1、利用MATLAB的GUI完成系统的编程及系统界面2、基于PCA算法实现人脸识别；读取人脸数据库；主成分分析法降维并去除数据之间的相关性；数据规格化；SVM训练（选取径向基和函数）；读取测试数据、降维、规格化；用步骤4产生的分类函数进行分类（多分类问题，采用一对一投票策略，归位得票最多的一类）；输出匹配度最高的一个

pca算法建立pca的模型，所做的是pca算子可以在任意时候应用，另外这是基于matlab的实现

C语言实现的主成分分析法，PCA算法用于各个领域妥妥的

NULL 博文链接：https://gongwanlu.iteye.com/blog/1018161

对PCA算法进行改进，直接对二维图像进行处理，大大减低处理时间，增加识别率。

数据降维   在实际生产生活中，我们所获得的数据集在特征上往往具有很高的维度，对高维度的数据进行处理时消耗的时间很大，并且过多的特征变量也会妨碍查找规律的建立。如何在最大程度上保留数据集的信息量的前提下进行数据维度的降低，是我们需要解决的问题。   对数据进行降维有以下优点：   （1）使得数据集更易使用   （2）降低很多算法的计算开销   （3）去除噪声   （4）使得结果易懂   降维技术作为数据预处理的一部分，即可使用在监督学习中也能够使用在非监督学习中。而降维技术主要有以下几种：主成分分析(Principal Component Analysis，PCA)、因子分析(Factor Analysis)，以及独立成分分析(Independent Component Analysis, ICA)。其中主成分分析PCA应用最为广泛，本文也将详细介绍PCA。

基于matlab GUI实现PCA算法的人脸识别demo，很基础的一个demo应用，免费给大家参考。人脸识别的数据库是att数据库，你可以修改成自己的数据库，完成算法的验证。

本实验，利用PCA 算法，对据人脸数据集进行特征提取，选择少量特征便能得到理想的结果，实验验证采用欧式距离

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。

此为MATLAB程序，里面详细介绍了PCA主成分分析，并附有数据，希望对大家有帮助。