基于PCA（主成分分析）的人面识别，Matlab实现-CSDN博客

本文链接：https://blog.csdn.net/Matlab_ImagePro/article/details/136721555

博主简介：专注、专一于Matlab图像处理学习、交流，matlab图像代码代做/项目合作可以联系（QQ:3249726188）

个人主页：Matlab_ImagePro-CSDN博客

原则：代码均由本人编写完成，非中介，提供有偿Matlab算法代码编程服务，不从事不违反涉及学术原则的事。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

本次分享的是基于PCA（主成分分析）的人脸识别，用matlab实现。（有疑问或者想交流细节的QQ:3249726188）

一、简述一下这次PCA人脸识别的背景

博主最近被各位同学咨询最多的就是人脸识别和车牌识别相关算法，这次就介绍一下最为经典的PCA人脸识别算法，后续接下来其他博文，再介绍其他的人脸识别和定位相关算法，有兴趣或者需要的同学可以留意一下后续博文。

二、PCA人脸识别算法原理和流程

原理介绍：

主成成份分析 (Principal Component Analysis，PCA) 方法就是其中的一种。传统主成成份分析方法的基本原理是 ]：利用 K—L 变换抽取人脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图像比较进行识别。这种方法使得压缩前后的均方误差最小，且变换后的低维空间有很好的分辨能力。原理如下（详细原理可以阅读附件文献，这里不再细述）：

算法流程如下：

        1、读取训练集下指定个数的图像，将人脸的像素其保存到到一个二维数组中，将该数组按列排成列向量，即每一列表示一张图像的像素信息。如果有S张人脸图像，则X=[MN,S];
        2、每一行取得均值，每行的元素减去均值，得到每张人脸与平均人脸的差值，组成新矩阵X;
        3、计算X的协方差矩阵C，大小为MN*MN;

        4、计算C的特征值即特征向量，共有MN个特征值及特征向量;
        5、选择主成分，把特征值从大到小排序，选择前R个特征值使得R个特征值占所有特征值得90%以上，随后将特征向量按行排列，则P=[R,MN];
        6、将训练集投影到特征空间，Y=PX=[R,S]。

7、将测试集也投影到特征空间，假如测试集有K张图像，那么降维后矩阵为[R,K]。
8、每一张图像[R,1]与特征空间[R,S]用欧氏距离法求出与其最相近的一个图像，识别为该类。所有测试集识别完后，最后求出识别率。

三、Matlab实现效果

用matlab实现，打包到GUI上，效果如下：

训练集：