肖像识别有很多方法。人像识别的主要方式有：

(1)人脸识别方法的几何特征：几何特征可以是眼、鼻、口的形状以及它们之间的几何关系(如彼此之间的距离)。这些算法具有识别速度快、内存占用小、识别率低等特点。

(2)基于特征脸(PCA)的人脸识别方法：特征脸方法是一种基于KL变换的人脸识别方法，它是一种图像压缩的最优正交变换。经过KL变换，在高维图像空间中得到一组新的正交基，保留了重要的正交基，可以张成一个低维线性空间。如果我们假设这些低维线性空间中的人脸投影是可分离的，我们可以将这些投影作为特征向量进行识别，这是特征人脸法的基本思想。这些方法需要更多的训练样本，并且完全基于图像灰度的统计特征。人脸识别方法有一些改进的特点。

(3)神经网络人脸识别方法：输入神经网络可以对人脸图像进行降分辨率、局部区域的自相关函数、局部纹理的第二矩等。这种方法也需要大量的样本进行训练，而在许多应用中，样本的数量是非常有限的。

(4)弹性地图匹配人脸识别方法：弹性地图匹配方法在二维空间中定义一个共同的人脸变形具有一定的不变性距离，并利用属性拓扑来表示该人脸，拓扑中任意顶点都包含一个特征向量，用于记录人脸在该顶点附近位置的信息。该方法将灰度特征与几何因素相结合，允许图像在比对过程中发生弹性变形，克服了面部表情变化对识别的影响，取得了较好的效果。同时，不再需要多个样本来训练单个人。

(5)线豪斯多夫距离(LHD)人脸识别方法：心理学研究表明，人类识别轮廓图像(如卡通)的速度和准确性并不比识别灰度图像差。LHD是基于从人脸灰度图像中提取的线形图，它定义了两个线段集之间的距离，不同的是LHD不建立不同线段集之间的一一对应关系，因此它可以适应线形图之间的微小变化。实验结果表明，LHD在不同的光照条件和不同的姿态条件下都具有优异的识别性能，但在大表情情况下识别效果不佳。

(6)支持向量机(SVM)人脸识别方法：支持向量机是统计模式识别领域的新热点，它试图使学习机在经验风险和泛化能力上实现妥协，从而提高学习机的性能。支持向量机主要解决一个2分类问题，其基本思想是试图将一个低维线性不可分问题转化为一个高维线性可分问题。通常的实验结果表明，SVM具有很好的识别率，但它需要大量的训练样本(每个类300个)，这在实际应用中往往是不现实的。此外，支持向量机的训练时间长，方法实现复杂。关于如何得到这个函数没有统一的理论。

你对答案满意吗