即从输入图像中判断是否有人脸，如果有的话，给出人脸的位置和大小。作为一类特殊目标，人脸检测可以通用上一节中介绍的基于深度学习的目标检测技术实现。但在此之前，实现该功能的经典算法是Viola和Jones于2000年左右提出的基于AdaBoost的人脸检测方法。

即在人脸检测给出的矩形框内进一步找到眼睛中心、鼻尖和嘴角等关键特征点，以便进行后续的预处理操作。理论上，也可以采用通用的目标检测技术实现对眼睛、鼻子和嘴巴等目标的检测。此外，可以采用回归方法，直接用深度学习方法实现从检测到的人脸子图到这些关键特征点坐标位置的回归

即实现对人脸子图的归一化，主要包括两部分：一是把关键点进行对齐，即把所有人脸的关键点放到差不多接近的位置，以消除人脸大小、旋转等影响。二是对人脸核心区域子图进行光亮度方面的处理，以消除光强弱、偏光等影响。该步骤的处理结果是一个标准大小(比如 像素大小)的人脸核心区子图像。

是人脸识别的核心，其功能是从Step3输出的人脸子图中提取可以区分不同人的特征。在采用深度学习之前，典型方法是采用上一节所述的“特征设计与提取”及“特征汇聚与特征变换”两个步骤来实现。例如，采用LBP特征，最终可以形成由若干区域局部二值模式直方图串接而成的特征。

即对两幅图像所提取的特征进行距离或相似度的计算，如欧氏距离、cosine相似度等。如果采用的是LBP直方图特征，则直方图交是常用的相似度度量。