Extração de características

Dado um espaço de características de dimensão $M$, os métodos de extração de características determinam um sub-espaço apropriado de dimensionalidade $m$ ($m < M$). Há métodos lineares e não lineares de extração de características, sendo que, de modo geral, processos lineares de extração de características podem ser definidos de acordo com a equação 1:

$$Y = H \cdot X,$$ (1)

onde $X$ é a matriz $M \times n$ de padrões em que cada coluna contém um padrão de treinamento, $H$ é a matriz $m \times M$ de transformação linear e $Y$ é a matriz $m \times n$ dos padrões derivados, sendo que $n$ é o número de padrões de treinamento. A seção 4.2 descreve como a matriz $X$ é criada quando os padrões são imagens de faces. Já os extratores de características não lineares não apresentam uma fórmula genérica. Dentre os extratores lineares estão: transformada de Fourier, análise de componentes principais (PCA), análise de discriminantes lineares (por exemplo, o discriminante de Fisher) e outras projeções lineares em geral. Em relação aos extratores não lineares, pode-se citar as redes neurais e outros métodos de projeção não lineares, como os heurísticos.