在讀完Baback Moghaddam大神的論文之後，我們來講下具體的程式碼實現。我們以人臉的識別為例子，講述下具體的實現。

（1）首先我們需要有人臉的資料集，在這裡對應每個人只有一個照片在資料集中，例子中，人臉圖片的數目是9，每張圖片的size是40*40，我們講每張圖片reshape一下，改成1*1600的矩陣，所以 我們的人臉資料集是一個 9 * 1600的矩陣。每一行代表一個人臉，共九個。[這裡說明下，由於這九張人臉影象不是0-255,而test影象是0-255的，所以為了統一，我們標準化下這九張影象，即把每個點的畫素值 對映到0-255]。

（2）我們有一個全影象，上面有九個人的臉，我們需要做的就是，找到九個人臉的位置。

（3）對於（1）中的人臉資料集做PCA[直接使用matlab中的princomp函式]，得到

coeff（1600*1600） 是對應的特徵向量，每一列代表一個特徵向量，latent代表特徵值。在這裡我們取N =  9，M = 6[這裡我們為了方便計算，並沒有將N 取成1600，而是先降階一次，令P = coeff(:,1:9)].

並計算F = mean(faces) [size 大小是 1*1600],得到資料集的平均臉。

（4）新建一個矩陣vector，將test中的每個可能的候選位置，以及對應位置的子影象x,並把這個子影象reshape成1*1600，存放在這個矩陣中，由於test影象的大小是160*160， 所以這個新矩陣的size應該是（121*121，1600）,

（5）計算x~ = x - x_, 這裡的x是矩陣vector中的每一行，x_就是（3）中計算出的平均臉

（6）計算x~在新的特徵空間中的座標 ,由於matlab princomp函式的差異，y = x~ * P[size大小是14641 * 9],

（7）新建一個馬氏距離矩陣distance[size 14641 * 1]，並利用博文中的公式，計算出d(x), 由於這裡我們取N = 9，M = 6，所以 ρ = (1/3) * (sum(latent(7:9,1))).

距離影象如圖所示，我們可以發現有九個點的值是最小的[即最黑，因為極值點周圍的偏差的點也是很黑的，例如如果我們找到了定位點O，那麼與之相鄰的點P，這兩個點的匹配出來的馬氏距離應該都很小，當然O更小，但是問題來了，如果另一幅人臉的定位點是M，而如果P的定位點的馬氏距離比M 小，那麼我們就會發現我們並不能找到M 點，如果通過選取第二小的方式來找到M，因為P 比M 小]

（8）對應的解決方法是，我們找到第一小的點O之後，記錄下O 點的位置，並將以O為中心點的子影象x（40*40）全部改成distance中的最大值，這樣在第二輪尋找中，與O 相鄰的P 就不會被計算，而能找到下一個人臉的位置了。如此9次之後,我們找到了9個臉位於test影象中的座標

（9）將9個座標在原影象上表示出來，得到

我們發現，9個點都被定位成功，我們再來看下這九個點對應的馬氏座標

我們發現，馬氏距離最小的點，也是第一個被找到的點，如第7張人臉的馬氏距離最小，因此 第七張圖也是最早被找到的。