3. 人脸图像预处理
人脸图像预处理即，基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。
系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度矫正、噪声过滤等图像预处理。
- 主要预处理过程
人脸对准（得到人脸位置端正的图像），人脸图像的光线补偿，灰度变换、直方图均衡化、归一化（取得尺寸一致，灰度取值范围相同的标准化人脸图像），几何校正、中值滤波（图片的平滑操作以消除噪声）以及锐化等。
4.人脸特征提取
人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的，也称人脸表征，它是对人脸进行特征建模的过程。
- 人脸特征提取的方法
基于知识的表征方法（主要包括基于几何特征法和模板匹配法）：根据人脸器官的形状描述以及它们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率、和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和他们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。
- 基于代数特征或统计学习的表征方法：基于代数特征方法的基本思想是将人脸在空域内的高维描述转化为频域或者其他空间内的低维描述，其表征方法为线性投影表征方法和非线性投影表征方法。基于线性投影的方法主要有主成分分析法或称K-L变化、独立成分分析法和Fisher线性判别分析法。非线性特征提取方法有两个重要的分支：基于核的特征提取技术和以流形学习为主导的特征提取技术。
5.匹配与识别
提取的人脸特征值数据与数据库中存贮的特征模板进行搜索匹配，通过设定一个阈值，将相似度与这一阈值进行比较，来对人脸的身份信息进行判断。
人脸识别的结果表现
(1) 检测率：被正确检测到的人脸数目与原图像内包含的人脸数目的比值。检测率越高，表明检测系统对人脸的接受能力越强。
(2) 误识率(或虚警率、误报率、误检率)：被误检为人脸的非人脸子窗口的数目与原图像内被检测的所有非人脸子窗口数目的比值。检测率无法反映系统对非人脸的排除能力，有可能所有人脸都被检测到的同时有大量的非人脸也被误检为人脸。因此，引入误识率来衡量系统对非人脸样本的排除能力。误识率越低，表明检测系统对非人脸的排除能力越强。
(3) 检测速度：大部分应用领域需要在线实时地检测人脸，如人脸识别、人脸跟踪和可编程视频监控等。通常，提高速度往往是以降低检测率为代价的。因此，在检测率和误检率达到满意的前提下，检测速度越快越好。
(4)鲁棒性：反映了检测系统在各种条件下的适应能力。
- 注意：
这四个标准有些是相互制约的。例如，误检率会随着检测率的提高而提高，检测率随着误检率的降低而降低；或检测率和误检率都很理想，但检测速度很慢，如神经网络方法；又或检测速度虽快，但鲁棒性较差
