只是一个提示，在阅读您的评论后。每个图像（人脸）都表示为长度为的堆叠向量。不同的面孔组成了一个存储在大小为中的数据集。您可能会对使用 PCA 获得协方差矩阵的事实感到困惑，其中每个。您不会减少用于表示人脸的像素数量，而是会找到少量的特征面，这些特征面跨越适合表示您的脸的空间。尽管如此，特征面仍然存在于原始空间中（它们与原始面具有相同数量的像素）。$N$$X$$K\times N$$I = \{u_1, u_2, \ldots, u_D\}$$X^TX$$u_i \in \mathbb{R}^{N}$

这个想法是，您将获得的特征脸用作一种可用于执行人脸检测的原型。

此外，纯粹就存储成本而言，假设您必须保留一张包含个面孔的相册，每个面孔由个像素组成。无需保留所有面，您只需保留特征面，其中与分量得分一起，您可以重新创建任何面（精度有一定损失）。$K$$N$$K$$D$$D \ll K$

再澄清一点：在您原来的高维空间中，像素是维度。在新空间中，每个图像都表示为相对较少数量的基础图像（特征脸）的线性组合。所以在新空间中，特征面是维度。