特征臉方法（Eigenface）是基于主成分分析（PCA）的經典人臉識別算法，由Kirby和Sirovich在1990年代提出，后由Turk和Pentland在實際應用中加以推廣。該方法的主要思想是通過降維技術，將高維的人臉圖像數據轉換為低維的特征向量，從而有效地進行人臉識別。
算法原理
特征臉方法的核心是利用PCA對人臉圖像進行特征提取。構建訓練集的人臉圖像數據庫，每張圖像被表示為一個高維向量。通過計算這些向量的協方差矩陣，并求解其特征值和特征向量，得到一組特征臉（Eigenfaces）。這些特征臉構成了人臉空間的基，任何人臉圖像都可以表示為這些基向量的線性組合。
實現步驟
- 數據預處理：收集訓練圖像，將其轉換為灰度圖并歸一化尺寸，確保每張圖像具有相同的像素維度。
- 計算平均臉：對訓練集中的所有人臉圖像求平均，得到平均臉圖像。
- 構建差異矩陣：將每張人臉圖像減去平均臉，得到差異圖像矩陣。
- PCA降維：計算差異矩陣的協方差矩陣，并求解其特征值和特征向量。選擇前k個最大特征值對應的特征向量作為特征臉。
- 投影與識別：將新人臉圖像投影到特征臉空間，得到一個權重向量。通過比較該權重向量與訓練集中已知人臉的權重向量，利用距離度量（如歐氏距離）進行識別。
優缺點
優點：
- 算法簡單，計算效率高，適用于小規模數據集。
- 能夠有效處理光照、表情等輕微變化。
缺點：
- 對姿態、遮擋和光照劇烈變化敏感。
- 依賴于訓練數據的代表性，若訓練集不足或多樣性不夠，識別效果會下降。
應用與影響
特征臉方法為人臉識別領域奠定了基礎，啟發了后續許多基于統計學習的算法。盡管現代深度學習方法在精度上已遠超它，但特征臉方法在教育和簡單應用中仍有其價值，是理解人臉識別原理的重要入門工具。
特征臉方法通過PCA技術實現了高效的人臉特征提取與識別，盡管存在局限性，但其經典地位不可忽視，為后續算法的發展提供了重要參考。
