上篇文章中讲到，美颜sdk的核心技术之一——人脸识别，其发展经过了比较长的时间，从这“漫长”的发展过程中，最终产生了一批比较实用的方法。今天，小编就为大家简单介绍下，美颜sdk中，人脸识别的主要方法（但其中的详细实现过程不展开）。

一、Eigen Face（特征脸技术）

MIT实验室的特克和潘特提出的“特征脸”方法无疑是最初时期较负盛名的人脸识别方法。其后的很多人脸识别技术或多或少都与特征脸有关系，现在特征脸已经与归一化的协相关量方法一道成为人脸识别性能测试的基准算法。

二、Fisher Face（渔夫脸技术）

该方法首先采用主成分分析对图像表现特征进行降维。在此基础上，采用线性判别分析的方法变换降维后，其主成分会获得“尽量大的类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸识别方法之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA判别方法以及近期的一些基于该学习的改进策略。

三、EGM（弹性图匹配）

这个方法的基本思想是用一个属性图来描述人脸；属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征—Gabor变换12特征，简称Jet；对任意输入人脸的图像，弹性图匹配通过一种优化搜索策略来定位预先定义的若干面部关键特征点，同时提取他们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该方法的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。

四、基于几何特征的方法

几何特征是可以识别眼、鼻、嘴等的形状和它们之间的几何关系（如器官之间的距离）。这些算法识别速度快，需要的内存小，但识别率较低。

五、基于神经网络的方法

神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本的数量比较有限，但是就目前的发展来看，此方法将为未来美颜sdk中人脸识别的主要方法。

以上，就是美颜sdk中，人脸识别实现的主要方法。

声明：本文由美狐原创，未经允许禁止转载，谢谢合作。