「Paper Reading」Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection

本文解决的是Face Recognition问题，作者所提出的Fisherface方法可以对光照变化（光照强度，光源数量以及方向的变化）以及面部表情变化不敏感。并且比较了四种方法: Correlation， Eigenfaces，Linear Subspaces， Fisherfaces算法描述以及各自的优势劣势。

问题描述：我们有一组带标记的face images，即learning set训练集；还有一组无标记的需要识别的face images，即测试集；测试集所有的人脸类别都来自训练集。我们需要设计算法，来判断出测试集图片都属于哪个类别。我们假设这些face images都已经被对齐。

新方法Fisherface的核心思想：1. 假设面部是Lambertian surface，特定的面部在不同的光照但固定视角下的图像，都落在高维图片空间的三维线性子平面内；2. 由于阴影、反射光以及表情的变化，上述1的描述可能不成立，即这些影响因素导致face images部分区域不在三维线性子平面内。

首先，我们来看看Correlation方法。Correlation是nearest neighbors algorithm中最简单的一种策略。首先对所有图片进行normali