人脸识别系统的组成人脸识别算法主要由三个模块组成。
人脸检测(Face Detection )人脸特征特征特征(Feature Representation )人脸检测决定着图像中人脸的大小和位置，即解决了“人脸位于何处”的问题
调整脸部位置
同一个人可能在不同的图像序列中呈现不同的姿势和表情，不利于脸部识别。 所以，有必要把脸部图像都转换成统一的角度和姿势。 这就是脸部定位。 其原理是找出人脸的一些关键点(眼角、鼻尖、嘴角等基准点)，利用这些对应的关键点通过相似变换(Similarity Transform，旋转，缩放，平移)使人脸尽可能标准
脸部特征
第三个模块是本文重点介绍的人脸识别算法，其输入是标准化的人脸图像，通过特征建模得到矢量化的人脸特征，最后判别分类器识别的结果。 这里重要的是如何得到区分人脸的特征。 通常，我们在识别人的时候会看眉毛的形状、脸的轮廓、鼻子的形状、眼睛的类型等。 人脸识别算法引擎需要通过练习(训练)得到这种有区别的特征。
每种机器学习算法都以数据集为输入，从中学习经验。 假设该算法遍历数据并希望识别指定图像中的人脸，例如数据中的模式。 这些脸部图像具有以下特征。
脸部的长度/宽度。
由于图片比例会被调整，长度和高度可能并不可靠。然而，在放缩图片后，比例是保持不变的——脸部长度和宽度的比例不会改变。
脸部肤色。
脸上局部细节的宽度，如嘴，鼻子等。
很明显，此时，存在根据脸部不同而有不同的维度，相似的脸部有相似的维度的模式——。 具有挑战性的是需要将特定的脸部转换成数字。 因为机器学习算法只能理解数字。表示一张脸的数字（或训练集中的一个元素）可以称为特征向量一个特征向量是特定顺序的各种数字。
举一个简单的例子，可以将脸部映射到特征向量。 特征向量由各种特征组成，包括：
脸的长度（cm）
脸的宽度（cm）
脸的平均肤色（R，G，B）
唇部宽度（cm）
鼻子长度（cm）
给定图像后，可以标记不同的特征并将其转换为如下图所示的特征向量。
现在，我们的照片被转换为矢量，可以表示为(23.1、15.8、255、224、189、5.2、4.4 )。 当然，也可以从图像中派生出无数其他特征，例如头发的颜色、胡子和眼镜。 但是，在这个简单的例子中，我们只考虑这五个简单的特征。
现在，如果将每个图像解码为特征向量，问题就会变得更简单。 很明显，如果使用同一个人的两张脸部图像，提取的特征向量非常相似。 也就是说，两个特征向量的“距离”变得非常小。
这个时候，机器学习可以让我们完成两件事：
提取特征向量。由于特征太多，手动列出所有特征非常困难。 一个机器学习算法可以自动标记很多特征。 例如，一个复杂的特征可能是鼻子的长度和额头宽度的比率。 手动列出所有这些派生特征非常困难。
得到匹配算法：特征向量后，机器学习算法需要匹配新的图像和语料库中的特征向量。
参考
3359 blog.csdn.net/iodjsvf 8u1j7 kyc/article/details/84312228
33559 www.cn blogs.com/Haiyang 21/p/11208293.html