为了获得有代表性的脸型,首先,必须将图像转换成低维的坐标系统,这个坐标系统保留原目标图像的有价值的属性。为降维而实行的变换是完全必要的。原图像的维数太高,因而要求大量的样品去直接了解外貌的类别。
降维的典型方法包括Karhunen-Loeve转换(也叫主元分析)或Ritz近似(也叫基于样品的表示)。有时也使用其他的降维法.包括Gabor变换、小波变换、特征柱状图、独立成分分析等。
所有这些方法有一个共性,那就是它们以维数较低的子空间有效地描述有高维空间的原图像。目标外貌是一个新的、低维的坐标系统,一旦获得一个低维的目标类(脸、眼睛等),就能使用标准的统计参数法来估计外貌的大体范围,同时,由于维数低就仅要求使用相对较少的样品来估计参数或类内判决函数。
这一方法重要变型是判别式模型,它着眼于类间差异而不是类本身,这一模型比概率密度函数的学习更有效、更精确。一个不同特征的简单的线性例子是Fisher判别式。也可以使用像Support Vector Machine一样的判别式分类符扩大类别之间的空白。
面像识别的这一技术与指纹识别技术中指纹门禁系统,指纹门禁单一及其在采集指纹然后进行指纹的对比过程的图像压缩技术有点相似。