嗯，重要的是要了解人脸识别（就像物体识别过程）是一个两阶段的过程，第一个是计算机视觉阶段，即在特征空间中表示图像（人脸）效果很好（取决于您想要做的任务）例如，图像本身是一组有序像素（比如说 300x300），这使得每个图像代表 90000 个数字，这是您的数据点（图像）的维度，仅供参考， 90000 非常大，如果你尝试使用神经网络、支持向量机或任何其他使用这种高维度的分类工具，你绝对不会学到任何东西——这是维度的诅咒（你需要提供更大的训练集，换句话说，要学习任何分类器，您需要比 90000 多得多的图像，这是很难和不合理的事情）。

因此，您需要在不同的空间（称为特征空间）中表示图像，对于人脸识别，有一种称为特征脸的东西（查找），但想法是您可以找到每个人脸中最具辨别力的特征图像，您将该图像转换为一组数字，这些数字将使用判别特征来描述图像，因此每个图像将表示为一组数字 (.3, .1, .1, ...)，这将是比 90000 小得多。顺便说一下 (.3, .1, .1, ...) 将意味着例如 .3 头发和脸之间存在差异，.1 脸和背景之间存在差异等等.. . 然而，这是一个非常困难的步骤（特征选择），并且可能会根据您拥有的图像类型而有所不同（例如基本特征面仅在您的图像对齐时才有效，您的图像是否对齐？）。当然，使用颜色直方图是表示图像/人脸的另一种方法（个人（这只是我的观点），我认为颜色直方图对于人脸识别不会那么有效，我可能错了，很想知道是否有人知道）

第二步是分类步骤，这里可以使用Neural Networks（也需要大量的参数调优），Support Vector Machines（流行），或者决策树（简单可解释），adaboost（流行），以及其他一些方法. - 所以你将在特征空间而不是像素代表中提供你的图像，并希望你能学习一个很好的分类器，可以高精度地进行分类。

希望有帮助

我不确定神经网络实现的最新技术。但是，您可能想尝试基于直方图的面部识别的 matlab 实现 - http://www.mathworks.com/matlabcentral/fileexchange/22457-processed-histogram-based-face-recognition

它声称在 ORL 数据库上的准确率达到 99.75%

没有用于人脸识别的标准“神经网络”系统。任何使用这种方法的系统都会有很大的不同，这取决于你对网络的特征输入以及它被训练来完成这项工作的程度。一些清晰度将有助于指出更好的比较。

请注意，有些系统的准确率可以达到 99.999%（或者他们声称如此），但认为这不是真的是很合理的。（编辑）