PCA(Principal Component Analysis)之个人理解

今天看论文，看到了PCA，顺便记录下来，但是PCA最经不是经常使用了，因为他的鲁棒性太差，人脸识别上对光照、姿态、表情、噪声都不鲁棒。现在做人脸识别一般用LBP和LDA，LBP对光照鲁棒，而LDA的分类效果好一些。

可以用PCA对图片进行降维。

下面步入正题，开始说PCA：

PCA即主成分分析：

假如我现在有80张训练集，我要对每一张图片进行降维，也可以说求这张图片的特征。加入这80张图片是100*100的，我们可以定义一个80*10000的矩阵这里记为A，

然后将这80张图片放入这个矩阵中，每一行一张图片。然后求这个矩阵的平均值矩阵，即也是80*10000的，记为B，

然后A-B=C，这个C称为特征脸（在人脸识别中）。

我们计算C*C的转置得到一个10000*10000的矩阵，记为D，求这个矩阵的特征值，特征向量，取特征向量的前d个，则是降为d维。

假如d=20，我们现在就有一个10000*20的矩阵，记为E，

将B*E得到的矩阵就是我们想要的矩阵，一个80*20的矩阵，每一行就是一张图片的特征，就能代表这张图片，同样也从原来的100维降到了20维，目的达到了也。

下面我们用图来说明下：比较直观点

我们已经从训练图片中得到了自己想要的每一张图片的特征，即那个80*20的矩阵。每一行代表一个图片。

现在我们有一张测试集的图片，我们如何来进行测试呢？？

加入我们测试集的图片也是100*100的， 那么我们就可以得到一个1*10000的矩阵，记为F，将F*E，我们就可以得到一个1*20的矩阵，利用这个矩阵和80*20矩阵中的每一行做欧式距离。这个我们就可以找出测试的这张图片是什么，他和谁的欧式距离越小，则说明他的哪张图片越接近。同样用图说明：

如果是人脸识别，就能知道这个人是谁。