eigenface ( / ˈ aɪ ɡ ən -/ EYE -gən- ) คือชื่อที่ใช้เรียกเซตของเวกเตอร์ลักษณะเฉพาะเมื่อใช้ในปัญหาการมองเห็นด้วยคอมพิวเตอร์ ของการ จดจำใบหน้ามนุษย์^{[ 1 ]}แนวทางการใช้ eigenface สำหรับการจดจำได้รับการพัฒนาโดย Sirovich และ Kirby และถูกนำไปใช้โดยMatthew TurkและAlex Pentlandในการจำแนกประเภทใบหน้า^{[ 2 ] [ 3 ]}เวกเตอร์ลักษณะเฉพาะได้มาจากเมทริกซ์ความแปรปรวนร่วมของการกระจายความน่าจะเป็นเหนือปริภูมิเวกเตอร์มิติ สูง ของภาพใบหน้า eigenface เองเป็นเซตพื้นฐานของภาพทั้งหมดที่ใช้ในการสร้างเมทริกซ์ความแปรปรวนร่วม ซึ่งทำให้เกิดการลดมิติโดยอนุญาตให้เซตของภาพพื้นฐานที่เล็กกว่าแทนภาพฝึกอบรมดั้งเดิม การจำแนกประเภทสามารถทำได้โดยการเปรียบเทียบว่าใบหน้าถูกแทนด้วยเซตพื้นฐานอย่างไร

แนวทาง eigenface เริ่มต้นด้วยการค้นหาการแสดงภาพใบหน้าที่มีมิติต่ำ Sirovich และ Kirby แสดงให้เห็นว่าการวิเคราะห์ส่วนประกอบหลักสามารถใช้กับชุดภาพใบหน้าเพื่อสร้างชุดคุณลักษณะพื้นฐานได้^{[ 2 ]}ภาพพื้นฐานเหล่านี้ ซึ่งเรียกว่า eigenpictures สามารถรวมกันแบบเชิงเส้นเพื่อสร้างภาพขึ้นใหม่ในชุดฝึกอบรม ดั้งเดิม หากชุดฝึกอบรมประกอบด้วย ภาพ Mภาพ การวิเคราะห์ส่วนประกอบหลักสามารถสร้างชุดพื้นฐานของ ภาพ Nภาพ โดยที่N < Mข้อผิดพลาดในการสร้างใหม่จะลดลงเมื่อจำนวน eigenpictures เพิ่มขึ้น อย่างไรก็ตาม จำนวนที่ต้องการมักจะถูกเลือกให้น้อยกว่าMเสมอ ตัวอย่างเช่น หากคุณต้องการสร้าง eigenfaces จำนวนNสำหรับชุดฝึกอบรม ภาพใบหน้า Mภาพ คุณสามารถกล่าวได้ว่าภาพใบหน้าแต่ละภาพสามารถสร้างขึ้นจาก "สัดส่วน" ของ "คุณลักษณะ" หรือ eigenfaces ทั้งหมดKภาพ: ภาพใบหน้า₁ = (23% ของ E ₁ ) + (2% ของ E ₂ ) + (51% ของ E ₃ ) + ... + (1% E _n )

ในปี พ.ศ. 2534 M. Turk และ A. Pentland ได้ขยายผลลัพธ์เหล่านี้และนำเสนอวิธีการจดจำใบหน้าแบบ eigenface ^{[ 3 ]}นอกจากการออกแบบระบบสำหรับการจดจำใบหน้าอัตโนมัติโดยใช้ eigenface แล้ว พวกเขายังแสดงวิธีการคำนวณเวกเตอร์ลักษณะเฉพาะของเมทริกซ์ความแปรปรวนร่วมเพื่อให้คอมพิวเตอร์ในสมัยนั้นสามารถทำการแยกส่วนลักษณะเฉพาะบนภาพใบหน้าจำนวนมากได้ ภาพใบหน้ามักจะครอบครองพื้นที่มิติสูง และการวิเคราะห์ส่วนประกอบหลักแบบดั้งเดิมนั้นไม่สามารถทำได้กับชุดข้อมูลดังกล่าว บทความของ Turk และ Pentland แสดงให้เห็นถึงวิธีการสกัดเวกเตอร์ลักษณะเฉพาะโดยอิงจากเมทริกซ์ที่มีขนาดตามจำนวนภาพแทนที่จะเป็นจำนวนพิกเซล

เมื่อกำหนดวิธีการ eigenface แล้ว ก็ได้ขยายวิธีการดังกล่าวให้รวมถึงวิธีการประมวลผลล่วงหน้าเพื่อปรับปรุงความแม่นยำ^{[ 4 ]}นอกจากนี้ยังมีการใช้แนวทางหลายแมนิโฟลด์เพื่อสร้างชุด eigenface สำหรับบุคคลต่างๆ^{[ 5 ] [ 6 ]}และคุณลักษณะต่างๆ เช่น ดวงตา^{[ 7 ]}

ชุดของ eigenfaceสามารถสร้างขึ้นได้โดยการใช้กระบวนการทางคณิตศาสตร์ที่เรียกว่าการวิเคราะห์องค์ประกอบหลัก (Principal Component Analysisหรือ PCA) กับชุดภาพขนาดใหญ่ที่แสดงใบหน้ามนุษย์ที่แตกต่างกัน โดยทั่วไปแล้ว eigenface สามารถพิจารณาได้ว่าเป็นชุดของ "ส่วนประกอบใบหน้ามาตรฐาน" ที่ได้มาจากการวิเคราะห์ทางสถิติของภาพใบหน้าจำนวนมาก ใบหน้าของมนุษย์ใดๆ ก็สามารถพิจารณาได้ว่าเป็นส่วนผสมของใบหน้ามาตรฐานเหล่านี้ ตัวอย่างเช่น ใบหน้าของคนๆ หนึ่งอาจประกอบด้วยใบหน้าเฉลี่ย บวก 10% จาก eigenface ที่ 1, 55% จาก eigenface ที่ 2 และแม้กระทั่ง -3% จาก eigenface ที่ 3 ที่น่าทึ่งคือ ไม่จำเป็นต้องใช้ eigenface จำนวนมากมารวมกันเพื่อให้ได้การประมาณใบหน้าส่วนใหญ่ที่ค่อนข้างแม่นยำ นอกจากนี้ เนื่องจากใบหน้าของบุคคลไม่ได้ถูกบันทึกด้วยภาพถ่ายดิจิทัลแต่เป็นเพียงรายการค่า (หนึ่งค่าสำหรับแต่ละ eigenface ในฐานข้อมูลที่ใช้) จึงใช้พื้นที่น้อยลงมากสำหรับใบหน้าของแต่ละบุคคล

ภาพใบหน้าจำลองที่สร้างขึ้นจะปรากฏเป็นบริเวณสว่างและมืดที่จัดเรียงเป็นรูปแบบเฉพาะ รูปแบบนี้เป็นวิธีการที่ใช้ในการแยกแยะลักษณะต่างๆ ของใบหน้าเพื่อประเมินและให้คะแนน จะมีรูปแบบสำหรับการประเมินความสมมาตร รูปแบบของหนวดเครา ตำแหน่งของเส้นผม หรือการประเมินขนาดของจมูกหรือปาก ภาพใบหน้าจำลองบางภาพมีรูปแบบที่ระบุได้ยากกว่า และภาพของภาพใบหน้าจำลองอาจดูไม่เหมือนใบหน้าจริงเลย

เทคนิคที่ใช้ในการสร้าง eigenface และการนำไปใช้ในการจดจำนั้น ยังถูกนำไปใช้ในด้านอื่นๆ นอกเหนือจากการจดจำใบหน้าด้วย เช่นการจดจำลายมือ การอ่านริมฝีปากการจดจำเสียง การตีความภาษามือ / ท่าทาง มือ และ การวิเคราะห์ ภาพทางการแพทย์ดังนั้น บางคนจึงไม่ใช้คำว่า eigenface แต่เลือกใช้คำว่า 'eigenimage' แทน

ในการสร้างชุด eigenfaces จำเป็นต้องทำดังนี้:

1. เตรียมชุดภาพใบหน้าสำหรับฝึกฝน ภาพในชุดฝึกฝนควรถ่ายภายใต้สภาพแสงเดียวกัน และต้องปรับให้ดวงตาและปากอยู่ในแนวเดียวกันในทุกภาพ นอกจากนี้ยังต้องปรับ ขนาดความละเอียด พิกเซล ให้เท่ากัน ( r × c ) แต่ละภาพจะถูกมองว่าเป็นเวกเตอร์เดียว โดยการรวมแถวของพิกเซลในภาพต้นฉบับเข้าด้วยกัน ทำให้ได้คอลัมน์เดียวที่มีr × cองค์ประกอบ สำหรับการใช้งานนี้ สมมติว่าภาพทั้งหมดในชุดฝึกฝนถูกจัดเก็บไว้ในเมทริกซ์T เดียว โดยแต่ละคอลัมน์ของเมทริกซ์คือภาพหนึ่งภาพ
2. ลบค่าเฉลี่ยออก ต้องคำนวณค่าเฉลี่ยของภาพa แล้วนำไปลบออกจากภาพต้นฉบับแต่ละภาพ ในT
3. คำนวณเวกเตอร์ลักษณะเฉพาะและค่าลักษณะเฉพาะของเมทริกซ์ความแปรปรวนร่วมSเวกเตอร์ลักษณะเฉพาะแต่ละตัวมีมิติ (จำนวนส่วนประกอบ) เท่ากับภาพต้นฉบับ ดังนั้นจึงสามารถมองได้ว่าเป็นภาพเช่นกัน เวกเตอร์ลักษณะเฉพาะของเมทริกซ์ความแปรปรวนร่วมนี้จึงเรียกว่าหน้าลักษณะเฉพาะ (eigenfaces) ซึ่งเป็นทิศทางที่ภาพแตกต่างจากภาพเฉลี่ย โดยปกติแล้วขั้นตอนนี้จะใช้การคำนวณมาก (หากเป็นไปได้) แต่ประโยชน์ในทางปฏิบัติของหน้าลักษณะเฉพาะมาจากการที่สามารถคำนวณเวกเตอร์ลักษณะเฉพาะของSได้อย่างมีประสิทธิภาพ โดยไม่ต้องคำนวณSอย่างชัดเจน ดังรายละเอียดด้านล่าง
4. เลือกส่วนประกอบหลัก เรียงลำดับค่าลักษณะเฉพาะจากมากไปน้อย และจัดเรียงเวกเตอร์ลักษณะเฉพาะตามลำดับ จำนวนส่วนประกอบหลักkถูกกำหนดโดยพลการโดยการตั้งค่าเกณฑ์ ε บนความแปรปรวนทั้งหมด ความแปรปรวนทั้งหมด⁠ ⁠${\displaystyle v=(\lambda _{1}+\lambda _{2}+...+\lambda _{n})}$ , n = จำนวนส่วนประกอบ และ แทนค่าลักษณะเฉพาะของส่วนประกอบ${\displaystyle \lambda }$
5. k คือจำนวนที่น้อยที่สุดที่ตรงตามเงื่อนไข${\displaystyle {\frac {(\lambda _{1}+\lambda _{2}+...+\lambda _{k})}{v}}>\epsilon }$

ตอนนี้สามารถใช้ eigenfaces เหล่านี้เพื่อแสดงทั้งใบหน้าที่มีอยู่และใบหน้าใหม่ได้แล้ว: เราสามารถฉายภาพใหม่ (ที่ลบค่าเฉลี่ยออกแล้ว) ลงบน eigenfaces และบันทึกว่าใบหน้าใหม่นั้นแตกต่างจากใบหน้าเฉลี่ยอย่างไร ค่า eigenvalue ที่เกี่ยวข้องกับ eigenface แต่ละตัวแสดงให้เห็นว่าภาพในชุดข้อมูลฝึกฝนแตกต่างจากภาพเฉลี่ยในทิศทางนั้นมากน้อยเพียงใด ข้อมูลจะสูญหายไปเมื่อฉายภาพลงบนชุดย่อยของ eigenvectors แต่การสูญเสียจะน้อยที่สุดโดยการเก็บ eigenfaces ที่มีค่า eigenvalue มากที่สุดไว้ ตัวอย่างเช่น การทำงานกับภาพขนาด 100 × 100 จะสร้าง eigenvectors จำนวน 10,000 ตัว ในการใช้งานจริง ใบหน้าส่วนใหญ่สามารถระบุได้โดยใช้การฉายภาพลงบน eigenfaces ระหว่าง 100 ถึง 150 ตัว ดังนั้น eigenvectors ส่วนใหญ่จาก 10,000 ตัวจึงสามารถทิ้งไปได้

นี่คือตัวอย่างการคำนวณ eigenfaces โดยใช้ฐานข้อมูลใบหน้า Yale Face Database B ฉบับขยาย เพื่อหลีกเลี่ยงปัญหาคอขวดด้านการคำนวณและการจัดเก็บข้อมูล ภาพใบหน้าจึงถูกสุ่มตัวอย่างลดลงด้วยปัจจัย 4×4=16

ล้างทั้งหมด; ปิดทั้งหมด; โหลดyalefaces [ h , w , n ] = size ( yalefaces ); d = h * w ; % แปลงภาพเป็นเวกเตอร์x = reshape ( yalefaces , [ d n ]); x = double ( x ); % ลบค่าเฉลี่ยmean_matrix = mean ( x , 2 ); x = bsxfun (@ minus , x , mean_matrix ); % คำนวณค่าความแปรปรวนร่วมs = cov ( x ' ); % หาค่าลักษณะเฉพาะและเวกเตอร์ลักษณะเฉพาะ[ V , D ] = eig ( s ); eigval = diag ( D ); % เรียงลำดับค่าลักษณะเฉพาะจากมากไปน้อยeigval = eigval ( end : - 1 : 1 ); V = fliplr ( V ); % แสดงค่าเฉลี่ยและเวกเตอร์หลักลำดับที่ 1 ถึง 15 figure , subplot ( 4 , 4 , 1 ) imagesc ( reshape ( mean_matrix , [ h , w ])) colormap gray for i = 1 : 15 subplot ( 4 , 4 , i + 1 ) imagesc ( reshape ( V (:, i ), h , w )) end

โปรดทราบว่าถึงแม้เมทริกซ์ความแปรปรวนร่วม S จะสร้าง eigenface จำนวนมาก แต่เราจำเป็นต้องใช้เพียงเศษส่วนเล็กน้อยเท่านั้นในการแสดงใบหน้าส่วนใหญ่ ตัวอย่างเช่น ในการแสดง 95% ของความแปรผันทั้งหมดของภาพใบหน้าทั้งหมด เราจำเป็นต้องใช้เพียง eigenface 43 ตัวแรกเท่านั้น ในการคำนวณผลลัพธ์นี้ ให้ใช้โค้ดต่อไปนี้:

% ประเมินจำนวนส่วนประกอบหลักที่จำเป็นในการแสดงความแปรปรวนทั้งหมด 95% eigsum = sum ( eigval ); csum = 0 ; for i = 1 : d csum = csum + eigval ( i ); tv = csum / eigsum ; if tv > 0.95 k95 = i ; break end ; end ;

การคำนวณ PCA โดยตรงกับเมทริกซ์ความแปรปรวนร่วมของภาพนั้นมักทำได้ยากในทางปฏิบัติ หากใช้ภาพขนาดเล็ก เช่น 100 × 100 พิกเซล แต่ละภาพจะเป็นจุดในพื้นที่ 10,000 มิติ และเมทริกซ์ความแปรปรวนร่วมSจะเป็นเมทริกซ์ขนาด 10,000 × 10,000 = 10⁸ ^{องค์ประกอบ}อย่างไรก็ตามอันดับของเมทริกซ์ความแปรปรวนร่วมถูกจำกัดด้วยจำนวนตัวอย่างการฝึกฝน: หากมี ตัวอย่างการฝึกฝน Nตัวอย่าง จะมีเวกเตอร์ลักษณะเฉพาะที่มีค่าลักษณะเฉพาะไม่เป็นศูนย์อย่างมากที่สุดN  − 1 ตัว หากจำนวนตัวอย่างการฝึกฝนน้อยกว่ามิติของภาพ การคำนวณส่วนประกอบหลักจะทำได้ง่ายขึ้นดังต่อไปนี้

ให้Tเป็นเมทริกซ์ของตัวอย่างการฝึกอบรมที่ผ่านการประมวลผลล่วงหน้า โดยแต่ละคอลัมน์ประกอบด้วยภาพที่ลบค่าเฉลี่ยแล้วหนึ่งภาพ เมทริกซ์ความแปรปรวนร่วมสามารถคำนวณได้เป็นS = TT ^Tและการแยกส่วนเวกเตอร์ลักษณะเฉพาะของSจะได้จาก

${\displaystyle \mathbf {Sv} _{i}=\mathbf {T} \mathbf {T} ^{T}\mathbf {v} _{i}=\lambda _{i}\mathbf {v} _{i}}$

อย่างไรก็ตามTT ^Tเป็นเมทริกซ์ขนาดใหญ่ และถ้าหากเราใช้การแยกส่วนค่าลักษณะเฉพาะของเมทริกซ์แทน

${\displaystyle \mathbf {T} ^{T}\mathbf {T} \mathbf {u} _{i}=\lambda _{i}\mathbf {u} _{i}}$

จากนั้นเราจะสังเกตว่า เมื่อคูณทั้งสองข้างของสมการด้วยTเราจะได้

${\displaystyle \mathbf {T} \mathbf {T} ^{T}\mathbf {T} \mathbf {u} _{i}=\lambda _{i}\mathbf {T} \mathbf {u} _{i}}$

นั่นหมายความว่า ถ้าu _iเป็นเวกเตอร์ลักษณะเฉพาะของT ^T Tแล้วv _i  =  Tu _iจะเป็นเวกเตอร์ลักษณะเฉพาะของSถ้าเรามีชุดข้อมูลฝึกฝน 300 ภาพ ขนาด 100 × 100 พิกเซล เมทริกซ์T ^T Tจะเป็นเมทริกซ์ขนาด 300 × 300 ซึ่งจัดการได้ง่ายกว่าเมทริกซ์ความแปรปรวนร่วมขนาด 10,000 × 10,000 มาก อย่างไรก็ตาม โปรดสังเกตว่าเวกเตอร์v _i ที่ได้นั้น ยังไม่ได้ถูกทำให้เป็นเวกเตอร์หน่วย หากต้องการการทำให้เป็นเวกเตอร์หน่วย จะต้องทำเป็นขั้นตอนเพิ่มเติม

ให้Xแทน เมทริก ซ์ข้อมูล${\displaystyle d\times n}$ที่มีคอลัมน์เป็นเวก${\displaystyle x_{i}}$เตอร์ภาพที่ลบค่าเฉลี่ยออกแล้ว จากนั้น

${\displaystyle \mathrm {covariance} (X)={\frac {XX^{T}}{n}}}$

ให้การแยกส่วนค่าเอกลักษณ์ (SVD) ของXเป็นดังนี้:

${\displaystyle X=U{\Sigma }V^{T}}$

ดังนั้น การแยกส่วนค่าลักษณะเฉพาะสำหรับคือ: ${\displaystyle XX^{T}}$

${\displaystyle XX^{T}=U{\Sigma }{{\Sigma }^{T}}U^{T}=U{\Lambda }U^{T}}$โดยที่ Λ = diag (ค่าลักษณะเฉพาะของ)${\displaystyle XX^{T}}$

ดังนั้นเราจึงเห็นได้อย่างง่ายดายว่า:

หน้าลักษณะเฉพาะ = คอลัมน์แรก( ) ที่เกี่ยวข้องกับค่าเอกลักษณ์ที่ไม่เป็นศูนย์${\displaystyle k}$${\displaystyle k\leq n}$${\displaystyle U}$

ค่าไอเกนที่ i ของค่าเอกลักษณ์ที่ i ของ(เช่น)${\displaystyle XX^{T}={\frac {1}{n}}(}$${\displaystyle X)^{2}}$${\displaystyle \lambda _{i}={\frac {1}{n}}\sigma _{i}^{2}}$

การใช้ SVD กับเมทริกซ์ข้อมูลXทำให้ไม่จำเป็นต้องคำนวณเมทริกซ์ความแปรปรวนร่วมจริงเพื่อหา eigenfaces

การจดจำใบหน้าเป็นแรงบันดาลใจในการสร้าง eigenfaces สำหรับการใช้งานนี้ eigenfaces มีข้อดีเหนือกว่าเทคนิคอื่นๆ ที่มีอยู่ เช่น ความเร็วและประสิทธิภาพของระบบ เนื่องจาก eigenface เป็นวิธีการลดมิติเป็นหลัก ระบบจึงสามารถแสดงภาพบุคคลจำนวนมากได้ด้วยชุดข้อมูลที่ค่อนข้างเล็ก นอกจากนี้ ในฐานะระบบจดจำใบหน้า eigenface ยังค่อนข้างทนทานต่อการลดขนาดภาพอย่างมาก อย่างไรก็ตาม ระบบจะเริ่มล้มเหลวอย่างมากเมื่อความแตกต่างระหว่างภาพที่เห็นและภาพที่ใช้ในการตรวจสอบมีมาก

ในการจดจำใบหน้า รูปภาพในแกลเลอรี – ภาพที่ระบบเห็น – จะถูกบันทึกเป็นชุดของน้ำหนักที่อธิบายถึงการมีส่วนร่วมของแต่ละ eigenface ต่อภาพนั้น เมื่อใบหน้าใหม่ถูกนำเสนอต่อระบบเพื่อการจำแนกประเภท น้ำหนักของใบหน้านั้นจะถูกหาได้โดยการฉายภาพลงบนชุดของ eigenface ซึ่งจะให้ชุดของน้ำหนักที่อธิบายถึงใบหน้าเป้าหมาย จากนั้นน้ำหนักเหล่านี้จะถูกจำแนกเทียบกับน้ำหนักทั้งหมดในชุดแกลเลอรีเพื่อหาการจับคู่ที่ใกล้เคียงที่สุด วิธีการเพื่อนบ้านที่ใกล้ที่สุดเป็นวิธีการง่ายๆ ในการหาระยะทางแบบยุคลิดระหว่างเวกเตอร์สองตัว โดยค่าต่ำสุดสามารถจำแนกเป็นบุคคลที่ใกล้ที่สุดได้^{[ 3 ] : 590}

โดยหลักการแล้ว กระบวนการจดจำด้วยวิธี eigenface คือการฉายภาพที่ต้องการค้นหาลงในพื้นที่ใบหน้าซึ่งครอบคลุมโดย eigenface ที่คำนวณได้ และค้นหาภาพที่ตรงกันมากที่สุดกับกลุ่มใบหน้าในพื้นที่ใบหน้านั้น

รหัสเทียม^{[ 8 ]}

• เมื่อกำหนดเวกเตอร์ภาพอินพุตและเวกเตอร์ภาพเฉลี่ยจากฐานข้อมูลแล้วให้คำนวณน้ำหนักของ eigenface ที่ k ดังนี้:${\displaystyle U\in \Re ^{n}}$${\displaystyle M}$$${\displaystyle w_{k}=V_{k}^{T}(UM)}$$

  จากนั้นสร้างเวกเตอร์น้ำหนัก${\displaystyle W=[w_{1},w_{2},...,w_{k},...,w_{n}]}$

• เปรียบเทียบค่า W กับเวกเตอร์น้ำหนักของภาพในฐานข้อมูล แล้วหาค่าระยะทางแบบยูคลิด${\displaystyle W_{m}}$$${\displaystyle d=\|W-W_{m}\|^{2}}$$
• ถ้าเป็นเช่นนั้น รายการที่ m ในฐานข้อมูลจะเป็นผู้ที่มีโอกาสได้รับการยอมรับ${\displaystyle d<\เอปไซลอน _{1}}$
• ถ้าเป็นเช่นนั้นUอาจเป็นใบหน้าที่ไม่รู้จักและสามารถเพิ่มลงในฐานข้อมูลได้${\displaystyle \epsilon _{1}<d<\epsilon _{2}}$
• ถ้าไม่ใช่ภาพใบหน้า${\displaystyle d>\เอปไซลอน _{2},U}$

น้ำหนักของภาพแต่ละภาพในแกลเลอรีจะสื่อถึงข้อมูลที่อธิบายภาพนั้น ไม่ใช่ตัวบุคคล ภาพของบุคคลหนึ่งที่อยู่ภายใต้แสงด้านหน้าอาจมีน้ำหนักที่แตกต่างจากภาพของบุคคลเดียวกันที่อยู่ภายใต้แสงด้านซ้ายที่แรงมาก ซึ่งจำกัดการใช้งานของระบบดังกล่าว การทดลองในเอกสาร Eigenface ฉบับดั้งเดิมนำเสนอผลลัพธ์ดังต่อไปนี้: ค่าเฉลี่ย 96% เมื่อมีการเปลี่ยนแปลงแสง 85% เมื่อมีการเปลี่ยนแปลงทิศทาง และ 64% เมื่อมีการเปลี่ยนแปลงขนาด^{[ 3 ] : 590}

มีการขยายเพิ่มเติมหลายอย่างในวิธีการ eigenface วิธี การ eigenfeaturesผสมผสานเมตริกใบหน้า (การวัดระยะห่างระหว่างคุณลักษณะใบหน้า) กับการแสดง eigenface Fisherfaceใช้การวิเคราะห์การจำแนกเชิงเส้น^{[ 9 ]}และมีความไวต่อการเปลี่ยนแปลงของแสงและท่าทางของใบหน้าน้อยกว่า Fisherface ใช้ข้อมูลที่มีป้ายกำกับเพื่อรักษาข้อมูลเฉพาะคลาสไว้มากขึ้นในระหว่างขั้นตอนการลดมิติ

อีกทางเลือกหนึ่งนอกเหนือจาก eigenfaces และ Fisherfaces คือแบบจำลองลักษณะที่ปรากฏแบบแอคทีฟ (active appearance model ) แนวทางนี้ใช้แบบจำลองรูปร่างแบบแอคทีฟเพื่ออธิบายโครงร่างของใบหน้า โดยการรวบรวมโครงร่างใบหน้าจำนวนมาก การวิเคราะห์ส่วนประกอบหลัก (principal component analysis) สามารถนำมาใช้สร้างชุดแบบจำลองพื้นฐานที่ครอบคลุมความแปรผันของใบหน้าต่างๆ ได้

วิธีการสมัยใหม่หลายวิธีก็ยังคงใช้การวิเคราะห์ส่วนประกอบหลัก (Principal Component Analysis) เป็นวิธีการลดมิติ หรือเพื่อสร้างภาพพื้นฐานสำหรับรูปแบบการเปลี่ยนแปลงต่างๆ

Eigenface นำเสนอวิธีการจดจำใบหน้าที่ค่อนข้างง่าย โดยมีหลักการดังนี้:

• กระบวนการฝึกฝนนั้นเป็นแบบอัตโนมัติโดยสมบูรณ์และเขียนโค้ดได้ง่าย
• Eigenface ช่วยลดความซับซ้อนทางสถิติในการแสดงภาพใบหน้าได้อย่างเหมาะสม
• เมื่อคำนวณค่า eigenface ของฐานข้อมูลแล้ว การจดจำใบหน้าก็สามารถทำได้แบบเรียลไทม์
• Eigenface สามารถจัดการฐานข้อมูลขนาดใหญ่ได้

อย่างไรก็ตาม ข้อบกพร่องของวิธีการหาค่าลักษณะเฉพาะก็เห็นได้ชัดเช่นกัน:

• มันมีความไวต่อแสง ขนาด และการเคลื่อนย้ายเป็นอย่างมาก และต้องการสภาพแวดล้อมที่มีการควบคุมอย่างเข้มงวด
• Eigenface มีข้อจำกัดในการจับภาพการเปลี่ยนแปลงสีหน้า
• ลักษณะเฉพาะของใบหน้าที่สำคัญที่สุดส่วนใหญ่เกี่ยวข้องกับการเข้ารหัสแสงสว่าง และไม่ได้ให้ข้อมูลที่เป็นประโยชน์เกี่ยวกับใบหน้าจริง

เพื่อรับมือกับปัญหาการรบกวนจากแสงสว่างในทางปฏิบัติ วิธีการ eigenface มักจะตัด eigenface สามตัวแรกออกจากชุดข้อมูล เนื่องจากแสงสว่างมักเป็นสาเหตุของการเปลี่ยนแปลงที่ใหญ่ที่สุดในภาพใบหน้า eigenface สามตัวแรกจึงจับข้อมูลการเปลี่ยนแปลงของแสงแบบ 3 มิติเป็นหลัก ซึ่งมีส่วนช่วยในการจดจำใบหน้าน้อยมาก การตัด eigenface สามตัวแรกออกจะช่วยเพิ่มความแม่นยำในการจดจำใบหน้าได้ในระดับหนึ่ง แต่ยังมีข้อดีของวิธีการอื่นๆ เช่น fisherface และ linear space อยู่

• การวัดขนาดกะโหลกศีรษะและใบหน้า
• รูปลักษณ์ของมนุษย์
• การจดจำรูปแบบ

• M. Kirby; L. Sirovich (1990). "การประยุกต์ใช้ขั้นตอน Karhunen-Loeve สำหรับการจำแนกลักษณะใบหน้ามนุษย์" IEEE Transactions on Pattern Analysis and Machine Intelligence . 12 (1): 103– 108. doi : 10.1109/34.41390 .
• A. Pentland, B. Moghaddam, T. Starner, O. Oliyide และ M. Turk (1993). " พื้นที่ไอเกนแบบโมดูลาร์และอิงตามมุมมองสำหรับการจดจำใบหน้า " รายงานทางเทคนิค 245, MIT Media Lab.
• MH Yang (2000). "การจดจำใบหน้าโดยใช้ Kernel Eigenfaces". รายงานการประชุมนานาชาติว่าด้วยการประมวลผลภาพ . เล่ม 1. หน้า  37–40 . doi : 10.1109/ICIP.2000.900886 .
• R. Cendrillon; B. Lovell (2000). "การจดจำใบหน้าแบบเรียลไทม์โดยใช้ eigenfaces" (PDF) . การสื่อสารด้วยภาพและการประมวลผลภาพ . หน้า  269–276 . doi : 10.1117/12.386642 .
• T. Heseltine, N. Pears, J. Austin, Z. Chen (2003). " การจดจำใบหน้า: การเปรียบเทียบวิธีการที่ใช้ลักษณะภายนอกเป็นเกณฑ์ ". Proceedings of the VIIth Digital Image Computing: Techniques and Applications , vol. 1. 59–68.
• ดี. ปิซาเรนโก (2003) การจดจำใบหน้าโดยใช้ Eigenface
• F. Tsalakanidoua; D. Tzovarasb; MG Strintzisa (2003). "การใช้ eigenface ความลึกและสีเพื่อการจดจำใบหน้า". Pattern Recognition Letters . 24 (9): 1427– 1435. Bibcode : 2003PaReL..24.1427T . doi : 10.1016/S0167-8655(02)00383-5 .
• Delac, K., Grgic, M., Liatsis, P. (2005). " วิธีการทางสถิติตามลักษณะที่ปรากฏสำหรับการจดจำใบหน้า ". รายงานการประชุมสัมมนาวิชาการนานาชาติครั้งที่ 47 ELMAR-2005 ว่าด้วยระบบมัลติมีเดียและการประยุกต์ใช้ , ซาดาร์, โครเอเชีย, 8-10 มิถุนายน 2548, หน้า 151–158

• หน้าหลักระบบจดจำใบหน้า
• การวิเคราะห์องค์ประกอบหลัก (PCA) บนชุดข้อมูล FERET
• การพัฒนาลักษณะใบหน้าเฉพาะบุคคลด้านสติปัญญาและบริเวณใบหน้ารูปทรงกระสวย
• คู่มือการจดจำใบหน้าโดยใช้ Eigenfaces และตัวจำแนกตามระยะทาง
• โค้ดตัวอย่าง Matlab สำหรับ eigenfaces
• การใช้งาน PCA โดยใช้ OpenCV และ C++Builder6
• ตัวอย่างการใช้งานแอปเพล็ต Java สำหรับแสดงค่า eigenfaces เก็บถาวรไว้เมื่อวันที่ 1 พฤศจิกายน 2011 ที่Wayback Machine
• บทนำเกี่ยวกับ eigenfaces
• ฟังก์ชันการจดจำใบหน้าใน OpenCV
• การจดจำการแสดงออกทางสีหน้าโดยใช้ Eigenface ใน Matlab เก็บถาวรเมื่อ 2017-06-04 ที่Wayback Machine