基于主成分分析PCA的人脸识别

目录
主成分分析PCA
基于PCA的人脸识别算法
matlab代码

 
主成分分析PCA
主成分分析（Principal Component Analysis,简称PCA）是最常用的一种降维方法。
PCA的主要目的是找到一个超平面（直线的高维推广）对所有样本数据进行表达，让样本点到这个超平面的距离足够近（最近重构性），以及让样本点在这个超平面上的投影能尽可能地分开（最大可分性），目的是在用低维的数据量表达高维的数据量的同时尽可能地保留原数据的特征。
PCA的主要思想是将n维特征映射到k维的空间上，我们把这新形成的k维特征叫做主成分。
 
举个例子，我们看到上图是一个二维空间的散点图，图上的数据点反映了它们本身的一些特征，现在我们可以用一条直线，也就是用一维的超平面去把这些特征给表现处理，下图就找到了这么一条直线，使得每一个原数据在这一条直线上的投影之间距离最大，也就是说，在这个方向上它们本身的特征体现得比较好。

 
那么我们怎么样才能够实现PCA的降维呢？
我们首先对需要降维的样本数据进行去中心化处理，即让样本中

基于主成分分析PCA的人脸识别最先出现在Python成神之路。