前言
判断两张人脸图片的相似度，学术上叫做人脸对比，实际上是一对一的关系。而常说的人脸识别其实可以算是一个广义的概念，也可以是一对多的关系，即在多张图片中找到哪两个图片中的是相同的人，当然，这种场景也叫做人脸检索。
总地来说，人脸识别大体可以分为三个部分：人脸检测，人脸校正和人脸识别。
常用的方法现在已经比较成熟了，主要分为基于统计的和基于深度学习的方法。
基于深度学习的方法
基于深度学习的方法主要就是使用卷积神经网络了，卷积神经网络的基本原理就是用卷积核作为一个滑动“窗口”在图像矩阵上滑动，将与卷积核相类似的特征放大，然后再进行池化，池化的作用主要就是降低卷积层输出特征向量的规模。经过若干个卷积和池化层，最终可以输出类别，进行向量化表示等。
一些神经网络可以在同一个网络中完成人脸识别过程，可以最终通过全连接层输出人脸的特征，当然也可以在网络中实现人脸对比。深度学习人脸识别的好处就是识别率会很高，缺点就是在CPU条件下运算速度会较慢，需要依靠GPU来加速计算。
基于统计的方法
准确来说，人脸识别方法还有基于先验概率，基于经验等的分类方式，这里将其粗略地归纳在此处，即非深度学习方法的人脸识别传统方法。
此处，将人脸识别过程分为几块讨论。
(1)人脸检测:一般采用haar,HOG特征，结合adaboost和SVM算法以取得较好的效果。
(2)人脸校正：由于人脸识别主要有用的是人脸的轮廓，其肤色等相比之下并不重要，甚至某些因素(如光照)反而会成为干扰因素。人脸校正主要是将不同姿态的人脸进行所谓的“摆正”，也称之为人脸对齐，这样使得输出的人脸特征更具有可比性，这个基本原理是计算机图形学中仿射变换。除此之外，我们前面说过的光照等干扰因素也应该排除掉，故在此处也可以进行光照的归一化。
(3)人脸识别：Haar,Hog,LBP算法本身就是用来提取图像特征的。例如提取人脸的LBP特征，将特征提取出来后可能还需要降维，一般结合PCA主成分分析的方法，也有用LDA算法来处理的。
基于统计的方法好处是在CPU下运算较快，缺点是识别率相对较低，因为特征都是人工首先指定好的，并不像深度学习那样“自主”。
特征对比
当特征都提取出来之后，就可以计算特征之间的差距，度量的方法有：
余弦距离，欧氏距离，马氏距离，皮尔逊相关系数等，对于某些特定的场景还可能是汉明距离~~~
例如google开源的某款人脸识别引擎，就采用了统计和深度学习结合的方法，使用基于统计的方法来定位人脸，使用深度学习来提取人脸特征，这样兼顾了速度和准确率。
值得一提的是，在人脸识别过程之前，有些方法往往还有一些预处理，一般是高斯低通滤波器，主要是用于滤出高斯噪声，还有一些使图像更为平滑的预处理。
总结
开源的人脸识别库也不少，国内比较著名的有中科院山世光教授组的SeetaFace引擎，但是该代码在部署的时候会有些坑，训练方法也是闭源的。
除此之外，比较著名的还有FaceBook的DeepFace、Google的FaceNet、汤晓鸥教授的DeepID等。
人脸识别是机器学习CV方向的一个重要应用，机器学习算法是学习人脸识别的必修课程。
对大数据，机器学习，系统架构等领域感兴趣的，可以学习一下这个课程:《spark机器学习实战》