人脸识别顾名思义就是识别人脸的系统，人脸识别系统采用区域特征分析算法，融合计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，实现在大规模人脸图像数据库中进行人脸检索。从各种采集源获取的人脸图像可以迅速地与预先存储的数以千万计的图像数据库如逃犯照片库、失踪人口照片库、常住人口照片库等）完成比较，返回一个包含若干****相似人脸图像的匹配列表。支持照片比照片、视频流比照片、视频流比视频流等多种方式。可以实现在局域网、内部网、Internet上进行照片比对和身份确认。

人脸识别的一个常见落地应用载体，便是人脸识别闸机，上述提到的应用中，人脸识别功能，多数采用了人脸识别闸机，如高铁站实名制检*、机场人证安检、写字楼刷脸考勤与访问、小区刷脸回家、景区刷脸入园、无人零售识别与支付……正是人脸识别闸机的出现，才成就了人行出入口的智能化建设。

人脸识别闸机可以进行多个人脸的分拣、判断及识别；*检测，判断是否为真实人脸，能有效识别高清照片、PS、三维模型、换脸等坊冒欺诈手段；人脸检出时间小于100ms，人脸比对时间小于300ms，识别率高于99%。

以下是基于KL变换的特征人脸识别方法的基本原理:

KL变换是图象压缩中的一种至优正交变换，人们将它用于统计特征提取，从而形成了子空间法模式识别的基础，人脸识别，若将KL变换用于人脸识别，则需假设人脸处于低维线性空间，且不同人脸具有可分性，由于高维图象空间KL变换后可得到一组新的正交*此可通过保留部分正交基，人脸识别算法，以生成低维人脸空间，而低维空间的基则是通过分析人脸训练样本集的统计特性来获得，KL变换的生成矩阵可以是训练样本集的总体散布矩阵，人脸识别摄像机，也可以是训练样本集的类间散布矩阵，即可采用同一人的数张图象的平均来进行训练，这样可在一定程度上消除光线等的干扰，且计算量也得到减少，而识别率不会下降。