Eigenface 算法将图像块（例如啤酒的标志）转换为公共数据空间，在该公共数据空间中执行最近邻搜索以进行分类。为了使用特征脸，您需要一个训练数据集来计算公共数据空间。因此需要一些时间来定义一个合适的训练集。

一旦你有了合适的训练集，我相信 Eigenface 肯定会在啤酒类型识别方面发挥作用。作为替代方案，您可以使用不需要训练集的无监督学习方法。为此，请查看http://deeplearning.net/

这个OpenCV 文档页面建议Eigenfaces算法只是使用 PCA 进行降维和通过最近邻搜索进行分类。Fisherfaces使用线性判别分析，其目的是最大化类间方差，同时最小化类内方差，因此在某些情况下可能表现更好。这些降维方法都没有以任何有意义的方式特定于人脸（甚至图像），因此您应该能够将相同的算法用于一般图像分类问题。

不过需要注意的一件事是，您的普通分类算法（如最近邻搜索）的成功率将高度依赖于训练数据的质量。对于人脸，您可以避免使用灰度图像，因为两张不同人脸图像之间的很多差异都编码在数据的空间分布中。对于啤酒，我会考虑通过使用彩色图像来利用瓶子类型之间的颜色差异，即使您必须减少像素数。

只是为了好玩，我可能还会查看其他分类算法以用于您的 PCA 或 LDA 处理的数据。例如，OpenCV 包括支持向量机，它几乎总是比简单的最近邻搜索性能更好。