matlab主成分分析散点图_MATLAB主成分PCA人脸识别深度解析（一）

前言：人脸识别是一个很经典的课题，围绕它可以做成很多实际应用，比如教室人脸考勤，人脸门禁系统，无人超市购物系统，刷脸支付系统等等。可是，为什么这一切是靠什么进行匹配人脸的呢，怎么那么神奇呢。人脸识别的主流方法有PCA，KPCA，bp神经网络，卷积神经网络cnn，向量机SVM，LDA,ICA，稀疏矩阵等等方法。该文主要讲解PCA算法，讲PCA具体是怎么降维的，何为降维，怎么就降维了，以及何为人脸特征向量等。本人尽自己所能，讲到通俗易懂，平易近人，以简单的矩阵做枚举，讲的不好的地方多多包涵。

1、假设简单矩阵为人脸图像的矩阵

假定张三，李四，王五3人的归一化同样大小以后的灰度图像分别为A，B，C，为减少记忆量，其对应矩阵同名为A，B，C。

假设A如下：

2	1	3
4	2	1
1	2	0

用矩阵表示，就是

A=

2 1 3

4 2 1

1 2 0

假设B如下：

0	1	2
2	2	3
3	8	1

用矩阵表示，就是

B=

0 1 2

2 2 3

3 8 1

假设C如下：

4	0	3
1	1	0
3	4	5

用矩阵表示，就是

C=

4 0 3

1 1 0

3 4 5

1、对矩阵进行列向处理

对矩阵A, B,C进行按列排序转换，设I是m行n列的矩阵，matlab使用方式是：I1 = I(:)表示矩阵I生成m*n行1列的矩阵。

A= A(:)

同理，取列后的矩阵为：

同理，取列后的矩阵C为：

1、对矩阵进行行向处理

对取列后的矩阵A、B、C再进行转置，即将矩阵逆时针旋转90°，再上下镜像翻转180°，线性代数表示式是：(A)T , (B)T , (C)T, matlab公式为：A = A'；

对A进行转置，转置后的矩阵A为：

同理，转置后的矩阵B为：

同理，转置后的矩阵C为：

至此，完成了以下工作：

也就是原来3行3列的矩阵A,B,C变成了现在的1行9列，如下图所示：

张三A	2	4	1	1	2	2	3	1	0
李四B	0	2	1	1	2	2	2	3	0
王五C	4	1	3	0	1	4	3	0	5

1、取均值

对以上3个行向量取平均值，matlab调用格式为：mA=mean(samples)，如下图：

1、求偏差矩阵，即每个向量跟均值作差

张三李四王五的ABC向量分别减去平均向量mA，即samples-mA，对应像素相减，结果为下图所示：

因工作原因，MATLAB主成分PCA人脸识别深度解析（二）待续。。。抽丝剥茧深度解剖PCA主成分人脸识别系统算法，有需要可私心本人，会抽时间进行撰写。

创作不易，多多点赞，好评，转发。。。