Eigenface是在人臉識別的計算機視覺問題中使用的一組特徵向量的名稱。利用特徵面進行識別的方法是Sirovich和Kirby(1987)開發的，並被Matthew Turk和Alex Pentland在人臉分類中使用。特徵向量來源於人臉圖像高維向量空間上機率分布的協方差矩陣。特徵面本身構成了所有用於構造協方差矩陣的圖像的基集。這通過允許較小的集合o來減少尺寸。
基本介紹
- 中文名：特徵面
- 外文名：Eigenface
Eigenface方法始於對人臉圖像的低維表示的搜尋。Sirovich和Kirby(1987)表明，主成分分析可以用於收集面部圖像，形成一組基本特徵。這些基圖，即特徵圖，可以線性組合，重構原始訓練集中的圖像，如果訓練集中包含M個圖像，主分量分析可以形成N個圖像的基集，其中N < M。重建誤差由增加eigenpictures的數量減少了,但是需要數量總是選擇不到M .例如,如果您需要為訓練集生成一系列N eigenfaces M的臉圖像,你可以說,每個面圖像可以由“比例”的K“特性”或eigenfaces:面對image1 =(E1的23%)+(E2)的2% +(E3的51%)+…En +(1%)。
1991年M. Turk和A. Pentland擴展了這些結果，提出了人臉識別的特徵臉方法。[3]除了設計一個使用特徵面進行自動人臉識別的系統外，他們還展示了一種計算協方差矩陣特徵向量的方法，使當時的計算機能夠對大量的人臉圖像進行特徵分解。人臉圖像通常占據高維空間，常規的主成分分析在這些數據集中是難以處理的。Turk和Pentland的論文演示了基於按圖像數量而不是像素數量大小的矩陣來提取特徵向量的方法。
