传统分类检测识别实例（一 人脸识别-Eigenface）

特征脸（Eigenface)理论基础-主成分分析（PCA）

步骤一：

获取包含M张人脸图像的集合S。在我们的例子里有25张人脸图像，如下图所示。每张图像可以转化成一个N维的向量（至于是横着还是竖着获取原图像的像素，只要前后统一就可以），然后把这M个向量放到一个集合S里，如下式所示：

步骤二：

在获取到人脸向量集合S后，计算得到的平均图像A。就是把集合S里面的向量遍历一遍进行累加，然后取平均值。得到的A也是一个N维向量，如果再把它还原回图像形式的话，可以得到如下平均脸。

步骤三：

计算每张图像和平均图像的差值 ，就是S集合里的每个像素减去步骤二中的平均值。

步骤四：

求矩阵中的特征向量

这些特征向量如果还原成像素排列的话，其实还蛮像人脸的，所以称之为特征脸。

步骤四：

人脸识别。上面几步是为了对人脸进行降维找到表征人脸的合适向量的。

首先考虑一张新的人脸，我们可以用特征脸对其进行标示。

训练集中的人脸也可以用特征脸进行标示。

计算欧式距离。