当今的人脸识别系统虽然包含无数细节和各种工程技巧，但大的系统框架不外乎如下图所示的流程：一张人脸图片输入后，需要先找到人脸的位置（人脸检测），然后在这个基础上定位人脸关键点的位置（如眼睛中心或嘴角等），每个系统关键提取的数量相差很大，有的只有左右眼睛中心两个点，有的可能多达近百个点。这些点的位置一是用来做人脸的几何校正，即把人脸通过缩放、旋转、拉伸等图像变化变到一个比较标准的大小位置。这样待识别的人脸区域会更加规整，便于后续进行匹配。同时，现在的实际系统一般也都配有人脸光学校正模块，通过一些滤波的方法，去除一些对光照更加敏感的面部特征。在做完这些预处理之后，就是从人脸区域提取各种特征，包括LBP、HOG、Gabor等。最终相关的特征会连接成一个长的特征向量（Feature Vector），然后匹配出人脸的相似度，根据相似度的大小，系统会判定两张图片到底是不是一个人。不难看出，人脸识别技术还是一个系统链条较长，较为有技术门槛的领域。因为这条流水线的每个环节可能都会严重影响最终系统性能，所以一个好的人脸识别技术公司需要在各个环节上追求细节，建立自己的技术优势，最终才有可能在最后的人脸识别精度上有出色的表现。
从人脑方面讲，经历了怎样的过程来进行面部识别，还是一个未知的问题，但是我们却可以通过一些已经成熟度的算法来模拟，不过话说回来，这就不是人脑进行面部识别了，而是通过某一些算法，借助计算机等工具进行的面部识别。现阶段，面部识别问题已经有专门研究分支，不管从简单的LBP还是到复杂的深度学习，都是借助特定的算法或者说特定的规则实现的。并且，现阶段，对于面部识别，机器的识别能力已经可以超过人类，比如说，两张可能是同一个人的照片，由于时间、光线、发型、脸型等产生了比较严重的变化，机器在一定程度上能识别出来，而人类却有时候无法识别是同一个人。
时间上，用经颅磁刺激（经颅磁刺激_百度百科）在识别材料出现后40~50毫秒对人进行刺激，发现这同等程度地影响 人脸识别vs.身体识别、人脸识别相关区域(rOFA) vs. 身体识别相关区域(rEBA) 4种组合下两个相关区域的活动程度；由此推测在这个时间段内，人脑对材料进行无差别的预处理 (Goldhaber et al., 2012)，用经颅磁刺激在识别材料出现后100~110毫秒对人进行刺激，发现只影响人脸识别情况下rOFA的活动，以及身体识别情况下rEBA的活动 (Goldhaber et al., 2012)。另外，脑磁图（脑磁图_百度百科）研究发现，材料出现后100毫秒那一刻出现了一个和人脸识别相关的脑磁波（M100），它和材料分类的成功率相关，而和材料识别的成功率无显著相关 (Liu, Harris & Kanwisher, 2002)。由此推测在这个时间段内，人脑对材料进行分类处理130~200毫秒这个阶段，和它有关的就是比较有名的脑电波N170。研究发现这个脑电波和结构编码有关 (Rossion & Jacques, 2008)；而它的强度在进行明星脸、陌生人脸时无显著差异 (Gosling & Eimer, 2011)。简而言之，人脑在这个阶段对人脸的结构进行处理，但没有进行身份信息的处理230~400毫秒阶段出现的脑电波N250，研究发现它在进行明星脸孔识别时有更强的负向信号（对比在进行陌生人脸孔识别时）；由此推测在这个阶段，人脑对人脸进行身份信息的处理 (Gosling & Eimer, 2011)400~700毫秒阶段，研究发现在对明星脸孔进行识别时，左脑区的P600f显著更强（对比一在进行陌生人脸孔识别时）；左脑区被认为有语言信息的特异性处理功能；由此推测在这个阶段，人脑进行人脸和姓名的配对(Gosling & Eimer, 2011)2. 空间上 FFA在人脸识别上的特异性已经得到比较广泛的认可，最初发现这块区域印象中是让人看人脸和房子的图片时做功能性磁共振成像，然后发现有一个区域只在看人脸时活动强度比看房子时大，这个区域后来被命名为FFA。
