脸是由眼睛、鼻子、嘴、下巴等组成的。正是由于这些部件在形状、大小和结构上的差异，世界上的每一个面都是如此不同。因此，对这些部件的形状和结构进行几何描述是人脸识别技术的一个重要特征。几何特征首先被用来描述和识别面部轮廓。首先，根据轮廓曲线确定了一些突出点，并从这些突出点中导出了距离、角度等特征度量。利用灰度图像中心线附近的积分投影来模拟侧面轮廓图像是一种非常新的方法。利用几何特征进行人脸识别通常是通过提取人眼、嘴、鼻等重要特征点的位置作为分类特征来实现的。然而，对几何特征提取精度的实验研究表明，几何特征的提取是准确的。结果并不乐观。
    　　
    人脸识别技术
    变形模板法可以看作是几何特征法的一种改进。其基本思想是设计一个参数可调的器官模型（即变形模板），定义一个能量函数，并通过调整模型参数使能量函数最小化。这种方法有一个很好的想法，但存在两个问题。一是能量函数中各种费用的权重系数只能由经验确定，难以推广；二是能量函数的优化过程费时费力，难以在实际中应用。基于参数的人脸表示可以实现对人脸显着特征的有效描述，但需要进行大量的预处理和精细的参数选择。同时，一般的几何特征仅仅描述了构件的基本形状和结构关系，忽略了局部的细微特征，造成了一些信息的丢失，更适合于粗分类，现有的特征点检测技术在精度上远远不能满足要求。钕计算。
    　　
    人脸识别技术的研究证明，任何特殊的人脸都可以用一个称为特征图的坐标系来表示。特征图是人脸集合的平均协方差的特征函数。开发了一个近实时的计算机系统，对人脑进行定位和跟踪，并通过人脸特征与已知人脸特征的比较来识别人脑。在该方法中，人脸识别问题被看作是一个二维识别问题。识别过程是将一幅新的图像投影到特征人脸子空间，捕捉已知人脸图像之间的显着变化。重要特征称为特征面，因为它们是面集的特征向量。本文比较了不同的图形和纹理，提出了一种LBP算子来描述图像的纹理特征。提出了一种基于局部二值模式和样本分布非参数判别的灰度和旋转不变纹理分类方法。该方法具有灰度变化大、计算简单的特点。为了获得最大类间离散度和最小类内离散度，提出了一种特征组合方法。解决方案是：在低维表示中，相同的类应该紧密地聚集在一起，而不同的类别应该尽可能远。研究基于Fisher的线性判断进行面部投影，能够在低维空间中产生良好分离的类，即使在光线和面部情况的变化较大的情况下也是如此。大量的实验结果表明，本文提出的特征脸方法的错误率低于哈佛和耶鲁人脸库中特征脸技术的错误率。