提出了一种新的同类通信辐射源个体识别方法．该方法选择矩形积分双谱(SIB)作为个体识别的主体特征参数，然后采用主元分析(PCA)方法从大量训练样本特征参数集中挑选低维、低复杂度的特征矢量，并在识别特征矢量中融合对分类具有显著贡献的辐射源调制特征参量，最后采用基于核函数的支撑矢量机(SVM)实现对辐射源个体识别．实验表明该方法在较低信噪比条件下具有较高的正确识别率(90％)，并能够较好地解决同型号、同批次通信辐射源的个体识别问题．

基于PCA的人脸识别算法实现毕业论文.doc

PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料

基于PCA和SVM的实时人脸识别： faceCapture:首先采集需要被识别人的人脸，每人采取10张，统一格式大小，放入人脸数据库中； ReadFace:读入训练的人脸数据； fastPCA:PCA降维； scaling:训练数据归一化； train:使用SVM支持向量机训练模型； imageAcquision: 读入人脸照片—>灰度化—>检测人脸—>扣出人脸—>归一化尺寸—>在训练集的特征子空间中降维—>在训练集每维的最大最小值上数据归一化—>利用训练好的模型预测—>显示

使用PCA、NMF和HOG特征，分别配以KNN（k=1,3,5）和SVM两类分类器，实现对交通标志的分类（包括对其余类的拒识）（Matlab完整源码和数据） PCA_KNN : PCA + KNN PCA_SVM : PCA + SVM NMF_KNN : NMF + KNN NMF_SVM : NMF + SVM HOG_KNN : HOG + KNN HOG_SVM : HOG + SVM

MATLAB实现PCA-GRU主成分降维结合门控循环单元多输入单输出回归预测（完整源码和数据） 数据为多输入回归数据，输入12个特征，输出1个变量。 运行环境MATLAB2020b及以上。

使用PCA-2D-PCA和2D-Square-PCA进行人脸识别 用于识别人脸的Python中PCA / 2D-PCA / 2D（Square）-PCA的实现： 单人图像 集团形象 识别视频中的人脸 ORL数据集的准确性 PCA（93.42％） 二维PCA（96.05％） 2D（平方）-PCA（97.36％） 要求 麻木 OpenCV 科学的 用法 在Face_Recognition类中，使用来自（pca，2d-pca，2d2-pca）的algo_type 在Face_Recognition类中，将reco_type用作 对于单张图片= 0 视频= 1 对于组图像= 2 该项目使用ORL数据集，您可以将数据集放置在images文件夹中，并在dataset.py文件中更改数据集的名称（可以使用提供的FaceExtractor通过提取面部来创建新的数据集） 运行Face_Rec

关于PCASIFT的源码，比较简单，适合初入门的新手。

PCA-SIFT matlab，对学习局部区域算子的人会有所帮助。

前几天上数字图像处理的时候学习了PCA人脸识别,趁热打铁，做一些学习记录。PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。在人脸识别上面，用PCA的主要目的就是把原来维度很高的图像，提取图像的主要成分（用于识别的特征），去掉不重要的成分，使得可以用比较少的维度来表示图像，以方便进行图形识别。