人脸识别早期阶段——基于机器学习
早期的方法主要侧重于与计算机视觉领域的专家一起提取不同类型的手工特征，并训练有效的分类器以使用传统的机器学习算法进行检测。此类方法的局限性在于它们通常需要计算机视觉专家来制作有效的特征，并且每个单独的组件都单独优化，从而使整个检测管道往往不是最优的。为了解决第一个问题，人们付出了很多努力来提出更复杂的特征，如HOG（定向梯度直方图）、SIFT（尺度不变特征变换）、SURF（加速稳健特征）和ACF（聚合通道特征）。为了增强检测的鲁棒性，已经开发了针对不同视图或姿势分别训练的多个检测器的组合。然而，此类模型的训练和测试通常更耗时，检测性能的提升相对有限。
人脸识别更加先进的技术——基于深度学习
近年来，使用深度学习方法在面部识别方面取得了重大进展，尤其是深度卷积神经网络(CNN)，在各种计算机视觉任务中取得了显着的成功。与传统的计算机视觉方法相比，深度学习方法避免了手工制作的设计管道，并主导了许多著名的基准评估，例如ImageNet大规模视觉识别挑战(ILSVRC)。
最近，研究人员应用了Faster R-CNN，这是最先进的通用对象检测器之一，并取得了可喜的成果。此外，CNN cascade、region proposal network（RPN）、Faster R-CNN联合训练实现了端到端的优化。Faster R-CNN人脸检测算法与hard negative mining和ResNet相结合，在FDDB等人脸检测基准上实现了检测性能的显着提升。
人脸识别常用数据集
AFW数据集：AFW数据集是使用Flickr图像构建的。它包括205张图像和473张标记的面孔。对于每张脸，图像注释包括一个矩形边界框、6个地标和姿势角度。
PASCAL FACE数据集：该数据集用于面部识别和人脸识别；它是PASCAL VOC的一个子集，在851张具有较大面部外观和姿势变化的图像中包含1335个标记面部。
MIT CBCL人脸数据库：MIT-CBCL人脸识别数据库包含训练集（2429张人脸，4548张非人脸）和估计集（472张人脸，23573张非人脸）。
FDDB数据集：该数据集包含5171张人脸，在2845张图像中注释，例如遮挡、困难姿势和低图像分辨率。这些图像用于训练大的外观变化、严重的遮挡和严重的模糊退化，这些在无约束的现实生活场景中检测人脸时很普遍。
CMU PIE数据库：CMU Multi-PIE Face数据库包含68个人的41368张图像，每个人的13种不同的姿势、43种不同的光照条件和4种不同的表情。
SCface数据集：SCface是一个人脸静态图像数据库。这些图像是在不受控制的室内环境中使用五个不同质量的视频监控摄像机拍摄的。该数据集包含130名受试者的4160张静态图像（可见光和红外光谱）。
WIDER FACE数据集：人脸检测基准数据集包括32203张图像和393703张标记的人脸，这些人脸在尺度、姿势和遮挡方面具有高度可变性，这使得人脸检测极具挑战性。此外，WIDER FACE数据集是根据61个事件类别组织的。
