人脸识别算法之pca 主成分分析法

    完整的人脸匹配过程，我们大致可以分为以下几个步骤：（1）检测每张图片中的人脸，即人脸检测。（2）对每张图片中的人脸进行特征向量的提取，以特征向量组成的矩阵来表示图像。（3）对查询的图片做相同的操作，即进行人脸检测和特征向量提取。（4）将得到的查询图片的特向量与图像库中的每个特征向量进行相似度的计算。返回图像库中与查询图片相似度最高的图片。今天要讲的主要就是这几个步骤中的第二、三步，我们利用主成分分析法来进行特征向量的提取。

    主成分分析法，以下简称pca，主要目的是降维，用降维来去除杂质，减少变量个数，同时确保这些变量之间的独立性，从而增加变量的代表性和变量之间的区分度。具体到我们的图片这里，我们可以认为图像

    pca算法的主要步骤有以下几步：

    （1）特征中心化。即矩阵A中每一维都减去该维的平均值，得到矩阵B。

    （2）计算矩阵B的协方差矩阵C。

    （3）求出矩阵c的特征向量和特征值。

    （4）对特征向量按照特征值的大小进行降序排序，选出前k个特征向量，组成新的矩阵。这个矩阵便是我们的投影矩阵。我们将图片投影到这个矩阵上，即可得到降到k维后的数据，这个数据，便是我们要提取的人脸特征向量。

    下面我们以m张30*40的图片为作为图像库来举例：首先我们将30*40的图片平铺，m张图偏形成一个m*1200的矩阵A。之后我们对矩阵的每一行对减去该行的均值得到矩阵B。并对其求协方差矩阵