matlab实现基于PCA的人脸识别算法

function FaceRecognition  
clear  % calc xmeansigma and its eigen decomposition    
close all  
allsamples=[];%所有训练图像   
for i=1:40      
    for j=1:5          
        if（i<10）  
           a=imread（strcat（‘E:\ORL_92x112\00‘num2str（i）‘0‘num2str（j）‘.bmp‘））;       
        else  
            a=imread（strcat（‘E:\ORL_92x112\0‘num2str（i）‘0‘num2str（j）‘.bmp‘））;    
        end            
        b=a（1:112*92）; % b是行矢量 1×N，其中N＝10304，提取顺序是先列后行，即从上到下，从左到右          
        b=double（b）;          
        allsamples=[allsamples; b];  % allsamples 是一个M * N 矩阵，allsamples 中每一行数据代表一张图片，其中M＝200     
    end  
end  
samplemean=mean（allsamples）; % 平均图片，1 × N    
figure%平均图  
imshow（mat2gray（reshape（samplemean11292）））;  
for i=1:200   
    xmean（i:）=allsamples（i:）-samplemean; % xmean是一个M × N矩阵，xmean每一行保存的数据是“每个图片数据-平均图片”   
end;     
% figure%平均图  
% imshow（mat2gray（reshape（xmean（1:）11292）））;  
sigma=xmean*xmean‘;   % M * M 阶矩阵   
[vd]=eig（sigma）;  
d1=diag（d）;   
[d2index]=sort（d1）; %以升序排序   
cols=size（v2）;% 特征向量矩阵的列数  
  
for i=1:cols        
    vsort（:i） = v（: index（cols-i+1） ）; % vsort 是一个M*col（注:col一般等于M）阶矩阵，保存的是按降序排列的特征向量每一列构成一个特征向量        
    dsort（i）   = d1（ index（cols-i+1） ）;  % dsort 保存的是按降序排列的特征值，是一维行向量   
end  %完成降序排列 %以下选择90%的能量   
dsum = sum（dsort）;       
dsum_extract = 0;     
p = 0;       
while（ dsum_extract/dsum < 0.9）         
    p = p + 1;            
    dsum_extract = sum（dsort（1:p））;       
end  
a=1:1:200;  
for i=1:1:200  
y（i）=sum（dsort（a（1:i）） ）;  
end  
figure  
y1=ones（1200）;  
plot（ay/dsumay1*0.9‘linewidth‘2）;  
grid  
title（‘前n个特征特占总的能量百分比‘）;  
xlabel（‘前n个特征值‘）;  
ylabel（‘占百分比‘）;  
figure  
plot（adsort/dsum‘linewidth‘2）;  
grid  
title（‘第n个特征特占总的能量百分比‘）;  
xlabel（‘第n个特征值‘）;  
ylabel（‘占百分比‘）;  
i=1;  % （训练阶段）计算特征脸形成的坐