从上面这段话，我们能够推断出人脸识别需要：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配和识别这四个步骤，同时这也是人脸识别系统的四个组成部分。
人脸图像采集及检测
目前主流的人脸检测及采集的方法有Adaboost人脸检测算法、基于特征的方法、基于模板的方法等等。
主要说说Adaboost人脸检测算法。Adaboost人脸检测算法，是基于积分图、级联检测器和Adaboost算法的方法，该方法能够检测出正面人脸且检测速度快。其核心思想是自动从多个弱分类器的空间中挑选出若干个分类器，构成一个分类能力很强的强分类器。
缺点是在复杂背景中，AdaBoost人脸检测算法容易受到复杂环境的影响，导致检测结果并不稳定，极易将类似人脸区域误检为人脸，误检率较高。
人脸图像预处理
对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
例如Gamma校正，通过变换增强图像阴影或降低光区域的灰度值范围，从而把人脸图像的整体亮度变换到一个预先定义的标准人脸图像。
经过Gamma校正后的输入和输出图像灰度值关系如图所示：横坐标是输入灰度值，纵坐标是输出灰度值，蓝色曲线是gamma值小于1时的输入输出关系，红色曲线是gamma值大于1时的输入输出关系。可以观察到，当gamma值小于1时(蓝色曲线)，图像的整体亮度值得到提升，同时低灰度处的对比度得到增加，更利于分辩低灰度值时的图像细节。
人脸图像特征提取
人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法;另外一种是基于代数特征或统计学习的表征方法。
基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。
基于统计理论的方法是指利用统计分析与机器学习的方法分别寻找人脸与非人脸样本特征，利用这些特征构建分类，使用分类进行人脸检测。它主要包括神经网络方法，支持向量机方法和隐马尔可夫模型方法。基于统计理论的方法是通过样本学习而不是根据人们的直观印象得到的表象规律，因此可以减小由于人眼观测不完整和不精确带来的错误而不得不扩大检测的范围，但是这种方法需要大量的统计特性，样本训练费时费力。
人脸图像匹配与识别
提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，简称1：1，另一类是辨认，是一对多进行图像匹配对比的过程，简称1：N。
1：1意思为“这人是不是某人”
比如我们在车站乘车过安检时，检票人员总是拿着身份证跟你本人做对比，证明身份证里面是不是你本人，这种场景就是1:1的场景。
1：N意思为“这人是谁”
比如我们现在在车站或一些重要的场所如步行街、城中村等人流密集的场所应用的人脸识别布控系统，其特点是动态和非配合。所谓的动态也就是识别的不是照片，不是图片，而是由前端摄像机采集的动态视频流;非配合是指识别对象不用感知到摄像头的位置并配合完成识别工作，整个识别过程非常方便，不会让人排斥。但1:N会因为使用地点，环境，光线，甚至是玻璃反射都会影响识别的准确性，所以1:N相对更具有挑战性。
人脸识别技术目前已经广泛应用于金融、司法、军队、公安、边检、安防等领域。随着平安城市、智慧小区、智能楼宇、智能交通的建设和发展，人脸识别技术将越来越深入我们的生活。