人脸识别的核心逻辑都是 “提取人脸特征→对比匹配”，但不同方法在 “怎么找特征”“如何抗干扰” 上各有侧重，适用于不同场景。下面用 “生活化类比” 拆解 8 种主流方法，从原理到用法一次讲透：

一、传统基础方法（适合简单场景，成本低）

这类方法是人脸识别的 “入门款”，靠 “手工提取简单特征” 实现，硬件要求低，适合对精度要求不高的场景。

1. LBPH（局部二值模式直方图）：“拆人脸成小格子，转 0/1 密码认人”

原理

把人脸像拼图一样分成无数小格子（比如 64×64 个），对每个格子：比较 “中心像素” 和 “周围像素的明暗”—— 周围亮记 “1”、暗记 “0”，每个格子就变成一串 0/1 “二进制密码”；再统计所有格子的密码出现次数，形成 “特征清单”（直方图），认人时对比两份清单的相似度。

优缺点

• 优点：对光线不敏感（阴天、暗环境也能用）、普通摄像头就能跑（成本低）、抗小变化（戴眼镜、剪短发不影响）；
• 缺点：精度一般（比深度学习差）、怕严重遮挡（口罩挡半张脸就失效）。

应用场景

普通公司打卡机、小区简易门禁、学校教室考勤（场景固定、无严重遮挡、预算有限）。

2. Eigenfaces（特征脸法）：“提炼‘人脸共性模板’，比模板认人”

原理

先收集上千张人脸照片，提炼所有人脸的 “共性特征”（比如眼睛都在脸的上 1/3、鼻子在中间），整合成几十个 “标准模板”（叫 “特征脸”，不是具体人脸，是抽象特征集合）；认人时，看待识别脸 “符合哪些模板的组合”，再和数据库里的 “模板组合” 对比。

优缺点

• 优点：计算快（只对比模板）、适合简单场景；
• 缺点：怕光线变化（强光 / 逆光会让模板匹配出错）、怕遮挡（挡鼻子就丢关键特征）。

应用场景

实验室身份验证、高校图书馆门禁（室内光线稳定、无遮挡、人员固定）。

3. Fisherfaces（费雪脸法）：“放大‘人与人的差异’，抓独特点认人”

原理

比特征脸 “更聪明”：不找所有人的共性，专门放大 “不同人的差异”—— 比如刻意突出 “张三眼睛间距” 和 “李四眼睛间距” 的区别、“王五颧骨高度” 和 “赵六颧骨高度” 的不同，让 “同一个人的脸差异小，不同人的脸差异大”，像老师记 “小明的酒窝、小红的高鼻梁” 一样认人。

优缺点

• 优点：比特征脸精度高、抗轻微光线干扰；
• 缺点：仍怕严重遮挡（戴帽子 + 口罩就失效）、不适合户外。

应用场景

中小型公司考勤机、校园食堂刷脸打饭（室内场景、人员固定、无严重遮挡）。

4. 几何特征法：“用‘尺子量五官’，靠坐标认人”

原理

在人脸上找几十个 “关键地标”（眼角、鼻尖、嘴角、下颌角），用算法算这些地标的 “距离”（比如左眼到右眼的距离）和 “角度”（比如嘴角连线与水平线的夹角），这些数据组合成 “人脸几何档案”，认人时对比档案里的距离和角度。

优缺点

• 优点：计算极快（只算坐标，不用处理像素）、硬件要求极低（老年机摄像头都能跑）、不怕轻微表情变化（笑或不笑，关键距离变化小）；
• 缺点：怕遮挡（口罩挡鼻尖 + 嘴角，地标丢一半）、怕侧脸（侧脸会改变地标相对位置）、精度中等。

应用场景

小工厂员工打卡、景区快速验票（低成本、无遮挡、追求快识别）、老款车载驾驶员验证（驾驶员正对摄像头，不戴口罩）。

二、进阶优化方法（适合精度 / 抗干扰需求，需搭配工具）

这类方法不单独 “提取特征”，而是通过 “优化特征分类” 或 “强化细节捕捉” 提升精度，常和基础方法搭配使用。

5. Gabor 小波法：“用‘滤镜扫脸’，抓纹理细节认人”

原理

把 “Gabor 小波” 当成一组 “特殊滤镜”：有的滤镜突出 “横向纹路”（抬头纹），有的抓 “纵向纹路”（法令纹），有的抓 “45 度角纹路”（鱼尾纹）；用这些滤镜扫描人脸，把模糊的纹理（毛孔、细纹）变清晰，提取纹理特征形成 “纹理码”，认人时对比纹理码重合度。

优缺点

• 优点：抗光线干扰强（阴天、灯光不均，纹理变化小）、能抓细微差异（两人脸型像，但皱纹纹路不同也能区分）；
• 缺点：怕 “纹理破坏”（贴创可贴、长痘痘、厚妆盖细纹）、计算比几何特征慢。

应用场景

银行柜台身份验证（客户可能戴眼镜但不挡纹理，灯光多变）、写字楼中高端门禁（员工化淡妆，需精准识别）、考场防替考（考生不遮挡脸部，需辨细节）。

6. SVM（支持向量机）分类法：“画‘界线’分人群，帮特征做匹配”

原理

SVM 不是 “提取特征” 的方法，而是 “给特征分类” 的工具，常和 LBPH、Gabor 小波搭配用：假设数据库里每个人的人脸特征是 “特征地图” 上的一个点，SVM 在地图上画 “最粗的界线”，把不同人的点彻底分开（比如界线离张三的点和李四的点距离一样，不混淆）；认人时看实时特征点落在哪个区域，就判定是谁。

优缺点

• 优点：分类精度高（哪怕特征点接近，也能清晰分界）、抗 “干扰点”（数据库里模糊的特征点不影响分类）、适合小范围人群；
• 缺点：人群多了会 “力不从心”（几万人的特征点太密，画不出界线，计算变慢）。

应用场景

企业高管专属门禁（10-20 人，需精准防非授权人员）、实验室科研人员验证（20-50 人，保护实验数据）、高端小区业主专属电梯（50 户以内，避免外来人员使用）。

三、高端智能方法（适合高安全 / 复杂场景，技术先进）

这类方法靠 “立体建模” 或 “AI 学习” 实现，抗干扰、防伪造能力强，适合安全需求高的场景。

7. 深度学习法（基于 CNN 卷积神经网络）：“让机器‘学海量人脸’，抓超精细细节”

原理

给机器喂几十万、几百万张带标签的人脸照片（标注 “这是张三、那是李四”），机器像人眼一样 “从粗到细” 学特征：先学脸的轮廓（圆脸 / 方脸），再学五官位置，最后学 “超细节”（眼角细纹走向、瞳孔细微颜色差异），给每个人建 “超精细特征码”；认人时对比这串码，精度极高。

优缺点

• 优点：精度天花板（能辨极细微差异）、抗干扰强（轻微遮挡、光线变化不影响）、适用范围广；
• 缺点：需强硬件（高性能芯片）、需大量数据训练（成本比传统方法高）。

应用场景

手机刷脸解锁（华为 / 小米人脸解锁）、支付宝 / 微信刷脸支付（需防认错、防伪造）、火车站 / 机场人脸安检（快速从千人中找目标）、共享充电宝刷脸解锁（户外场景，抗光线变化）。

8. 3D 建模法：“建‘人脸立体模型’，靠轮廓起伏认人”

原理

用 3D 摄像头（比如 iPhone 原深感摄像头）扫描人脸，采集每一点的 “深度信息”（鼻梁比脸颊高多少毫米、下巴比嘴唇突出多少毫米），建 1:1 的 “3D 立体模型”（有五官位置，还有高低起伏）；认人时全方位比对模型（旋转看侧脸、仰脸轮廓），哪怕戴口罩，只要 3D 轮廓在就能识别。

优缺点

• 优点：抗遮挡能力极强（戴口罩、帽子、墨镜都能用）、防伪造（2D 照片模仿不了 3D 深度，防照片作弊）、不怕姿态变化（侧脸、低头都匹配）；
• 缺点：硬件贵（3D 摄像头比 2D 贵）、扫描比 2D 慢一点（需采集深度信息）。

应用场景

手机 Face ID（戴口罩也能解锁）、机场 / 火车站安检（旅客戴口罩，需快速验身份）、疫情期间小区门禁（全员戴口罩，不影响进出）、高端写字楼防闯入（需防照片作弊，高安全）。

8 种方法核心信息对比表

方法	核心逻辑（通俗说）	核心优点	核心缺点	典型应用场景
LBPH	拆格子转 0/1 密码，对比密码	抗光、成本低、抗小变化	精度一般、怕严重遮挡	普通公司打卡、小区简易门禁
特征脸法	比 “人脸共性模板” 组合	计算快、适合简单场景	怕光、怕遮挡	实验室验证、图书馆门禁
费雪脸法	放大人与人的差异，抓独特点	比特征脸精度高、抗轻微光干扰	怕严重遮挡、不适合户外	中小型公司考勤、食堂刷脸
几何特征法	量五官距离 / 角度，对比坐标	极快、成本极低、不怕轻微表情	怕遮挡、怕侧脸、精度中等	小工厂打卡、景区验票
Gabor 小波法	用滤镜抓纹理，对比细纹 / 毛孔	抗光、抓细节、辨细微差异	怕纹理破坏、计算稍慢	银行柜台验证、写字楼门禁、考场防替考
SVM 分类法	画界线分特征点，帮特征做匹配	分类准、抗干扰点、适合小人群	人群多则慢、需搭配特征提取方法	高管门禁、实验室验证、业主专属电梯
深度学习法	学海量人脸，抓超精细特征	精度极高、抗干扰强、适用广	需强硬件、需大量数据	手机解锁、刷脸支付、机场安检
3D 建模法	建立体模型，对比轮廓起伏	抗遮挡、防伪造、不怕姿态变化	硬件贵、扫描稍慢	Face ID、疫情门禁、高安全写字楼防闯入

总结：怎么选对方法？

• 若预算低、场景简单（无遮挡、室内）：选 LBPH、几何特征法、特征脸法；
• 若需辨细节、抗光线（室内但光线多变）：选 Gabor 小波法、费雪脸法；
• 若小范围高精度（几十人以内）：选 SVM + 基础方法的组合；
• 若高安全、抗遮挡（戴口罩、防作弊）：选 3D 建模法；
• 若复杂场景、追求精度天花板（户外、支付、安检）：选深度学习法。

实际应用中，很多设备会 “组合多种方法”（比如 3D 建模 + 深度学习），进一步平衡 “精度、速度、成本”，让人脸识别更实用。