以下是当前主流的人脸识别算法分类及代表性方法，分为传统算法和深度学习方法两大类：

一、 传统算法（主要用于早期或特定场景）

这些方法通常在深度学习兴起前广泛使用，计算量较小但精度和鲁棒性普遍低于深度学习方法。

1. 特征脸 (Eigenfaces):

   • 原理： 主成分分析(PCA)在人脸识别上的应用。从训练人脸图像中找出能代表最大方差方向的“特征脸”，然后将新人脸投影到该空间进行距离比较。
   • 优缺点： 计算简单，实现容易；但对光照、姿态、表情变化敏感，识别率相对较低。

2. Fisher 脸 (Fisherfaces / LDA):

   • 原理： 线性判别分析(LDA)的应用。在降维的同时，最大化类间散度、最小化类内散度，使同一类人脸更聚集，不同类更分散。
   • 优缺点： 相比特征脸，对光照和表情有一定改善；仍然存在特征信息损失多、对非线性和遮挡变化处理不佳的问题。

3. 局部二值模式直方图 (Local Binary Patterns Histograms, LBPH):

   • 原理： 提取人脸的局部纹理特征。将图像分成小区域，计算每个区域内中心像素点与其邻域像素的灰度对比关系，生成LBP编码，再汇总这些区域的LBP直方图作为特征。
   • 优缺点： 对光照变化鲁棒性强，计算速度快；但整体识别率不高，对姿态大角度变化效果差。

4. 支持向量机 (Support Vector Machine, SVM):

   • 原理： 本质上是一种分类器。需要先提取人脸图像的特征(如上述Eigenfaces、Fisherfaces、LBPH等)，然后训练SVM模型来区分不同人。
   • 优缺点： 在具有良好特征的情况下能达到不错的分类效果；但性能严重依赖于前端的特征提取质量。

二、 深度学习方法（当前主流，精度远超传统方法）

基于深度神经网络的模型是当前人脸识别的绝对主流，它们可以自动学习层次化、鲁棒性强的特征表达。

1. 人脸检测(是识别的第一步):

   • Viola-Jones: 一种早期的、高效但精度有限的检测器，基于Haar-like特征和AdaBoost级联分类器。
   • HOG + SVM: 基于方向梯度直方图特征和支持向量机。
   • 基于CNN的检测器 (主流):
     • MTCNN (Multi-task Cascaded CNN): 轻量级级联网络，同时进行人脸检测、关键点定位。
     • RetinaFace: 引入密集回归分支和自监督解码分支，在困难样本(如遮挡、侧脸)上有更好表现。
     • SSD (Single Shot MultiBox Detector), Faster R-CNN, YOLO 等通用目标检测框架也常用于人脸检测任务。

2. 人脸特征提取与比对(核心识别算法): 以下模型的核心目标是将人脸图像映射到一个高维空间中的特征向量（嵌入向量），使同一个人的向量靠近，不同人的向量远离。识别阶段通过比较两个嵌入向量的距离（如余弦距离、欧式距离）进行比对。

   • DeepFace: Facebook提出，是较早将深度卷积神经网络成功应用于人脸识别的模型，证明了深度学习的巨大潜力。
   • DeepID (1,2,3): 香港中文大学提出，通过深层网络和多目标学习获取强大的特征表达能力。
   • FaceNet: Google提出，极具影响力。使用一种高效的卷积网络架构，并提出了三元组损失(Triplet Loss)。核心思想是拉近同一个人的“锚点”与“正样本”距离，推远与“负样本”的距离。
   • VGGFace / VGGFace2: Oxford大学提出，使用了在大规模人脸数据集上预训练的深度CNN模型（如VGG、ResNet）。VGGFace2数据集和模型是业界重要的基准。
   • SphereFace: 提出了角间隔(Angular Margin)损失函数（A-Softmax Loss），在Softmax loss基础上增加类内紧凑性和类间可分性的约束。
   • CosFace (LMCL): 引入加性余弦间隔(Additive Cosine Margin Loss) ，直接在余弦空间中增加决策边界间隔。
   • ArcFace: 目前最流行且效果最佳的方法之一。提出了加性角间隔(Additive Angular Margin Loss)，将间隔加到角度空间中而非余弦空间，在SphereFace和CosFace基础上进一步优化，获得了最优异的性能、稳定性和鲁棒性。
   • 其他改进: MagFace, CurricularFace等对ArcFace进行了进一步改进和补充。
   • 基于Transformer的方法： 随着ViT的成功，ViT-Face、Face Transformer、TransFace 等模型开始探索Transformer架构在人脸识别中的应用，展现出巨大潜力。
   • 轻量级模型: MobileFaceNet, EfficientFace, ShuffleNet等专为移动端和嵌入式设备设计，在保证一定精度下追求高速度和低计算量。
   • 3D人脸识别： 使用3D结构光、双目视觉等方法获取人脸深度信息，构建3D模型进行识别。对光照、姿态变化鲁棒性强，但成本高、数据获取复杂。算法上也有相应的深度网络处理3D点云或深度图。

总结与选择建议：

• 主流选择： 基于深度学习的特征提取模型是绝对主流，特别是ArcFace及其改进版本（如ElasticFace、Partial-Fc等）在公开基准测试和实际系统中持续表现最佳。
• 轻量级应用： 对于手机、门禁等资源受限设备，可考虑MobileFaceNet、EfficientFace等轻量模型。
• 检测器： MTCNN和RetinaFace是检测阶段常用的选择，后者精度更高但计算量稍大。
• 传统方法： 在计算资源极其有限或特定研究场景仍有价值，但实际部署很少采用。
• 重要因素： 选择算法时需权衡识别精度、速度、鲁棒性(光照、姿态、遮挡、年龄变化等)、模型大小、训练数据规模和应用场景的需求。

请注意： "人脸识别算法"常常指人脸特征提取与比对的核心模型(如FaceNet, ArcFace)，但实际系统是一个流程，包括：人脸检测 -> (人脸对齐/关键点定位) -> 特征提取 -> 特征比对/识别。每个环节都有相应的算法。上面列出的主要是核心的特征提取与比对模型。