人工智能 PCA人脸识别

效果查看

前4行为驯训练样本，后面为识别及处理的效果

实现过程

这里主要使用奇异值分解：

程序编程主要围绕这个公式进行：

读取样本

样本中心化

这里记得注意：矩阵中心化是按列处理，所以程序里对只有Mean[j],最后记得求均值。最后用样本减去均值，获得新的矩阵，就是中心化了

Matrix就是最后的中心化后的矩阵。里面的std[]用于求方差的，暂时不用理会

奇异值处理

这里直接调用函数，这里分别输出的就是三个目标值，特征值，左右奇异矩阵

数据处理

尤其图片原本是112*92的，按照原始图片大小处理，高达10304维，数据量太大，且处理起来有相当多的数据是没有意义的，这里按照特征值特征向量自身体现的属性处理，上一步得到的特征值Eig是按照特征值大小排列得到的，对一幅图像而言，取前n个特征值就可以将图片的大部分信息表现出来了,我们这里为了简化运算，取n=50,实际验证效果也是非常好的

这里要说明一点：

一定要注意：这里使用的特征向量是包含在左奇异矩阵的，并非右奇异矩阵里。

计算样本中心

这里要注意一下，在计算样本中心的时候，顺带着就把这50个样本人为的按照原始信息分类了，原始信息是5个人，每人10张图片，所以我们这里分为5类。

计算比较新样本对特征样本

注意这里比较的思想，是将目标对象中心化处理，将其与样本特征点积，求出目标与样本之间的距离，这个距离与训练样本与特征样本之间的距离比较，目标样本距离与训练样本哪个距离近，那目标样本就是那个样本。
注意，这个思想是将目标样本整体作为一个单位与训练样本比较，而不是用某个具体的 目标特征去比对，举个栗子：人们在回忆某个人的时候，你想起来的应该是这个人的脸的轮廓，大概模糊的样子而不会是你只想起这个人的眼睛是什么样的，鼻子是什么样的，而忘记大体轮廓的样子。这个要细品一下。

显示结果

我们将比较的结果显示出来：

验证

验证结果如下：
左侧文本框显示识别效果，下面就是识别后的图像。有兴趣的可以将代码下载回去沟通交流。