人臉由眼睛、鼻子、嘴巴、下巴等構件組成，正因為這些構件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別，因此對這些構件的形狀和結構關系的幾何描述，可以做為人臉識別技術的重要特征。幾何特征最早是用于人臉側面輪廓的描述與識別，首先根據側面輪廓曲線確定若干顯著點，并由這些顯著點導出一組用于識別的特征度量如距離、角度等。由正面灰度圖中線附近的積分投影模擬側面輪廓圖是一種很有新意的方法。采用幾何特征進行正面人臉識別一般是通過提取人眼、口、鼻等重要特征點的位置和眼睛等重要器官的幾何形狀作為分類特征,但幾何特征提取的精確性實驗性的研究表明，結果不容樂觀。
可變形模板法可以視為幾何特征方法的一種改進，其基本思想是:設計一個參數可調的器官模型(即可變形模板),定義一個能量函數，通過調整模型參數使能量函數最小化，此時的模型參數即做為該器官的幾何特征。這種方法思想很好，但是存在兩個問題，一是能量函數中各種代價的加權系數只能由經驗確定，難以推廣，二是能量函數優化過程十分耗時，難以實際應用。 基于參數的人臉表示可以實現對人臉顯著特征的一個高效描述，但它需要大量的前處理和精細的參數選擇。同時，采用一般幾何特征只描述了部件的基本形狀與結構關系，忽略了局部細微特征，造成部分信息的丟失，更適合于做粗分類，而且目前已有的特征點檢測技術在精確率上還遠不能滿足要求，計算量也較大。
人臉識別技術研究證明任何的特殊人臉都可以通過稱為eigenpictures的坐標系統來表示。Eigenpictures是面部集合的平均協方差的本征函數。研究開發了一種近實時的計算機系統，可以定位和追蹤人的頭部，然后通過比較面部特征和已知個體的特征來識別該人。該方法將面部識別問題視為二維識別問題。識別的過程是把一副新的圖像投影到特征臉子空間，該特征空間捕捉到已知面部圖像之間的顯著變化。重要特征稱為特征臉，因為它們是面集的特征向量。研究對不同的圖形紋理進行比較，并提出了用來描述圖像紋理特征的LBP算子。研究提出了一種理論上非常簡單而有效的灰度和旋轉不變紋理分類方法，該方法基于局部二值模式和樣本和原型分布的非參數判別。該方法具有灰度變化穩健、計算簡單的特點。研究找到一種特征組合方式，以達到最大的類間離散度和最小的類內離散度。解決方式為：在低維表示下，相同的類應該緊緊的聚在一起，而不同的類別盡量距離越遠。研究基于Fisher的線性判別進行面部投影，能夠在低維子空間中產生良好分離的類，即使在光照和面部表情的變化較大情況下也是如此。廣泛的實驗結果表明，所提出的“Fisherface”方法的誤差率低于哈佛和耶魯人臉數據庫測試的特征臉技術。
