表了普遍的面部形状,但并不是通常意义上的面部特征。实际上面部结构单元比面像的部位要多得多。
　　然而,要综合形成一张逼真,精确的面像,只需要整个可用集合中很少的单元子集(12-40特征单元).要确定身份不仅仅取决于特性的单元,还决定于他们的几何结构(比如他们的相关位置)。
　　通过这种方式,LFA将个人的特性对应成一种复杂的数字表达方式,可以进行对比和识别。
　　2.2 面像识别的步骤：
　　1)建立面像档案：可以从摄像头采集面像文件或取照片文件，生成面纹(Faceprint)编码即特征向量;
　　2)获取当前面像，可以从摄像头捕捉面像或取照片输入，生成其面纹;
　　3)将当前面像的面纹编码与档案中的面纹编码进行检索比对;
　　4)确认面像身份或提出身份选择
　　上述整个过程都自动、连续、实时地完成。而且系统只需要普通的处理设备。 门票系统的工作流程为：
　　·自动地在视频数据流中搜索面部图象;
　　·当一个出现用户的头像时;
　　·自动使用多种类型的匹配算法来判断在那个位置是否真的有一张脸。这些算法能够精确地探测出同时出现的多张脸，并且能够确定他们的准确位置;一旦探测到一张脸，这张脸的图象就会被从背景中分离出来，这幅图象随后将经过一系列的特殊处理来恢复它的尺寸、光线、表情和姿态。
　　·将这幅脸部图象在系统内部转换面纹，它包含了这张脸的特有信息;
　　·通过把实时获取的"面纹"和数据库中已有的"面纹"进行比对;
　　·完成对某张脸进行确认。
　　“面纹”编码方式是根据脸部的本质特征和形状来工作的，它可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，使得它可以从百万人中精确地辨认出一个人。
　　上述整个过程都自动、连续、实时地完成。而且系统只需要普通的处理设备。
　　2.3 精确度与识别率
　　对于任何一种生物识别技术，其主要精确度指标包括：错误接受率(FAR)、错误拒绝率(FRR)和相等错误率(EER)，其测试结果与所运行的分析数据库(源)有密切关系。
　　本系统用于FERET数据库(该数据库由美国军事研究实验室提供)时所获得的FAR和FRR的大小。
　　对FAR和FRR曲线交叉点进行了放大，我们可以看到这里EER=0.68%。
　　该测试结果证明，本系统的识别模块精确度达到国际产品的最先进水平。2.4 其他技术指标
　　操作平台：WINDOWS95/98/2000/NT(大部分功能可以应用于UNIX和LINUX)，允许使用INFORMIX 数据库实现一对多的搜索。
　　输入：可以使用多种图象信号，包括照片，实况或录象片，数字图形文件，以及人工绘制的图象
　　速度：头部查找--根据场景的复杂程度，50MS---300MS
　　一对一的匹配：<=1S
　　一对多的匹配：从内存中运行每分钟6千万次，从硬盘中每分钟1千5百万次
　　面纹大小：84字节
　　数据库容量：从技术上说可以支持无限数量的记录
　　移动：可以捕捉移动和静止的面像
　　姿势：正面头像是最佳的工作位置，但只要能同时看到两只眼睛就可以识别面像。极限为45度。姿势变化在15度的范围内不会影响识别效果。从15度到35度，会有少量失真。超过35度，将发生严重的失真。
　　种族和性别：与种族，性别无关。并不从面像区分是同类或异类人口。
　　变化因素的影响：算法运算主要针对面像的本质性区域，而且内在结构部分可以不受面部的自然改变影响。其结果是当表情，面部头发，发型，年龄等改变后，软件仍能很好的正常运行
　　眼镜：无论是否戴眼镜都可以正确识别(只要双眼可见而且没有受到反光的影响)
　　光线：对光线和背景没有特殊的要求，在周围光源有满反射时工作状况最好。另外，在物体没有反光时效果最好，但这可以通过对摄象机的调节来补偿。总之，只要是人的双眼能识别的图象，都可以进行识别。
　　背景：可以在平淡的或杂乱的各种背景下识别面像，识别过程完全与背景无关。
　　图象色彩，灰度和分辨率：对彩色和黑白照片效果相同，最少要求8字节的深度和320*240的分辨率
　　头部尺寸：最小可以发现20*30象素的面像或在整个图象区域中占有少于1%的面像。面部图象的分辨率对识别性能影响不大。当头部大小在80*120象素时达到最佳效果。
　　2.5 多种功能
　　面像识别：完成一对一验证匹配与一对多鉴别匹配。
　　→面像检测：在静止图像与视频流甚至在复杂的情景中发现面像。
　　→面像编码生成：生成84字节大小的且可用计算机处理数字编码，稍后可用计算机进行面像识别。
　　→面像压缩：生成人可读的图像，大小为100到1000字节。
　　→图像质量：评价为面像识别获取的面像的质量。
　　→跟踪： 跟踪面像。
　　→分割： 在图像中剪裁、旋转面像。
　　3.面像识别技术特点
　　精确性： 其精确性可以和最好的指纹识别系统相比
　　性能/成本比高： 只需要通用的PC硬件及相应的软件，费用较低。
　　主动性： 可以不需要使用者的主动参与
　　防伪性： 可以防止照片欺诈
　　用户易接受： 简单易用，对用户无特殊要求
　　可跟踪性良好： 对每次事件都保存一条有时间/日期的面部图象
　　具有自学习的功能： 系统能够动态地更新数据库中用户的头像，从而保证在用户的面像及环境的变化下仍然能够快速准确地识别。