模式识别（5）K-L变换和PCA在人脸识别中的应用

这里简单总结下，人脸识别的一些理论基础。
想了解具体的特征值分解，奇异值分解，PCA主成份分析的数学原理。可以参考这篇博客。
http://blog.csdn.net/jinshengtao/article/details/18448355，写的还不错。
我下面讲的只是一个应用的过程分析。

1. 对图像的归一化：
   旋转：从一个人的图像中截取下头部，对头部图像进行旋转，似的双眼保持水平。
   剪裁：将双眼之间的距离变为图像的1/2，眼睛距离上边界的距离为0.5d，
   放大缩小：将采集到的图片变为原来正方形，大小为128*128，或者其他D×D大小的图片。
   灰度拉伸：增强对比度。
   通过上面的几个步骤，一张采集到的面部图片就变为一张标准脸。

2. 对训练样本（100张图片，每张图片大小为128*128）的总体进行矩阵操作：
   这里向量太多，就写在纸上，变成图片记录在这里吧。

通过以上几部，就完成了人脸识别的理论基础，其中最重要的就是特征的概念，降维的概念。在我的记录中，没有涉及太多的数学公式推导，只是直接使用了奇异值分解和K—L变换的结论。要弄明白具体原理，还得研究矩阵理论。