总的来说，这两个阶段主要是在20世纪60年代到90年代，这段时间的人脸识别一般都需要依靠人的先验知识作为辅助，并且还无法实现摆脱人工的干预。
第三阶段，主要是进入20世纪90年代，由于计算机的性能高速提升和社会各界对较高性能的人脸识别系统的迫切需求，人脸识别重新成为热门的研究领域，同时，人脸特征的识别方法也有了重大突破，进入了飞速发展的阶段，真正的进入了一个机器自动识别的阶段，在这段时期内，接连不断的出现了很多有名的人脸识别算法。例如，1991年，麻省理工学院米提实验室的Turk和Pentland提出了“Eigenface（特征脸）”算法。1997年，Belhumeur提出的Fisherface方法。这两个重要理论对以后的人脸识别算法的发展产生了深远的影响。另外，还有一个重要的算法，弹性图匹配技术（Elastic Graph Matching,EGM），还有一些基于这项技术而产生的算法，包括局部特征技术（Lacal Feature Analysis,LFA），柔性模型（Flexible Models）等。现在，人脸识别的主要研究领域是对在低光照、非标准姿态等非理想条件的数据采集和用户不知情的条件下的人脸识别。
3 人脸识别的Matlab实现方法与理论
3.1 Matlab简介
Matlab由美国The MathWorks公司出品，是一套商业的数学处理软件，作为一种高级技术计算语言和交互式环境，它可用于算法开发、数据可视化、数据分析以及数值计算，功能相当强大。
Matlab具有强大的图像分析和处理的功能，其拥有多种不同类别的工具箱,比较常用的有数字信号处理工具箱及图像处理工具箱。使用这些不同类型的工具箱,我们就可以很便捷的从不同角度对图像的性质进行彻底的研究。Matlab图像处理工具箱支持对RGB图像、灰度图像、索引图像、二进制图像的处理，并能操作.bmp、.jpg、.tif等多种不同格式的图像文件。
在进行人脸识别之前，一般需要对人脸图像进行预处理操作。因为以现有的图像采集的方式和方法所采集到的图像质量往往达不到人们的要求。例如，图像中的人物特别昏暗而模糊不清或特别鲜亮而显得不协调；在人脸图像上会出现一些黑点和白点的噪声干扰；以及数字图像失真变形等等其他问题，总的来说，在实际操作过程中，待测试的人脸图像会出现很多图像质量上的问题，这往往会对人脸识别产生很大的影响。
图像预处理的作用是改善图像质量，主要的目的是突出有用的特征信息，去除或削弱无用的特征信息，如去除噪声、平滑图像、改变对比度等。
3.3 主成分分析法(PCA)
3.3.1 主成分分析法的基本思想
主成分分析法(Principal Component Analysis，PCA)以K-L变换为基础，是的一种简单有效的算法，在模式识别算法中比较常用，而在特征提取中的应用更加广泛，它构成了子空间法模式识别的基础。该方法的原理是根据采样点在高维模式空间的不同位置分布，以采样点在空间中各方向上变化的最大方向，即最大方差的方向，作为判别矢量来实现对人脸图像数据的特征提取与数据压缩。主成分分析法基于对信号或图像的二阶统计信息，其基本思想是提取出空间原始数据中的主要特征，用以减少数据冗余，使得人脸图像数据可以在一个低维的特征空间被处理，同时还可以保持原始数据的绝大部分的信息不丢失。
3.3.2 K-L变换
K-L变换(Karhunene-Loeve)是实现PCA的一种可利用的手段。K-L变换使用信号数据的统计性质作为基础，主要可以对一维以及二维数据的信号数据进行数据压缩，是对数据进行压缩处理中的最优正交变换。基于对K-L变换的应用，可以用较原数据量少得多的特征来描述样本，这样就可以降低特征空间维数，从而把对于图像的转换与表达从高维空间转移到低维空间。 基于Matlab的PCA人脸识别的设计与仿真+程序(3):http://www.751com.cn/zidonghua/lunwen_74690.html