由于Gabor特征对光照、姿态具有一定的鲁棒性，Gabor特征具有良好的空间局部性和方向选择性，可以很好的描述图像的纹理信息，因此许多算法都采用Gabor特征作为识别特征。

该算法仅对图像中部分关键特征点进行Gabor变换，并将这些特征点位置为顶点、以其Gabor变换系数为顶点属性、以其关键点位置关系为边属性的属性图，从而将问题转化为图匹配问题。通过合理的选择特征点的位置，弹性图可以很好地同时对关键局部特征及其它们之间的关系进行建模，从而既利用了图像亮度分布特征，又利用了结构信息。GWN方法从最佳描述的角度，通过一个优化过程完全自动地确定特征位置及其相应的小波参数，并最终用这些参数作为描述来进行人脸识别。但GWN是一种基于参数优化的建模方法，计算复杂度很高。GFC算法的基本思想是在粗略对齐图像的前提下，逐像素计算每个像素点的多方向、多尺度Gabor变换特征，形成Gabor特征的表示，然后进一步用Fisher判别分析法提取特征，为了解决逐像素Gabor特征维数过高的问题，Liu采用了简单的下采样处理方法。AdaGabor算法采用AdaBoost算法对高维Gabor特征进行选择的降维，该方法采用机器学习的方法更加客观地利用Gabor特征，从而能在有效降维的同时提高识别性能。

Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空