人脸识别与特征脸（简单介绍）
什么是特征脸
特征脸（Eigenface）是指用于机器视觉领域中的人脸识别问题的一组特征向量，该方法被认为是第一种有效的人脸识别方法。
PCA的具体实现思想见
【笔记】主成分分析法PCA的原理及计算
（在notebook中）
我们需要加载相应的方法fetch_lfw_people，其为一个人脸识别数据库，加载以后，就可以直接调用了，头一次使用要下载，具体情况见另一篇博客使用sklearn中的fetch_mldata的错误情况以及可能可行的解决方法，其中有说明
from sklearn.datasets import fetch_lfw_people
faces = fetch_lfw_people()
我们可以看到其中相应的内容
faces.keys()
结果为
其中faces.data.shape
结果为
对应的faces.images.shape
结果为（第一个为样本总数，对于每个样本都是62*47的图像）
然后我们随机出36张脸，首先对样本进行一个随机的排列，然后将随机的排列放入X中，然后取出X中前36张脸，然后看一下对应的数据
random_indexes = np.random.permutation(len(faces.data))
X = faces.data[random_indexes]
example_faces = X[:36,:]
example_faces.shape
结果为
绘制函数：
def plot_faces(faces):
fig,axes = plt.subplots(6,6,figsize=(10,10),
subplot_kw={'xticks':[],'yticks':[]},
gridspec_kw=dict(hspace=0.1,wspace=0.1))
for i,ax in enumerate(axes.flat):
ax.imshow(faces[i].reshape(62,47),cmap='bone')
plt.show()
plot_faces(example_faces)
图像为
可以使用faces.target_names来查看包含的人名
结果为
具体的实现特征脸
这里使用PCA的另一种构建方式svd_solver参数，让其等于randomized，希望使用随机的方式求解PCA（对所有的数据），这样来实例化pca，然后进行fit
%%time
from sklearn.decomposition import PCA
pca = PCA(svd_solver='randomized')
pca.fit(X)
结果为
使用pca.components_.shape来看一下有多少个维度及主成分
结果为
绘制图像，注意，图像越靠前，越能反映整个样本的总特征
plot_faces(pca.components_[:36,:])
图像为（这些就被称为特征脸）
因为有很多的图片是一个人一张，而有一些是一个人有很多张，这样出来的数据有的时候是不靠谱的，那么我们就可以获得样本数比较多的人的图片来增加准确度，我们可以
faces2 = fetch_lfw_people(min_faces_per_person=60)
通过faces2.data.shape，可以发现这样就会少很多
使用len(faces2.target_names)来看一下一共多少人名
结果为
这样faces2中就只有8个人，每个人不少于60张图片，这样的数据库就比较靠谱了
