图像矩阵matlab代码生成矩阵使用generate_matrix.m文件生成指定大小和特定等级的随机矩阵 命令- generate_matrix(25344, 200, 1); 在这里25344对应于图像大小（144 x 176），而200对应于视频中的帧数。请注意，第一个尺寸应大于generate_matrix（）中的第二个尺寸，这样我们的算法才能起作用。 （25344> 200） 此命令将生成一个200A.dat文件，该文件将用作我们的RPCA算法的输入 使用MATLAB使用ADMM运行RPCA在MATLAB中，使用admm_example.m文件运行RPCA的ADMM。 提供在上一步中生成的矩阵作为输入。 命令- admm_example('200A.dat'); 该命令将运行admm并将输出矩阵写入三个不同的文件，例如boyd_X1.dat等。 使用ADMM使用CUDA运行RPCA对于CUDA代码，请使用脚本compile_and_run.sh编译代码并运行文件。 提供输入矩阵作为此脚本的参数。 命令- ./compile_and_run.sh 200A.dat 此命令将运行

使用javaCv实现的人脸识别小程序，包含有ORL人脸库图片，使用了PCA降维再识别的方法，识别率不高，只有46%左右，但有一定的参考意义，注释写的很详细！

import numpy as np import matplotlib.pyplot as plt #载入数据 data=np.genfromtxt(data.csv,delimiter=,) x_data=data[:,0] y_data=data[:,-1] plt.scatter(x_data,y_data) plt.show() print(x_data.shape) #数据中心化 def zeroMean(dataMat): #按列求平均，即各个特征的平均 meanVal=np.mean(dataMat,axis=0) newData=dataMat

人脸图像的色彩信息也是人脸的重要特征，但现有的2D-PCA彩色人脸识别忽略了人脸色彩信息的空间关系。由此引入三阶张量表示，提出基于张量的2D-PCA（Tensor PCA）的人脸识别算法。Tensor PCA通过分解[n]模总体散布矩阵获得三个由最大特征值对应的特征向量组成的将张量样本投影到低维子空间的投影矩阵，并构造交替最小二乘法的迭代过程对矩阵进行优化得到最优投影矩阵，使得投影后的样本间的距离尽可能得大，以达到最佳分类识别的效果。Georgia Tech彩色人脸库的测试结果表明，与2D-PCA方法相比，识别正确率提升了5.53%，同时训练时间降低了78.1%。

KernelPca.m是一个MATLAB类文件，使您可以用很短的代码完成以下三件事。 1，用三个核函数（高斯，多项式，线性）（demo.m）用训练数据拟合核pca模型2.使用拟合的pca模型（demo.m）投影新数据3，确定出资比例（demo2.m） 有关更多详细信息，请参见github页面。 https://github.com/kitayama1234/MATLAB-内核-PCA [用法示例] ％有训练数据集“ X”和测试数据集“ Xtest” ％用'X'训练pca模型kpca = KernelPca（X，'gaussian'，'gamma'，2.5，'AutoScale'，true）; 使用拟合模型的％项目“ X” projected_X = project（kpca，X，2）; 使用已拟合模型的％project'Xtest' projected_Xtest = proj

主成分分析（PCA）被广泛应用于数据挖掘和机器学习； 本篇为第一次提出PCA的英文论文

使用主成分分析（PCA）实现人脸识别，并对两种分组方式的结果进行呈现。 MATLAB实现以及python的代码

github上评分比较高的一个用eigen实现的C++算法 写的挺好的

本设计为基于matlab的人脸识别系统，可读取ORL或者YALE人脸库或者自己的人脸，采用的方法可以通过下拉框形式切换成PCA,KPCA,LDA,K-L,BP神经网络多种方式，计算识别率，也可以调用笔记本自带摄像头进行识别。具备一个人机交互式GUI界面，界面友好，识别准确，同时配备相对应的操作说明和运行效果图，直接运行GUI文件即可完美运行。另外，诸如车牌，指纹识别，图象去雾，压缩，水印，疲劳检测，人数统计，声音信号处理等均可做技术交琉，欢迎一起探讨。

此程序是一个简单的PCA降维处理，程序中以SampleData.txt中的三维数据点作为输入，程序的输出存放在Results目录， 其中包括： 1. PCAResult.txt 存放经主元分析后在主元轴坐标系下的数据坐标。 2. DisplaySamples.ms 为3ds Max脚本文件，用3ds Max打开后可看到SampleData.txt表示的数据点。 3. DisplayResult.ms 为3ds Max脚本文件，用3ds Max打开后可看到将原3维数据在主元轴坐标系下降到2维后的数据点；同时该文件还显示了主元分析得到的前两个主元轴。