人脸图像的预处理，这一步没有太多可说的，主要包括消除噪声、灰度归1一化、几何校正等，这些操作一般有现成的算法可以实现，属于比较基本的操作。不过要说明的是，这里主要说的是静态人脸图像的预处理，如果是动态人脸图像的预处理，就比较复杂了，一般是要先将动态人脸图像分割成一组静态人脸图像，然后对人脸进行边缘检测和定位，在做一系列的处理，这里就不展开了。关于人脸识别门禁系统的介绍和其优点人脸识别门禁系统就
小区人脸识别
人脸图像的预处理，这一步没有太多可说的，主要包括消除噪声、灰度归1一化、几何校正等，这些操作一般有现成的算法可以实现，属于比较基本的操作。不过要说明的是，这里主要说的是静态人脸图像的预处理，如果是动态人脸图像的预处理，就比较复杂了，一般是要先将动态人脸图像分割成一组静态人脸图像，然后对人脸进行边缘检测和定位，在做一系列的处理，这里就不展开了。关于人脸识别门禁系统的介绍和其优点人脸识别门禁系统就是把人脸识别技术和门禁系统相结合，通过对人脸的识别作为门禁开启的钥匙。
“人脸比对（Face Compare）”是衡量两个人脸之间相似度的算法
人脸比对算法的输入是两个人脸特征（注：人脸特征由前面的人脸提特征算法获得），输出是两个特征之间的相似度。人脸验证、人脸识别、人脸检索都是在人脸比对的基础上加一些策略来实现。相对人脸提特征过程，单次的人脸比对耗时极短，几乎可以忽略。
基于人脸比对可衍生出人脸验证(Face Verification)、人脸识别(Face Recognition)、人脸检索(Face Retrieval)、人脸聚类（Face Cluster）等算法。
“人脸聚类（Face Cluster）”是将一个集合内的人脸根据身份进行分组的算法。
人脸聚类也通过将集合内所有的人脸两两之间做人脸比对，再根据这些相似度值进行分析，将属于同一个身份的人划分到一个组里。
在没有进行人工身份标注前，只知道分到一个组的人脸是属于同一个身份，但不知道确切身份。另外假设集合中有N个人脸，那么人脸聚类的算法复杂度为O(N2)。
（作者： 来源：）
