Eigenface（特征脸）是一种用于人脸识别和图像压缩的计算机视觉技术，它将人脸图像表示为一系列基图像（称为特征脸）的加权组合。该技术于20世纪80年代末至90年代初发展起来，通过对一组人脸图像应用主成分分析（PCA），提取出最显著的变异模式。每张人脸随后由一个较小的系数向量描述，从而实现高效的比较、重建和分类。该方法在机器学习领域具有奠基性意义，至今仍是图像处理中降维的经典范例。
该方法将每张人脸图像视为一个高维向量（例如，一张100x100像素的图像变为一个10,000维向量）。PCA在一组对齐的人脸训练集中识别出最大方差的方向。这些方向在重塑为图像时，呈现为幽灵般的人脸特征，被称为特征脸。新的人脸被投影到该子空间上，生成一个紧凑的表示，既能捕捉其身份信息，又丢弃了光照和背景等无关细节。
历史发展
特征脸方法由Matthew Turk和Alex Pentland在1991年发表于《认知神经科学杂志》的论文《用于识别的特征脸》中提出。他们的工作建立在布朗大学Sirovich和Kirby（1987年）的早期研究之上，后者证明了人脸图像可以通过主成分进行高效表示。Turk和Pentland将其扩展到自动人脸识别，在包含16个受试者的数据库上取得了高准确率。该技术作为计算机视觉的首批实际应用之一而获得广泛关注，并影响了后续方法，如fisherfaces和局部二值模式。
数学基础
特征脸的核心依赖于PCA，这是一种将相关变量转换为较少数量不相关变量（称为主成分）的统计方法。对于包含N张人脸图像（每张大小为M像素）的训练集，算法计算平均脸和居中图像的协方差矩阵。该协方差矩阵的特征向量按特征值排序，代表主要的变异模式。通常仅保留前K个特征向量（其中K远小于M），以捕获大部分方差。这将维度从M降至K，从而实现快速计算和存储。
人脸图像x到特征脸子空间的投影由与前K个特征向量的点积给出。这些系数构成一个唯一表征该人脸的特征向量。重建通过将平均脸与加权特征脸求和实现，近似误差随K增大而减小。该线性模型假设人脸位于低维流形上，这在正面、对齐且光照一致的图像下近似成立。
应用与局限性
特征脸在早期人脸识别系统中被广泛使用，包括20世纪90年代的安全和监控应用。它们还被用于图像压缩，通过存储少量系数而非完整像素数据来减少存储需求。然而，该方法存在显著局限性。它对光照、姿态和面部表情的变化敏感，因为这些引入的非线性变化是PCA无法很好捕获的。训练集中人脸的对齐不良会显著降低性能。该技术还需要相对较大的训练集以生成稳定的特征脸，并假设人脸大致为正面且尺度相似。
尽管存在这些缺点，特征脸为更稳健的方法奠定了基础。诸如Fisherfaces（使用线性判别分析）和核PCA等扩展方法通过引入类别信息或非线性映射解决了一些局限性。现代深度学习方法，特别是神经网络和卷积神经网络，已在实际系统中很大程度上取代了特征脸，在大规模数据集上实现了更高的准确率。尽管如此，特征脸仍是人工智能教育中的教学基石，阐释了特征提取和降维的核心概念。
遗产与影响
特征脸方法不仅影响了人脸识别，还影响了物体识别和医学成像等更广泛的领域。其从数据中学习低维子空间的原理成为许多无监督学习技术的模板。MIT CSAIL和卡内基梅隆大学等机构的研究人员在此基础上进一步发展，推动了计算机视觉和模式识别的进步。该技术还启发了其他物体类别的特征特征开发，如特征手和特征基因，展示了其通用性。
在生成式AI时代，在潜在空间中表示图像的概念与特征脸思想相呼应。变分自编码器和生成对抗网络学习非线性潜在表示，但紧凑、有意义的编码这一基本目标保持不变。因此，特征脸充当了经典统计方法与现代深度学习范式之间的历史桥梁。
实际实现
实现特征脸涉及多个步骤：收集和预处理对齐人脸图像数据集、计算均值和协方差、提取特征向量以及投影新图像。OpenCV和scikit-learn等库提供了内置的PCA函数，使该技术易于用于教育项目。典型实现可能使用100个特征脸来表示包含1000张人脸的数据集，实现100:1的压缩比，同时保留足够的细节用于识别。计算成本主要由特征分解主导，朴素实现的时间复杂度为O(M^2 N)，但可以通过直接对数据矩阵使用奇异值分解（SVD）来降低。
对于实时应用，投影步骤很快，仅涉及与保留特征脸的点积。这种效率使特征脸在早期嵌入式系统和移动设备上具有吸引力，尽管现代硬件和算法已将焦点转向深度学习模型。尽管如此，特征脸仍是基准测试新的人脸识别算法以及理解简单性与性能之间权衡的宝贵基线。