特征面（/?a?ɡ?n?fe?s/）是在計算機視覺的人臉識別問題中對一組特征向量的稱呼。使用特征面進行識別的方法是由Sirovich和Kirby開發的，并由MatthewTurk和AlexPentland在人臉分類中使用。特征向量是從人臉圖像的高維向量空間的概率分布的協方差矩陣中得出的。特征面本身構成了一個用于構建協方差矩陣的所有圖像的基礎集。這通過允許較小的基礎圖像集代表原始訓練圖像來產生降維。通過比較基集如何表示人臉，可以實現分類。

特征臉譜法開始于對人臉圖像低維表示法的探索。Sirovich和Kirby表明，主成分分析可以用在人臉圖像的集合上，形成一組基礎特征。這些基礎圖像被稱為特征圖片，可以通過線性組合來重建原始訓練集的圖像。如果訓練集由M張圖像組成，主成分分析可以形成N張圖像的基礎集，其中N<M.通過增加特征圖片的數量來減少重建誤差；但是，需要的數量總是選擇小于M.例如，如果你需要為M張人臉圖像的訓練集生成N個特征面，你可以說每個人臉圖像可以由所有K個特征或特征面的比例組成。面部圖像1=(23%的E1)+(2%的E2)+(51%的E3)+...+(1%En)。1991年，M.Turk和A.Pentland擴展了這些結果，提出了人臉識別的特征面方法。除了設計一個使用特征面的自動人臉識別系統外，他們還展示了一種計算協方差矩陣的特征向量的方法，使當時的計算機可以對大量的人臉圖像進行特征分解。人臉圖像通常占據一個高維空間，傳統的主成分分析在這種數據集上是難以實現的。Turk和Pentland的論文展示了根據圖像數量而不是像素數量的矩陣來提取特征向量的方法。一旦確立，特征面方法就被擴展到包括預處理方法以提高準確性。多重流形方法也被用來建立不同主體和不同特征（如眼睛）的特征面集合。

一組特征面可以通過對描述不同人臉的一大組圖像進行稱為主成分分析（PCA）的數學過程來生成。非正式地，特征面孔可以被認為是一組標準化的面孔成分，由許多面孔圖片的統計分析得出。任何人臉都可以被認為是這些標準臉的組合。例如，一個人的臉可能是由平均臉加10%的特征臉1，55%的特征臉2，甚至-3%的特征臉3組成。值得注意的是，不需要很多特征面結合在一起就能實現對大多數人臉的公平近似。另外，由于一個人的臉不是由數字照片記錄的，而只是一個數值的列表（在所使用的數據庫中每個特征面都有一個數值），所以每個人的臉所占用的空間要小得多。所創建的特征面將顯示為按特定模式排列的明暗區域。這種模式就是將臉部的不同特征挑出來進行評估和打分。

會有一個模式來評估對稱性，是否有任何風格的面部毛發，發際線在哪里，或對鼻子或嘴巴的大小進行評估。其他的特征面的模式就不那么簡單了，而且特征面的圖像可能看起來很不像一張臉。用于創建特征面并將其用于識別的技術也在人臉識別之外使用：手寫識別、唇語閱讀、語音識別、手語/手勢解釋和醫學成像分析。因此，有些人不使用"特征面"這個術語，而喜歡使用"特征圖像"。

為了創建一套特征面，人們必須。準備一個人臉圖像的訓練集。構成訓練集的圖片應該是在相同的光照條件下拍攝的，而且必須經過歸一化處理，使所有圖片的眼睛和嘴巴都保持一致。它們還必須全部重新取樣到一個共同的像素分辨率（r×c）。每幅圖像被視為一個矢量，簡單地將原始圖像中的像素行連接起來，產生一個具有r×c元素的單列。在這個實現中，我們假設訓練集的所有圖像都存儲在一個單一的矩陣T中，矩陣的每一列都是一個圖像。