PCA原理和eigenface实现

eigenface实现步骤

1) 将训练集的每个人脸图像拉成一列，将训练样本组合成一个大矩阵$A$；假设每副人脸图像 $x_i$的大小为M×M，拉成一列后每个人脸样本的维度为$d = M×M$，假设有N个人脸图像，整个样本矩阵的维度为d×N， $A=(x_1, x_2, ....x_N)$ ；输入矩阵为$A$ ，输出矩阵为$Z$。

2) 将所有的N个人脸在对应的维度上相加求平均值，得到一个平均列矩阵 $u = d×1$；这个 $u$ 为所有人脸样本的”平均脸“图像。

3) 样本数据中心化： 将N个人脸图像$x_i$都减去平均脸图像$u$ ，得到差值图像数据矩阵 φ ：$φ = (d×N)$

4) 计算协方差矩阵 $S = φ φ^T$， $S =(d×d)$，再对其进行特征值分解，计算S 的特征值$\lambda_i$和特征向量$\omega_i$， Sωi=λiωi