人脸识别目前包括比较传统的无监督学习及深度学习方法。 可以听一下本周四晚上的免费线上技术分享 基于无监督和半监督方法的人脸识别研究 https://zhuanlan.zhihu.com/p/24334460

从目前的研究来看，深度学习是比较好的的人脸识别算法，但是目前应用的的比较广泛的的还是卷积神经技术，虹软的人脸识别算法就是用的这种技术。

目前看来，基于深度学习是在人脸识别领域效果比较出色的机器学习方法。 但从学术的角度来讲，“最好”是一个谨慎的词语，深度学习从以往不被认可逐渐成长为机器学习的主流，同样，也难保未来会有其它方法会取代深度学习。

1、对于许多应用程序，使用更简单的算法像逻辑回归和支持向量机可以工作的很好,而使用深度神经网络只会使事情变得复杂。 2、然而深度神经网络（deep belief networks ）是最好的一个不可知域算法，如果你有领域知识的话，那么使用其他算法，如用于语音识别的HMM、用于图形压缩并识别的小波算法等，就可以表现更好。已经有一些工作把这些领域知识合并到神经网络模型，但是这还是不足以完全取代所有其他的模型和算法。

支持向量机是在高维空间找一个最优分隔平面来进行分类的一种方法。人脸图像一般维度很高，至少上万，如果你用支持向量机，通过核函数继续投影到更高维空间，非常耗时，性能也很差。 神经网络的话，直接用来人脸识别也是不现实的。常用的方法有神经网络的升级版本：深度学习（deep learning）。百度也成立了深度学习的研究院。深度学习的人脸识别，效果非常好，成为了现今研究的热门。 还有就是几何特征识别方法，这些方法都是十几年前的方法了，现在许多简单的方法都比基于规则的几何特征方法来的容易地多，也方便地多。这是一种快被淘汰的方法。 接着，说说我的理解： 人脸识别也是机器学习，人工智能的一个领域。我们把人脸图像的每个像素作为一个特征，便可以用机器学习的方法特征提取与分类。 人脸识别遇到的主要问题是小样本问题。所谓的小样本问题就是人脸图像的维度太高了，一般的照片动则百万像素，而人脸图像的样本一般情况下，也就几十，上百张，相比于百万是很少的。根据经验风险结构风险（http://blog.csdn.net/ice110956/article/details/14002791），以及VC维的知识，对于一般的特征与分类方法都不适用。 于是，人脸识别的相比于其他机器学习不同，其主要研究是如何降维。 相应的方法有子空间方法。所谓的子空间方法，简单的说就是把人脸映射到一个低维的子空间上面，得到维度少的多的特征。简单的子空间方法有PCA（http://blog.csdn.net/ice110956/article/details/14250745），LDA等等。还有基于纹理的LBP（http://blog.csdn.net/ice110956/article/details/10241351），SIFT（http://blog.csdn.net/ice110956/article/details/9373239）等等方法。 最近几年，基于sparse编码以及deep learning的方法在人脸上的运用非常广泛，效果也非常高。 sparse也称为稀疏编码。它是模拟人眼视觉细胞的方法，用很少的样本线性组合为图像。 deep learing（http://blog.csdn.net/zouxy09/article/details/8775360）则是模拟人类的神经网络的方法来实现的。 这两种方法都是从生物学入手的方法，目前有比较广泛的前景。

目前LFW测试库已经被人脸识别的人刷爆了，基本都99%以上了。但深度学习确实是目前最好的算法。

汤晓鸥教授的DeepID 深度学习模型。它在LFW 数据库上获得了99.15%的识别率。 PS: LFW (Labeled Faces in the Wild) 是人脸识别领域使用最广泛的测试基准。实验表明，如果仅仅给出人脸中心区域，人用肉眼在LFW上的识别为97.52%。