PCA概论：主成分分析(PCA)算法的核心在于选取特征信息最多的前K个维度向量(向量之间相互垂直)，实现对原矩阵的重构，对数据的降维处理，但同时获得的方差最大，差异化最明显的重构矩阵，保留了尽可能多的特征信息。
基于PCA的人脸识别，将人脸矩阵按列切分合并成一个列向量，同时将多个人脸通过列合并形成一个二维矩阵(维度*照片数)，通过计算矩阵各行的平均值去均值化，即样本矩阵中心化，每一维度减去该维度的均值，得到矩阵M，使得每一维度的均值为0，使得每一个维度对结果的影响相同。
通过M*M(T)构建协方差矩阵，使用linalg.eig同时求出其特征值，与特征向量，按特征值按从大到小排列所得的特征向量组合成一个新的矩阵，所得的特征向量矩阵便是我们投影的方向。
通过对训练样本投影获得训练样本的投影集，通过对测试样本投影获得测试样本的投影集。使用欧式距离找出与测试样本最近的N张照片，判断其是否属于同一类的确定是否识别正确
图片引用自水印
