官，如眼睛、鼻子、嘴巴以及整个脸部的轮廓具有不同的形状、大小、相对位置和分布情况。
在基于几何特征的人脸识别方法中，可以用一个矢量来表示提取出来的几何参数。如果要获得一个准确、稳定和可靠的识别结果，就要求这些被选出的几何特征参数包含足够丰富的辨识人脸的信息，且能反映不同人脸之间的差别。也就是说对这些矢量要求具有较高的模式分类能力，同时还要有一定的稳健性，能够消除由于时间变迁、光照变化等其他干扰因素所带来的影响。具体来沈，这些几何参数一般包括人脸上两个指定特征点之间的欧式距离、边缘曲率、角度等等。
在实际应用过程中，基于几何特征的人脸识别方法存在着两个方面的问题：
1如何快速、准确地检测出入脸的重要标志点依然是一个没有很好解决的问题。脸上的重
f要标志点，如瞳孔、嘴巴和鼻子，它们在脸上的位置是进行脸部几何参数计算和测量的基准。
2脸部几何特征在人脸辨识中的有效性问题，即脸部几何特征能够提供多少可供识别的信息量。
虽然各人脸的器官在形状、大小及分布上各不相同，但是这种器官上的差异性更多是体现在某些细微的感觉意义上。例如眼睛显得比较小、鼻子显得比较宽，以及皮肤的纹理、颜色上的差异等等。显然，这些特征中的一部分是难以精确测量出来或者是不能用几何参数准确描述的。所以仅靠增加脸上几何参数的数目来提高人脸识别率是不太现实的。由于进一步改善测量精度是十分困难的，因而通过增加脸部几何参数的数量来改善识别率结果，其影响是极小的。因此，基于少量人脸几何特征进行大规模人脸辨识的可靠性是不容乐观的。
122基于KL变换的特征脸方法
KL变换是图像压缩的一种最优正交变换，人们将它应用于特征提取，形成了子空间法模式识别的基础。将KL变换用于人脸识别，需要
f假设人脸处于低维的线性空间，不同人脸具有可分性。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基从而形成了低维的人脸空间。
若将所有子空间的正交基排列成图像阵列，则正交基呈现人脸的形状，因此这些正交基也被称为特征脸。选择那些正交基形成的子空间则有不同的考虑，与较大特征值对应的一些正交基也称主分量能够表达人脸的大体形状，而具体细节需要那些小特征值对应的特征向量也称次分量来加以补充描述，因此低频成分用主分量表示，高频分量用次分量表示。采用主分量作为新的正交空间的正交基的方法称为主分量Pri
cipalCompo
e
tA
alysis，简称PCA方法r