查看“︁特征脸”︁的源代码

{{NoteTA |G1=Math}}
{{More footnotes needed|time=2021-7-19}}

[[Image:eigenfaces.png|thumb|来自 [[AT&T Labs|AT&T Laboratories]] 剑桥]]
'''特征脸'''（Eigenface）是指用于[[机器视觉]]领域中的[[人脸识别]]问题的一组[[特征向量]]。使用特征脸进行人脸识别的方法首先由Sirovich and Kirby (1987)提出，并由[[Matthew Turk]]和[[Alex Pentland]]用于人脸分类。该方法被认为是第一种有效的人脸识别方法{{Citation needed|date=January 2008}}。这些特征向量是从高维矢量空间的人脸图像的[[协方差矩阵]]计算而来。

== 生成特征脸 ==
'''一组特征脸''' 可以通过在一大组描述不同人脸的图像上进行[[主成分分析]]（PCA）获得。任意一张人脸图像都可以被认为是这些标准脸的组合。例如，一张人脸图像可能是特征脸1的10%，加上特征脸2的55%，再减去特征脸3的3%。值得注意的是，它不需要太多的特征脸来获得大多数脸的近似组合。另外，由于人脸是通过一系列向量（每个特征脸一个比例值）而不是[[数字图像]]进行保存，可以节省很多存储空间。

=== 实现 ===
以下是特征脸的实现过程：
# 准备一个训练集的人脸图像。构成训练集的图片需要在相同的照明条件下拍摄的，并将所有图像的眼睛和嘴对齊。他们还必须在预处理阶段就[[重采样]]到一个共同的[[像素]][[分辨率]]（''R''×''C''）。现在，简单地将原始图像的每一行的像素串联在一起，产生一个具有''R''×''C''个元素的行向量，每个图像被视为一个向量。现在，假定所有的训练集的图像被存储在一个单一的[[矩阵]]'''T'''中，矩阵的每一列是一个图像。
# 减去均值向量. 均值向量''a''要首先计算，并且'''T'''中的每一个图像都要减掉均值向量。
# 计算协方差矩阵'''S'''的[[特征值]]和[[特征向量]]。每一个特征向量的维数与原始图像的一致，因此可以被看作是一个图像。因此这些向量被称作特征脸。他们代表了图像与均值图像差别的不同方向。通常来说，这个过程的计算代价很高（如果可以计算的话）。
# 选择[[主成份]]。一个''D'' x ''D''的协方差矩阵会产生''D''个特征向量，每一个对应''R'' × ''c''图像空间中的一个方向。具有较大特征值的特征向量会被保留下来，一般选择最大的N个，或者按照特征值的比例进行保存，如保留前95%。

这些特征脸现在可以用于标识已有的和新的人脸：我们可以将一个新的人脸图像（先要减去均值图像）投影到特征脸上，以此来记录这个图像与平均图像的偏差。每一个特征向量的特征值代表了训练集合的图像与均值图像在该方向上的偏差有多大。将图像投影到特征向量的子集上可能丢失信息，但是通过保留那些具有较大特征值的特征向量的方法可以减少这个损失。例如，如果当前处理一个100 x 100的图像，就会得到10000个特征向量。在实际使用中，大多数的图像可以投影到100到150个特征向量上进行识别，因此，10000个特征向量的绝大多数可以丢弃。

=== 计算特征向量 ===
直接在图像的协方差矩阵上进行PCA计算在计算量上是不可行的。如果图像比较小，如100&nbsp;&times;&nbsp;100的灰度图像，则每个图像是一个10000维空间的一个点，协方差矩阵 '''S''' 则具有10,000&nbsp;&times; 10,000&nbsp;= 10<sup>8</sup>个元素。然而，协方差矩阵的[[秩 (线性代数)|秩]]受到训练图像的限制：如果有 ''N'' 个训练样本，则最多有 ''N''&nbsp;&minus;&nbsp;1 个对应非零特征值的特征向量。如果训练样本的数目比图像的维数低，则可以通过如下方法简化主成份的计算。

设 '''T''' 是预处理图像的矩阵，每一列对应一个减去均值图像之后的图像。则，协方差矩阵为 '''S''' = '''TT'''<sup>T</sup> ，并且对 '''S''' 的特征值分解为
:<math>\mathbf{Sv}_i = \mathbf{T}\mathbf{T}^T\mathbf{v}_i = \lambda_i \mathbf{v}_i</math>
然而， '''TT'''<sup>T</sup> 是一个非常大的矩阵。因此，如果转而使用如下的特征值分解
:<math>\mathbf{T}^T\mathbf{T}\mathbf{u}_i = \lambda_i \mathbf{u}_i</math>
此时，我们发现如果在等式两边乘以'''T'''，可得到
:<math>\mathbf{T}\mathbf{T}^T\mathbf{T}\mathbf{u}_i = \lambda_i \mathbf{T}\mathbf{u}_i</math>
这就意味着，如果 '''u'''<sub>i</sub> 是 '''T'''<sup>T</sup>'''T'''的一个特征向量，则 '''v'''<sub>i</sub>&nbsp;=&nbsp;'''Tu'''<sub>i</sub> 是 '''S''' 的一个特征向量。假设我们的训练集有300张100&nbsp;&times;&nbsp;100像素的图像，则 '''T'''<sup>T</sup>'''T''' 是一个300&nbsp;&times;&nbsp;300的矩阵，这就比原先的 10,000&nbsp;&times; 10,000 协方差矩阵要容易处理许多。需要注意的是，上面的特征向量 '''v'''<sub>i</sub> 没有进行归一化，如果需要，应该在后面在进行处理。

== 在人脸识别中的应用 ==
特征脸的最直接的应用就是人脸识别。在这个需求下，特征脸相比其他手段在效率方面比较有优势，因為特征脸的计算速度非常快，短时间就可以处理大量人脸。但是，特征脸在实际使用时有个问题，就是在不同的光照条件和成像角度时，会导致识别率大幅下降。因此，使用特徵臉需限制使用者在统一的光照条件下使用正面图像进行识别。

== 相关领域 ==
*[[主成分分析]]
*[[人脸识别]]
*[[模式识别]]

== 参考文献 ==
* {{cite book | author=D. Pissarenko | title=Eigenface-based facial recognition | year=2003 | url=http://openbio.sourceforge.net/resources/eigenfaces/eigenfaces-html/facesOptions.html | access-date=2012-12-30 | archive-date=2021-03-22 | archive-url=https://web.archive.org/web/20210322125027/http://openbio.sourceforge.net/resources/eigenfaces/eigenfaces-html/facesOptions.html | dead-url=no }}
* {{Cite journal|title=Eigenfaces vs. Fisherfaces: recognition using class specific linear projection|url=http://ieeexplore.ieee.org/document/598228/|last=Belhumeur|first=P.N.|last2=Hespanha|first2=J.P.|date=1997-07|journal=IEEE Transactions on Pattern Analysis and Machine Intelligence|issue=7|doi=10.1109/34.598228|volume=19|pages=711–720|last3=Kriegman|first3=D.J.|access-date=2021-07-18|archive-date=2021-12-21|archive-url=https://web.archive.org/web/20211221150911/https://ieeexplore.ieee.org/document/598228/|dead-url=no}}
* {{cite journal | author=L. Sirovich and M. Kirby | title=Low-dimensional procedure for the characterization of human faces | journal=Journal of the Optical Society of America A | volume=4 | year=1987 | pages=519–524 | doi=10.1364/JOSAA.4.000519 | issue=3}}
* {{cite journal | author=M. Kirby and L. Sirovich | title= Application of the Karhunen-Loeve procedure for the characterization of human faces | journal=IEEE Transactions on Pattern analysis and Machine Intelligence | volume=12 | issue=1 | year=1990 | pages=103–108 | doi= 10.1109/34.41390}}
* {{cite conference | author=M. Turk and A. Pentland | title=Face recognition using eigenfaces | booktitle=Proc. IEEE Conference on Computer Vision and Pattern Recognition | year=1991 | pages=586–591 | url=http://www.cs.ucsb.edu/~mturk/Papers/mturk-CVPR91.pdf | access-date=2012-12-30 | archive-date=2018-01-27 | archive-url=https://web.archive.org/web/20180127120027/http://www.cs.ucsb.edu/~mturk/Papers/mturk-CVPR91.pdf | dead-url=no }}
* {{cite journal | author=M. Turk and A. Pentland | title=Eigenfaces for recognition | journal=Journal of Cognitive Neuroscience | volume=3 | issue=1 | year=1991 | pages=71–86 | url=http://www.cs.ucsb.edu/~mturk/Papers/jcn.pdf | doi=10.1162/jocn.1991.3.1.71 | access-date=2012-12-30 | archive-date=2017-08-30 | archive-url=https://web.archive.org/web/20170830052954/http://www.cs.ucsb.edu/~mturk/Papers/jcn.pdf | dead-url=no }}
* A. Pentland, B. Moghaddam, T. Starner, O. Oliyide, and M. Turk. (1993). "[http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.47.3791 View-based and modular Eigenspaces for face recognition] {{Wayback|url=http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.47.3791 |date=20110811182306 }}". Technical Report 245, M.I.T Media Lab.
* T. Heseltine, N. Pears, J. Austin, Z. Chen (2003). "[http://www-users.cs.york.ac.uk/~nep/research/3Dface/tomh/0059.pdf Face Recognition: A Comparison of Appearance-Based Approaches] {{Wayback|url=http://www-users.cs.york.ac.uk/~nep/research/3Dface/tomh/0059.pdf |date=20170809230602 }}". ''Proc. VIIth Digital Image Computing: Techniques and Applications'', vol 1. 59-68.
* Delac, K., Grgic, M., Liatsis, P. (2005). "[http://www.vcl.fer.hr/papers_pdf/Appearance-based%20Statistical%20Methods%20for%20Face%20Recognition.pdf Appearance-based Statistical Methods for Face Recognition] {{Wayback|url=http://www.vcl.fer.hr/papers_pdf/Appearance-based%20Statistical%20Methods%20for%20Face%20Recognition.pdf |date=20160928075112 }}". ''Proceedings of the 47th International Symposium ELMAR-2005 focused on Multimedia Systems and Applications'', Zadar, Croatia, 08-10 June 2005, pp. 151–158

== 外部链接 ==
*[http://www.face-rec.org Face Recognition Homepage] {{Wayback|url=http://www.face-rec.org/ |date=20210207150029 }}
*[http://www.face-rec.org/source-codes/ PCA on the FERET Dataset] {{Wayback|url=http://www.face-rec.org/source-codes/ |date=20210421145548 }}
*[http://develintel.blogspot.com/2005/12/eigenfaces.html Developing Intelligence] {{Wayback|url=http://develintel.blogspot.com/2005/12/eigenfaces.html |date=20210305154415 }} Eigenfaces and the Fusiform Face Area
*[http://onionesquereality.wordpress.com/2009/02/11/face-recognition-using-eigenfaces-and-distance-classifiers-a-tutorial/ A Tutorial on Face Recognition Using Eigenfaces and Distance Classifiers] {{Wayback|url=http://onionesquereality.wordpress.com/2009/02/11/face-recognition-using-eigenfaces-and-distance-classifiers-a-tutorial/ |date=20210408205301 }}
*[http://www.cs.ait.ac.th/~mdailey/matlab/ Matlab example code for eigenfaces] {{Wayback|url=http://www.cs.ait.ac.th/~mdailey/matlab/ |date=20210422025037 }}
*[http://www.compvision.ru/forum/index.php?showtopic=74&view=getnewpost OpenCV + C++Builder6 implementation of PCA]{{Dead link}}
*[http://cognitrn.psych.indiana.edu/nsfgrant/FaceMachine/faceMachine.html Java Applet demonstration of eigenfaces] {{Wayback|url=http://cognitrn.psych.indiana.edu/nsfgrant/FaceMachine/faceMachine.html |date=20111101045309 }}

[[Category:人脸识别]]