本节书摘来自异步社区《人脸识别原理及算法——动态人脸识别系统研究》一书中的第5章5.5节小结，作者 沈理 , 刘翼光 , 熊志勇,更多章节内容可以访问云栖社区“异步社区”公众号查看。

5.5 小结
人脸识别原理及算法——动态人脸识别系统研究
本章在实验的基础上对PCA方法在人脸图像识别中的应用作了深刻揭示，主要讨论了训练样本效应、光照、尺度、旋转等因素对识别的影响，并指出对于不同的干扰会形成不同的图像空间，且图像空间之间存在一定距离，由此使得PCA方法在应用于不同图像空间的识别时效果较差。因此在处理这些干扰情况时，需要对图像做相应的预处理，以使待识图像与库中训练样本处于同一空间，或者在库中保存每个图像的多个样本，但这种方法存储空间开销较大，并且对于无法得到多个样本的情况很难应用。

PCA方法作为一种样本统计分析技术，能够提取样本集合的主成分，并利用这些主成分来表示相应的样本空间，应用于整个人脸图像集合，可得到整个人脸图像空间的主成分；同时也可应用人脸图像的局部特征集合，得到这些局部特征空间的主成分，根据不同空间的距离原则，可以进行人脸局部特征的提取。

同时，如Penev[52]所指出的，PCA方法是一种全局分析技术，不能提取样本集合的拓扑结构信息以及每个像素点处的局部信息，对于图像的偏移、缺失、旋转、光照等变化都看作一种全局变化，故其无法处理图像局部变化的情况。但如果利用人脸图像局部特征进行识别，就可以较好地利用样本集合的拓扑结构，得到样本的局部结构信息，并用于识别。这些局部特征对于图像的全局变化有一定的抗干扰能力，实验5.28充分证明了这一点。

本文仅用于学习和交流目的，不代表异步社区观点。非商业转载请注明作译者、出处，并保留本文的原始链接。