问人脸图像中的相关特征向量？

EN

首先，让我们弄清楚一些事情。特征向量是从整个数据集形成的协方差矩阵中计算出来的，即你把一张人脸的灰度图像整形成一列，并把它当作R^d空间中的一个点，计算协方差矩阵，并计算协方差矩阵的特征向量。这些特征向量为你的面部图像空间提供了一个新的基础。您要做的是，而不是，对于每个图像都有特征向量。相反，通过投影到(可能的子集)上，用特征向量表示每个人脸图像。

特征面的限制

至于在这个新的基础上，你的面部图像的表现是否足够好，以进行人脸识别，取决于许多因素。但是通常情况下，特征面方法对于现实世界中的无约束人脸并不是很好。它只适用于像素方向对齐，面向正面，并且在图像中具有相当均匀的光照条件的人脸。

更多并不一定更好

虽然人们普遍认为(当使用PCA)保持更多的方差要比少的多，但由于两个因素: 1)真实世界数据中的噪声和2)数据的维数，情况要复杂得多。有时，投射到一个较低的维度，并失去方差，实际上可以产生更好的结果。

结论

因此，我的答案是，很难说预先保留一定的差额是否足够。维数(因此保留特征向量的数量和相关的方差保留)应该通过交叉验证来确定。但是，最后，正如我前面提到的，特征脸不是一个很好的人脸识别方法，除非你有一个“很好”的数据集。您可能会更好地使用“渔人脸”，即在人脸图像上使用LDA，或者将这些方法与本地二进制模式(LBP)结合作为特征(而不是原始的人脸像素)。但说真的，人脸识别是一个困难的问题，一般来说，最先进的人脸识别技术还没有达到可以应用于现实世界系统的阶段。

这不是不可能的，但对我来说有点罕见，只有3个特征值才能达到70%的方差。你有多少个训练样本(总维度是多少)？确保您正在将数据库中的每幅图像重塑为向量，将向量数据规范化，然后将它们对齐为矩阵。由矩阵的协方差得到特征值/特征向量。

理论上，70%的方差应该足以形成一个具有相应特征向量的可识别人脸。但是，交叉验证得到的最优特征值数更好:每次可以增加一个特征向量，观察人脸的形成情况和识别精度。你甚至可以画出交叉验证精度曲线，在曲线上可能有一个锐角，然后对应的特征向量数有望应用到你的测试中。