在人脸识别系统中，常用的特殊算法或技术包括但不限于以下几种：
主成分分析（Principal Component Analysis，PCA）：PCA 是一种常见的降维算法，通过线性变换将原始数据投影到新的空间中，尽可能保留最大的数据方差。在人脸识别中，PCA 可以用来降低数据维度，提取出最具代表性的特征。
线性判别分析（Linear Discriminant Analysis，LDA）：LDA 是一种监督学习算法，通过最大化类间距离和最小化类内距离的方式将数据映射到低维空间，从而实现对不同类别的区分。在人脸识别中，LDA 可以帮助识别器更好地区分不同的人脸特征。
支持向量机（Support Vector Machine，SVM）：SVM 是一种常见的分类器，通过构建一个最优的超平面来实现数据的分类。在人脸识别中，SVM 可以用于对不同人脸特征进行分类，从而实现准确的人脸识别。
卷积神经网络（Convolutional Neural Network，CNN）：CNN 是一种深度学习模型，具有优秀的特征提取能力和分类能力。在人脸识别中，CNN 可以通过多层卷积和池化操作提取出人脸图像的高级特征，并通过全连接层对输入进行分类。
深度学习模型（如 VGG、ResNet、Inception 等）：基于深度学习的人脸识别模型通常具有更好的效果，能够学习到更加高级和复杂的特征表示，从而提高准确率和鲁棒性。
这些算法和技术的组合通常会被应用在人脸检测、人脸对齐、特征提取和人脸识别等环节，以提高系统的准确性和稳定性。随着人工智能和深度学习技术的不断发展，人脸识别系统也在不断进化和完善。