特征面

特征面（/ˈaɪɡənˌfeɪs/）是在计算机视觉的人脸识别问题中对一组特征向量的称呼。使用特征面进行识别的方法是由Sirovich和Kirby开发的，并由MatthewTurk和AlexPentland在人脸分类中使用。

特征向量是从人脸图像的高维向量空间的概率分布的协方差矩阵中得出的。

特征面本身构成了一个用于构建协方差矩阵的所有图像的基础集。这通过允许较小的基础图像集代表原始训练图像来产生降维。通过比较基集如何表示人脸，可以实现分类。

特征脸谱法开始于对人脸图像低维表示法的探索。Sirovich和Kirby表明，主成分分析可以用在人脸图像的集合上，形成一组基础特征。这些基础图像被称为特征图片，可以通过线性组合来重建原始训练集的图像。

如果训练集由M张图像组成，主成分分析可以形成N张图像的基础集，其中N<M。通过增加特征图片的数量来减少重建误差；但是，需要的数量总是选择小于M。

例如，如果你需要为M张人脸图像的训练集生成N个特征面，你可以说每个人脸图像可以由所有K个特征或特征面的比例组成。

面部图像1=(23%的E1)+(2%的E2)+(51%的E3)+...+(1%En)。1991年，M.Turk和A.Pentland扩展了这些结果，提出了人脸识别的特征面方法。

除了设计一个使用特征面的自动人脸识别系统外，他们还展示了一种计算协方差矩阵的特征向量的方法，使当时的计算机可以对大量的人脸图像进行特征分解。

人脸图像通常占据一个高维空间，传统的主成分分析在这种数据集上是难以实现的。Turk和Pentland的论文展示了根据图像数量而不是像素数量的矩阵来提取特征向量的方法。

一旦确立，特征面方法就被扩展到包括预处理方法以提高准确性。多重流形方法也被用来建立不同主体和不同特征（如眼睛）的特征面集合。

一组特征面可以通过对描述不同人脸的一大组图像进行称为主成分分析（PCA）的数学过程来生成。非正式地，特征面孔可以被认为是一组标准化的面孔成分，由许多面孔图片的统计分析得出。

任何人脸都可以被认为是这些标准脸的组合。例如，一个人的脸可能是由平均脸加10%的特征脸1，55%的特征脸2，甚至-3%的特征脸3组成。

值得注意的是，不需要很多特征面结合在一起就能实现对大多数人脸的公平近似。

另外，由于一个人的脸不是由数字照片记录的，而只是一个数值的列表（在所使用的数据库中每个特征面都有一个数值），所以每个人的脸所占用的空间要小得多。

所创建的特征面将显示为按特定模式排列的明暗区域。这种模式就是将脸部的不同特征挑出来进行评估和打分。

会有一个模式来评估对称性，是否有任何风格的面部毛发，发际线在哪里，或对鼻子或嘴巴的大小进行评估。其他的特征面的模式就不那么简单了，而且特征面的图像可能看起来很不像一张脸。

用于创建特征面并将其用于识别的技术也在人脸识别之外使用：手写识别、唇语阅读、语音识别、手语/手势解释和医学成像分析。因此，有些人不使用"特征面"这个术语，而喜欢使用"特征图像"。

为了创建一套特征面，人们必须。准备一个人脸图像的训练集。构成训练集的图片应该是在相同的光照条件下拍摄的，而且必须经过归一化处理，使所有图片的眼睛和嘴巴都保持一致。

它们还必须全部重新取样到一个共同的像素分辨率（r×c）。每幅图像被视为一个矢量，简单地将原始图像中的像素行连接起来，产生一个具有r×c元素的单列。

在这个实现中，我们假设训练集的所有图像都存储在一个单一的矩阵T中，矩阵的每一列都是一个图像。