OpenCV中EigenFace/FisherFace的train方法长时间无法完成问题咨询

以下是导致EigenFaceRecognizer和FisherFaceRecognizer训练耗时远高于LBPHFaceRecognizer的核心原因：

• 算法数学复杂度差异
  EigenFaceRecognizer基于主成分分析(PCA)，FisherFaceRecognizer基于线性判别分析(LDA)，两者都需要对高维像素矩阵计算协方差并做特征值分解，时间复杂度为O(n³)。当样本数量多、图像分辨率高时，计算量会呈指数级增长。而LBPHFaceRecognizer提取局部二进制纹理特征，仅做逐区域的简单运算，复杂度接近线性O(n)，自然更快。

• 输入数据的严格要求未满足
  EigenFace和FisherFace强制要求所有输入图像为相同尺寸的灰度图。如果数据集存在尺寸不一致、未转灰度的情况，OpenCV内部的隐式预处理（缩放、通道转换）可能会产生额外的计算开销，甚至因数据格式混乱导致计算异常卡顿。LBPH对图像尺寸兼容性更强，无需严格统一即可快速处理。

• 样本与维度的匹配限制

  • EigenFace要求样本数量≤图像总像素数，若样本数远超像素维度，PCA的特征值分解会变得异常复杂；
  • FisherFace要求每个类别的样本数＞类别总数，否则协方差矩阵会出现奇异值，导致计算陷入死循环或超长耗时。
    而LBPH没有这类限制，只要样本格式正确就能正常运行。

• OpenCV内部实现优化差异
  LBPHFaceRecognizer的OpenCV实现做了大量工程优化，比如局部并行计算、简化特征提取逻辑；而EigenFace和FisherFace的实现相对老旧，针对大样本的并行优化不足，尤其是CPU环境下，大矩阵运算多为单线程执行，进一步拉长了训练时间。

内容的提问来源于stack exchange，提问作者zaxunobi