人脸识别算法可以分为传统人脸识别算法和深度学习人脸识别算法。下面是一些常见的人脸识别算法：
传统人脸识别算法
基于模板匹配的方法
使用二维或三维模板，通过调整模型框架来定位和调整人脸特征部位。
基于奇异值特征（SVD）方法
利用人脸图像矩阵的奇异值特征进行分类识别。
子空间分析法
包括PCA（主成分分析）、LDA（线性判别分析）等方法，用于特征提取和降维。
局部保持投影（LPP）
非线性方法，解决传统线性方法难以保持数据非线性流形的问题。
特征脸法（Eigenface）
利用主成分分析提取人脸特征向量进行识别。
局部二值模式（LBP）
描述人脸图像的纹理信息，用于特征提取和识别。
Fisherface算法
结合主成分分析和类间散布矩阵，用于人脸识别。
深度学习人脸识别算法
卷积神经网络（CNN）
通过多层卷积层自动提取人脸特征，进行识别。
深度置信网络（DBN）
通过训练深度置信网络学习人脸特征表示。
集成学习算法
结合多种深度学习算法提高识别准确率。
其他方法
基于人脸特征点的识别算法
利用人脸关键点进行识别。
基于整幅人脸图像的识别算法
直接对整个图像进行识别。
基于模板的识别算法
使用已知人脸图像作为模板进行匹配。
利用神经网络进行识别的算法
包括人工神经网络、自相关网络等。
人脸识别技术通常包括人脸检测、跟踪和比对三个部分。在实际应用中，选择合适的算法取决于具体场景和需求