基于PCA算法的人脸识别过程大致分为训练、测试、识别这三个阶段完成，在训练阶段，通过寻找协方差矩阵的特征向量，求出样本在该特征向量上的投影系数；在测试阶段，通过将测试样本投影到特征向量上，得到测试样本在该特征向量上的投影系数。最后，采用最小欧氏距离，找到了与测试样本最相近的训练样本图像。

用主成分的分析法来进行人脸识别的例子很经典，同时用BP神经网络对人脸进行训练学习

人脸识别正确率97.18%,1秒内完成。 能够在复杂的光线和背景下依然正确工作，并支持多张人脸在一个画面上的检测，识别，验证。戴眼镜和黑色人种也能检测和识别。能从多角度检测到人脸。 并带人鼻，嘴，眼镜,人脸左右边界的定位功能。 本软件是多光源主动识别版，要求用户配合采模板，并配合识别，在正上方有节能灯，镜头有方向滤光片的条件下，能达到最佳识别效果。 本软件要求有USB摄像头支持(最好是低照度高画质摄像头)。

该代码是用matlab编写的，为深度半非负矩阵分解算法，用于人脸识别的。

SeetaFace2采用标准C++开发，全部模块均不依赖任何第三方库，支持x86架构（Windows、Linux）和ARM架构（Android）。SeetaFace2支持的上层应用包括但不限于人脸门禁、无感考勤、人脸比对等。 编译简介 2.1 编译依赖 GNU Make 工具 GCC 或者 Clang 编译器 CM2.2 linux和windows平台编译说明 linux 和 windows 上的 SDK 编译脚本见目录 craft，其中 craft/linux 下为 linux 版本的编译脚本，craft/windows 下为 windows 版本的编译脚本，默认编译的库为64位 Release 版本。 linux 和 windows上的SDK编译方法： 打开终端（windows上为VS2015 x64 Native Tools Command Prompt 工具，linux 上为bash），cd 到编译脚本所在目录； 执行对应平台的编译脚本。 linux 上 example 的编译运行方法： cd 到 example/search 目录下，执行 make 指令； 拷贝模型文件到程序指定的目录下； 执行脚本 run.sh。 windows 上 example 的编译运行方法： 使用 vs2015 打开 SeetaExample.sln 构建工程，修改 Opencv3.props 属性表中变量 OpenCV3Home 的值为本机上的 OpenCV3 的安装目录； 执行 vs2015 中的编译命令； 拷贝模型文件到程序指定的目录下，运行程序。2.3 Android平台编译说明 Android 版本的编译方法： 安装 ndk 编译工具； 环境变量中导出 ndk-build 工具； cd 到各模块的 jni 目录下（如SeetaNet 的 Android 编译脚本位置为SeetaNet/sources/jni, FaceDetector的Android 编译脚本位置为FaceDetector/FaceDetector/jni），执行 ndk-build -j8 命令进行编译。 编译依赖说明：人脸检测模块 FaceDetector，面部关键点定位模块 FaceLandmarker 以及人脸特征提取与比对模块 FaceRecognizer 均依赖前向计算框架 SeetaNet 模块，因此需优先编译前向计算框架 SeetaNet 模块。

EBGM,PCA等四种不同的人脸识别算法

经典人脸识别算法，模式识别方式，使用vs2008开发平台，c++语言，对人脸图片进行LBP特征提取，再通过距离度量计算人脸相似度，在100人的小库中准确率超过80%

基于PCA的人脸识别算法，matlab实现，使用的是ORL数据库，需要配合使用

基于matlab实现pca主成分分析人脸识别，具体代码可以运行

基于MATLAB的人脸识别算法设计，本文件中包括源代码，算法介绍，ORL人脸库，程序在Matlab2016中可以运行。