Phương pháp mặt riêng (Eigenfaces) dựa trên việc phân tích thành phần chính (Principle Component Analysis - PCA), được phát triển bởi Sirovich và Kirby (1987) sau đó được dùng trong [27, 28]. Ý tưởng chính của phương pháp mặt riêng là dữ liệu có thể phân bố theo rất nhiều chiều trong không gian, tuy nhiên chỉ biến
đổi nhiều nhất theo một số hướng chính. Do đó thay vì phải lưu giữ tất cả thông tin phân bố dữ liệu vừa tốn kém lại tốn chi phí xử lý, chúng ta chỉ cần lưu lại những hướng chính nhất của dữ liệu. Số lượng những hướng chính này chỉ chiếm một phần nhỏ nhưng lại mô tảđược hầu hết những đặc điểm chính về phân bố của dữ liệu, do
đó việc giữ lại chỉ những hướng chính này cũng có thể cho phép đạt được kết quả
tương đương với toàn bộ dữ liệu. Cho trước cơ sở dữ liệu gồm M ảnh mặt người . Quá trình tính toán các mặt riêng được mô tả như sau:
Tính toán ảnh mặt trung bình:
Trừ mỗi ảnh mặt bởi giá trị trung bình này .
Tính toán ma trận :
Tính toán vector riêng và trị riêng của ma trận C. Các vector riêng này cũng chính là các mặt riêng trong phương pháp mặt riêng.
Chọn K mặt riêng ứng với K trị riêng lớn nhất.
Với một ảnh mặt người bất kì , quá trình rút trích vector để biểu diễn được thực hiện bằng cách trừ cho vector trung bình và chiếu lên tập K mặt riêng để
thu được các thành phần của vector biểu diễn cho , với
được tính như sau:
Giá trị trọng số cũng cho thấy đóng góp của mỗi mặt riêng đối với ảnh đưa vào. Cách sử dụng mặt riêng có lợi thế hơn phương pháp khác là khá đơn giản và cần ít bộ nhớđể biểu diễn một ảnh. Hình 2-8 là một số mặt riêng sau quá trình rút trích.
Hình 2-8: Mặt riêng(Nguồn).