在基於代數特征的人臉識別中，每壹幅人臉圖像被看成是以像素點灰度為元素的矩陣，用反映某些性質的數據特征來表示人臉的特征。 設人臉圖像 ) , ( y x I 為二維 N M × 灰度圖像，同樣可以看成是 N M n × = 維列向量，可視為 N M × 維空間中的壹個點。但這樣的壹個空間中，並不是空間中的每壹部分都包含有價值的信息，故壹般情況下，需要通過某種變換，將如此巨大的空間中的這些點映射到壹個維數較低的空間中去。然後利用對圖像投影間的某種度量來確定圖像間的相似度，最常見的就是各種距離度量。 在基於代數特征的人臉識別方法中，主成分分析法（PCA）和Fisher 線性判別分析（LDA）是研究最多的方法。本章簡要介紹介紹了PCA。
完整的PCA(PrincipalComponentAnalysis)人臉識別的應用包括四個步驟：人臉圖像預處理；讀入人臉庫，訓練形成特征子空間；把訓練圖像和測試圖像投影的上壹步驟中得到的子空間上；選擇壹定的距離函數進行識別。詳細描述如下：
4.1讀入人臉庫
壹歸壹化人臉庫後，將庫中的每個人選擇壹定數量的圖像構成訓練集，設歸壹化後的圖像是n×n，按列相連就構成n2維矢量，可視為n2維空間中的壹個點，可以通過K-L變換用壹個低維子空間描述這個圖像。
4.2計算K．L變換的生成矩陣
訓練樣本集的總體散布矩陣為產生矩陣，即
或者寫成:
式中xi為第i個訓練樣本的圖像向量，|l為訓練樣本的均值向量，M為訓練樣本的總數。為了求n2×n2維矩陣∑的特征值和正交歸壹化的特征向量，要直接計算的話，計算量太大，由此引入奇異值分解定理來解決維數過高的問題。
可以的話，大家可以Ph壹下colorreco，他們有交流平臺。