人臉識別設備主要分為人臉檢測、特征提取和人臉識別三個過程。人臉檢測：人臉檢測是指從輸入圖像中檢測并提取人臉圖像，通常采用haar特征和Adaboost算法訓練級聯分類器對圖像中的每一塊進行分類。如果某一矩形區(qū)域通過了級聯分類器，則被判別為人臉圖像。   

特征提?。禾卣魈崛∈侵竿ㄟ^一些數字來表征人臉信息，這些數字就是我們要提取的特征。常見的人臉特征分為兩類，一類是幾何特征，另一類是表征特征。幾何特征是指眼睛、鼻子和嘴等面部特征之間的幾何關系，如距離、面積和角度等。由于算法利用了一些直觀的特征，計算量小。不過，由于其所需的特征點不能選擇，限制了它的應用范圍。另外，當光照變化、人臉有外物遮擋、面部表情變化時，特征變化較大。所以說，這類算法只適合于人臉圖像的粗略識別，無法在實際中應用。表征特征利用人臉圖像的灰度信息，通過一些算法提取全局或局部特征。其中比較常用的特征提取算法是LBP算法。LBP方法首先將圖像分成若干區(qū)域，在每個區(qū)域的像素640x960鄰域中用中心值作閾值化，將結果看成是二進制數。LBP算子的特點是對單調灰度變化保持不變。每個區(qū)域通過這樣的運算得到一組直方圖，然后將所有的直方圖連起來組成一個大的直方圖并進行直方圖匹配計算進行分類。人臉識別：這里提到的人臉識別是狹義的人臉識別，即將待識別人臉所提取的特征與數據庫中人臉的特征進行對比，根據相似度判別分類。而人臉識別設備又可以分為兩個大類：一類是確認，這是人臉圖像與數據庫中已存的該人圖像比對的過程，回答你是不是你的問題。另一類是辨認，這是人臉圖像與數據庫中已存的所有圖像匹配的過程，回答你是誰的問題。顯然，人臉辨認要比人臉確認困難，因為辨認需要進行海量數據的匹配。常用的分類器有近鄰分類器、支持向量機等。

與指紋應用方式類似，人臉識別技術目前比較成熟的也是考勤機。因為在考勤系統(tǒng)中，用戶是主動配合的，可以在特定的環(huán)境下獲取符合要求的人臉。這就為人臉識別提供了良好的輸入源，往往可以得到滿意的結果。但是在一些公共場所安裝的視頻監(jiān)控探頭，由于光線、角度問題，得到的人臉圖像很難比對成功。這也是未來人臉識別技術發(fā)展必須要解決的難題之一。