第一篇：漢王人臉識別使用手冊
漢王人臉識別考勤機操作流程簡介
漢王“人臉通”操作流程
1、固定考勤機的高度與位置(必須在室內避光的地方，高度必須按圖紙上的尺寸安裝)并在一邊貼好“注意事項”。
2、在電腦上新建一個文本文件，文件名必須改為：userlist，打開userlist文本文件錄入工號和名字，工號和名字中間用“TAB”鍵隔開，輸完一個工號和名字回車換行，再輸入別的工號和名字，切記不能有多余的空格和回車!
3、把userlist文件拷貝到U盤里。
(userlist文件必須是唯一的;用戶在建立完Userlist文件后，要妥善保存該文件，當用新員工入職的時候，在原由的文件上增加，如果重新建立該文件的話，有可能造成原用戶姓名丟失;Userlist文件中的工號前不需要加0，如果加了，軟件也會自動給清楚掉的。)
4、在考勤機上設定一個管理員(最好設兩到三個管理員)。
5、管理員把“工號和姓名列表導入到設備”中。
6、登記人臉：登記用戶時，輸入工號就會顯示出中文姓名，對照工號和姓名不定期采集人臉數據;(一定要按照注意事項中提示來登記，如果是帶眼鏡的客戶，最好是戴眼鏡錄一半不戴眼鏡錄一半)人臉到攝像頭的距離為30-80CM之間。
7、所有員工登記完后，管理員用“U盤”導出所有用戶，會在U盤上自動保存一個userall的文本文件。
8、安裝漢王人臉門禁考勤管理軟件，注意：安裝默認的路徑中盤符可以修改，其它的不要修改。軟件只能在windowsXP下運行!
9、在“設備管理”中添加一個設備，默認IP為192.168.0.
210、打開“員工管理”選“導入”再選“從文本文件導入”找到U盤或硬盤里的“userall”文件，點“打開”即可導入所有用戶的信息。
11、修改和添加部門名稱，剛開始導入的用戶默認都在“未分配人員”中，可以給員工分配部門，以便日后方便管理。
12、班次設置：根據不同的單位上班情況來設置。如：正常班，倒班，簽到班等。
13、排班與出勤調整(注：只有給員工排班后才可以生成報表!!!)
14、開始考勤(做好保護設施，防止有人故意破壞設備)
15、月底導出考勤記錄到U盤，再從軟件中：記錄下載 / 選擇一個設備 / 從文件接收 / 選擇Time文件，即可接收考勤記錄。
16、記錄處理與報表，生成報表以及考勤記錄、門禁記錄查詢等。
(月底注意：在導出本月考勤記錄后，保存到電腦上，并在下個月考勤前把設備上本月考勤記錄刪除，以便下個月考勤記錄操作不受影響，否則數據太大造成操作緩慢!)
第二篇：人臉識別考勤機簡單使用說明
考勤機軟件簡單使用：
使用方法：
? 貴學校采用定時簽到的考勤方式，因此需要班次類型為“簽到班”。
? 已在管理電腦考勤軟件【班次設置】上設定了簽到班的多種簽到班次形式。
? 在【人員排班設置】里把每個人的班次設上，(鼠標左鍵選定需要排班的日期，也可左
鍵拖動選擇連續的多個天數)，暫全部設置為“正常簽到班”，周日不選，為空白。周六設為“周六簽到班”。
? 每天可根據教師課程表，把某老師某天的{人員排班}設置為“上午第一節有課”“上午
第四節有課”“下午第一節有課”“下午第四節有課”“周六上午第一節有課”“周六上午
第四節有課”等類型，(單天排班變更方法：在【人員排班設置】里，選中需要更改的那個老師的日期，單擊鼠標右鍵，在彈出對話框中點選所需的班次類型。
? 請假一天需要在【出勤記錄調整】中，選擇某人某天，單擊右鍵選擇請假類型即可;請
假半天需要在【人員排班設置】里選擇對應班次類型即可。
? 統計簽到次數可在【統計報表】里點擊【簽到班個人統計報表】標簽，點擊【記錄處理】
即可;統計所有人需要在【部門】里選擇{未分配}，工號姓名不填。
? 統計后點【導出數據】選‘Excel文件’，然后打開導出的電子表格文件，刪除其他無用
信息，在某列填上“缺簽數”，輸入公式(應簽到減實簽到)，拖動鼠標填充整列，就得出“缺簽數”。
考勤管理須知：
? 人臉識別考勤機在現階段能有效替代代簽問題
? 對于有規律有規則的考勤方式，可減少考勤管理人員的工作量
? 對于不確定的班次需要根據當天的教師課程排班表，由考勤管理人員手工錄入當天排班
班次，否則需要更改學?？记谥贫?，全體教師按時參與機考，可大大減少考勤管理人員的工作量。
? 熟能生巧，每一項新事物都需要一定時間去磨合去適應。
? 管理軟件需要定時從考勤機下載“下載設備記錄”“從設備導入人員”
? 管理軟件數據需要做好備份工作
第三篇：人臉識別小結
人臉識別總結
一、概述
生物特征識別技術包括人臉識別、指紋識別、語音識別、表情分析及理解、虹膜識別等 人臉識別的實質就是借助計算機工具來分析人臉面部圖像，采用不同的特征表示方法提取有效地人臉特征，是可用來辨識身份的一門自動處理技術，常見重要應用案例包括銀行和軍事重地的自動門禁系統、智能人臉監控系統、用于公共交通體系中安檢系統的嫌疑人自動識別系統、網絡服務中的在線驗證系統等。 產生不同個體較大差異性的內在因素主要有種族、性別、年齡、心理等。外在因素主要有光照變化、角度偏轉、姿態、噪聲千擾、遮擋、以及化妝遮擋物等。 18世紀,就有一篇依據人臉特征信息進行身份鑒別的文章發表在《Nature》上,開啟了近代最早的人臉識別研宄，最早的自動人臉識別系統是由Chan和Bledsoe創于1965年 人臉識別包括四個主要步驟：圖像預處理、人臉檢測、面部特征提取和分類識別。
二、研究領域
1、身份驗證領域：通過人臉識別技術來判斷和鑒別當前用戶是否合法或者具備相應的功能權限，例如2008年北京奧運所采用的人臉識別系統。
2、智能視頻監控領域，例如車站安裝智能監控系統,該系統中加入了人臉識別技術以捕捉人群中的可疑罪犯。
3、人機交互領，例如人臉面部為視覺系統提供了最為主要的特征信息。
三、人臉識別方法及其算法
(一)方法分類
可以分為：基于幾何特征的人臉識別、基于彈性圖匹配的人臉識別、基于子空間分析的人臉識別、基于神經網絡的人臉識別、基于隱馬爾可夫模型等。 ? 經典的特征臉“Eigenface”就是該時期由麻省理工學院的M.Turk和A.Pentlaiid提出的，采用PCA變換對原始圖像進行降維處理,然后再進行分類識別。 ? ? P.Belhumeur等提出的Fisherfaces人臉也被廣泛應用在人臉識別中。
90年代中后期,出現了一種基于動態連接結構(Dynamic Link Architecture)的彈性圖匹配(Elastic GraphMatching)識別方法。 ? 90年代末支持向量機被應用到人臉識別技術中。
(二)流行算法
主要分為：等距離映射_(Isometrical Mapping,簡稱 ISOMAP)、局部線性嵌入(Locally LinearEmbedding,簡稱LLE、拉普拉斯算子特征映射(Laplacian Eigenmaps)、拉普拉斯臉(Laplacianface)方法?；诶绽笲elkin M等提出局部投影(LPP)方法。 近期算法包括： ? 基于稀疏表示的人臉識別方法(Sparserepresentation recognition, SRC) 針對此識別方法還出現了較多的改進模型,典型的有
? 基于Gabor的稀疏表示 ? 基于Metaface的稀疏表示等
(三)難點
1、人臉圖像的成像條件包括較大的隨機性：光照變化、姿態變換、表情變化、發 型改變、化妝、以及遮擋等復雜條件
2、人臉面部圖像的復雜的三維結構屬性：包括線性結構和非線性結構
3、人臉圖像數據的維數問題
4、不同個體間的面部特征的差異性
四、人臉特征提取研究
(一)人臉特征提取和識別算法分類
? ? 基于統計方法 基于幾何方法
(二)具體實現
? 主成分分析(principal component analysis, PCA)是一種典型的數據處理和數據降維方法
? Sirovich和Kirby首先研究人臉降維過程，采用基于鏡像臉的技術 ? M.Turk_提出了基于PCA表示的特征臉的概念
? Fisher線性判別方法也是人工智能和模式識別領域中的重要方法之一
? Foley和Sammon提出了基于Sammon最佳鑒別平面的技術
? Duchene和Leclercq提 出了針對多類問題的Foley-Sammon最佳鑒別矢量集的求解公式
? Turk和Pentland提出了基于特征臉的特征提取方法 ? Kittler又提出了基于Fisher鑒別準則的提取面部特征方法 ? Hong和Yang提出了采用SVD進行特征提取方法 ? Cheng等改進并提出了一種新的相似性鑒別準則
? Liu等提出了基于最佳鑒別廣義平面和最佳鑒別廣義矢量集的一系列特征提取方法 ? 郭等在此基礎上提出了改進的最佳鑒別矢量方法 ? 吳等又改進了廣義最佳鑒別矢量方法 ? 基于模型的特征提取方法
? Kass等首次提出了主動輪廊線模型(Active Contour Model,ACM), ACM也被稱為Snake模型
? Lee等提出了一種改進Snake模型的方法,改進方法是由正面和側面結構化特征來對面部進行特征點定位
? 基于統計參數化模型的主動形狀模型(Active Shape Model, ASM) ? 優勢在于它不僅能有效地定位和提取目標物體的外部輪廓信息,而且能提取目標物體的內部輪廓和形狀特征
? Cootes等在ASM基礎上提出了主動表觀模型 (Active AppearanceModel,AAM)
(三)需要解決的問題
1、根據奇異值分解原理可以得到人臉圖像的奇異值向量所在的基空間(矩陣)是由 人臉圖像本身決定的。
2、當光照、姿態、表情變化以及遮擋等復雜條件下,人臉的表象會產生較大變化, 從而造成人臉識別系統的性能下降
。
3、需要構造一種能有效描述目標紋理特性的局部紋理輪廓模型,進一步提高模型的 特征點定位精度。
第四篇：前沿人臉識別綜述解讀
人臉識別綜述
王軍軍
(西安交通大學，西安，710086)
摘要：人臉識別已成為多個學科領域的研究熱點之一，本文對人臉識別的發展歷史、研究現狀進行了綜述，系統地對目前主流人臉識別方法進行了分類針對人臉識別面臨的挑戰，著重對近幾年來在光照和姿態變化處理方面的研究進展進行了詳細淪述，并對未來人臉識別的發展方向進行了展望。
關鍵詞：人臉識別，人臉檢測，模式識別
一、引言
人臉識別是近年來模式識別、圖像處理、機器視覺、神經網絡以及認知科學等領域研究的熱點課題之一。所謂人臉識別，是指給定一個場景的靜態圖像或動態視頻，利用存儲有若干已知身份的人臉圖像的數據庫驗證和鑒別場景中單個或者多個人的身份[1]。人臉識別按照人臉信息的來源可以分為兩類:基于靜態人臉圖像的識別和基于包含人臉的動態視頻信息的識別。因為動態視頻信息并不能明顯提高人臉識別的性能，因此本文只研究基于靜態人臉圖像的識別[2]。
作為生物特征識別的一個重要方面，人臉識別在檔案管理系統、安全驗證系統、信用卡驗證、公安系統的罪犯身份識別、銀行和海關的監控、人機交互等領域具有廣闊的應用前景。與指紋識別、視網膜識別、虹膜識別等[3]技術相比，人臉識別技術在數據采集方面手續比較簡單，使用者更容易接受。人臉作為生物特征，雖然唯一性比指紋和虹膜要差[4]，在高安全性要求的系統中只能作為輔助手段。然而，對于一般安全性要求的身份驗證和鑒別系統[5]，人臉識別技術已經足夠應用了。
人臉識別研究在二十世紀六七十年代引起了諸多學科領域研究者的濃厚興趣。進人九十年代后，隨著各行業對人臉識別系統的迫切需求，人臉識別研究再次成為熱門課題。當前世界各國有許多研究機構在從事這方面的研究，這些研究受到軍方、警方以及大公司的高度重視和資助[6]。美國軍方還專門組織了人臉識別競賽以促進人臉識別研究的發展。經過三十多年的研究，人臉識別已經成為圖像分析與圖像理解領域最成功的應用之一研究人員提出了很多識別方法，建成了一些實驗系統，也有一些成功的人臉識別商業軟件投人市場。
人臉識別作為模式識別的一種，一般可以分為三個組成部分:從場景中檢測并分割人臉;抽取人臉特征;匹配和識別人臉[7]。由于人臉檢測已經發展成為一個獨立的課題，具有特定的思想和方法，所以本文假定人臉已經被正確檢測并從場景中分割出來。
二、人臉識別的方法
目前，人臉識別的方法大致可以分為以下幾類：基于幾何特征的方法、基于模型的方法、基于統計的方法、基于神經網絡的方法和多分類器集成的方法[8]。目前主流的方法有基于幾何特征的方法和基于模型的方法。
2.1基于幾何特征的方法
文獻中記載最早的人臉識別方法就是Bledsoe[9]提出的基于幾何特征的方法。該方法以面部特征點之間的距離和比率作為特征，通過最近鄰方法來識別人臉，以該方法建立的人臉識別系統是一個半自動系統，面部特征點必須由人手工定位。也正是由于人工的參與，該系統對光照變化和姿態變化不敏感[10]。
側影[11](Profile)識別也是早期基于幾何特征人臉識別的一個重要方法，其基本原理是從人臉的側影輪廓線上提取特征點，將側影轉化為輪廓曲線，從中提取基準點，根據這些點之間的幾何特征來進行識別，由于側影識別相對較簡單且應用面小，對側影識別的研究較少。
基于幾何特征的方法非常直觀，識別速度快，內存要求較少，提取的特征在一定程度上對光照變化不太敏感[12]。但是，當人臉具有一定的表情或者姿態變化時，特征提取不精確，而且由于忽略了整個圖像的很多細節信息，識別率較低，所以近年來已經很少有新的發展。
2. 2基于模型的方法
隱馬爾可夫模型[13]( Hidden Markov Model,HMM)是一種常用的模型，基于HMM的方法首先被用于聲音識別等身份識別上，之后被Nefian和Hayes引人到人臉識別領域。它是用于描述信號統計特性的一組統計模型。HMM用馬爾可夫鏈來模擬信號統計特性的變化，而這種變化又是間接通過觀察序列來描述的，因此馬爾可夫過程是一個雙重的隨機過程。在HMM中結點表示狀態，有向邊表示狀態之間的轉移，一個狀態可以具有特征空間中的任意特征，對同一特征，不同形態表現出這一特征的概率不同[14]。在人臉識別過程中，Nefian首先采用兩維離散余弦變換(Discrete Cosine Transform,DCT)抽取人臉特征，得到觀察向量，構建HMM人臉模型，然后用EM ( Expectation Maximization)算法訓練，利用該模型就可以算出每個待識別人臉。觀察向量的概率，從而完成識別。HMM方法的魯棒性較好，對表情、姿態變化不太敏感，識別率高[15]。
主動形狀模型[16](Active Shape Model, ASM)方法由Cootes等人提出，Cootes對形狀和局部灰度表象建模，用建立的ASM在新的圖像中定位易變的物體。后來，Lanitis等將其應用于解釋人臉圖像，在使用ASM找出人臉的形狀后，將人臉切割并歸一到統一的框架，對這個與形狀無關的人臉采用亮度模型來進行解釋和識別，其魯棒性和識別效率均較高，但需要手動標會人臉的特征點，算法的自動化程度有待加強。
主動表象模型[17]( Active Appearance Model, AAM)可以看成是對ASM的進一步擴展，是一種通用的非線性圖像編碼模式，通過變形處理將通用人臉模型與輸人圖像進行匹配，并將控制參數作為分類的特征向量。
2.3 基于統計的方法
基于統計的方法將人臉圖像視為隨機向量，從而用一些統計方法來分析人臉模式，這類方法有著完備的統計學理論支持;得到了較好地發展，出現了一些較成功的算法。
特征臉[18](Eigenface)方法由Turk和Pentland提出。對于每一幅人臉圖像，按照從上到下、從左到右的順序將所有像素的灰度值串成一個高維向量，然后通過主成分分析(Principal Component Analysis, PCA)將高維向量降低維數。用PCA[19]降維主要基于以下三點:(1)壓縮功能，在低維空間內比較圖像將提高計算效率;(2)人臉樣本的分布近似正態分布，方差大的維可能與有用信號相關，而方差小的維可能對應噪聲，因此去掉小方差對應的維將有利于提高識別精確率;(3)因為每幅圖像都被減去均值，且被放縮成單位向量，兩幅圖像之間的相關性與特征空間中投影之間的距離成反比，因此特征空間中的最近鄰匹配是圖像相關性的有效近似。PCA技術首先由Kirby[20]和Sirovich引人到人臉識別領域，并且證明了PCA是使原始圖像與重構圖像之間的均方誤差極小化的最佳壓縮方式。一幅圖像在各個特征臉上的投影組成了該圖像的權值向量，將待識別圖像的權值向量與人臉數據庫中各圖像的權值向量相比較，確定哪一幅圖像與待識別圖像的權值向量最接近。后來Pentland等人進一步擴展了特征臉方法，將類似的思想運用到面部特征上，分別得到了本征眼、本征鼻、本征嘴，并且將它們結合起來進行人臉識別。實驗結果表明，這樣比單獨使用特征臉效果更好。特征臉方法計算量低，使用方便，并且效果良好，目前已經成為人臉識別的基準程序(Benchmark)和事實上的工業標準。但是它對于外界因素所帶來的圖像差異和人臉自身所造成的差異是不加區分的，因此外界因素(例如光照、姿態)變化會引起識別率的降低。
特征臉方法使用由各個特征臉擴展的空間來表示人臉，雖然可以有效地表示人臉信息，但是并不能有效鑒別和區分人臉。很多研究者提出了使用其他線性空間來代替特征臉空間以取得更好的識別效果。此中線性判別分析方法[21](也叫Fisher臉方法)，利用了類別歸屬信息，它選擇類內散布正交的矢量作為特征臉空間，從而壓制了圖像之間與識別信息無關的差異，強調了不同人臉之間的差別，同時弱化了同一人臉由于光照、視角和表情而引起的變化，獲得了比特征臉更好的識別效果。LDA[22]是一種監督學習方法，而PCA是非監督學習方法。Belhumeur對16個人的各10幅圖像進行識別實驗，PCA方法的識別率為81%，而Fisher臉方法的識別率為99.4%。
Moghaddam[23]等人提出了貝葉斯人臉識別方法。他們提出了一種基于概率的圖像相似度度量方法，將人臉圖像之間的差異分為類間差異和類內差異。其中類間差異表示不同對象之間的本質差異。類內差異為同一對象的不同圖像之間的差異。而實際人臉圖像之間的差異為兩者之和。如果類內差異大于類間差異，則認為兩人臉圖像屬于同一對象的可能性大，他們提出了類間差異和類內差異度量的概率模型和計算方法。由于貝葉斯相似度的計算涉及復雜的非線性計算。Moghaddam等人提出了一種線性的快速計算方法。這種人臉識別方法在1996年美國DAPAR組織的FERET人臉測試中是效果最好的方法之一特別是在克服光照和表情變化對識別的影響方面性能較好。
奇異值分解[24](Singular Valor Decomposition。SVD)是一種有效的代數特征提取方一法。奇異值特征具有良好的穩定性、轉置不變性、旋轉不變性、位移不變性以及鏡像變換不變性等重要性質。因此奇異值分解技術也被應用到人臉識別領域。
獨立成分分析[25]( Independent Component Anal-ysis,ICA)，可以看成是對PCA的推廣，PCA利用二階矩去掉輸人數據的相關性。使得數據的協方差為零。而ICA使得輸人數據的二階和高階矩依賴性最小，ICA首先被用于盲源分離(Blind Source Separation。 BSS)問題，用來將觀察信號分解成一系列獨立信號的線性組合。ICA用于人臉識別有兩種結構(ICA Architecture I和ICA Architecture II)和多種算法(例如FastICA和InfoMax)，PCA和ICA Architecture II利用的是全局特征，而ICA Architecture I利用的是空間局部特征。B Draper等人詳細比較了PCA和ICA在人臉驗證和面部表情識別中的性能，人臉驗證實驗中，ICA Architecture II的性能最好。PCA的性能與距離度量標準有關。ICA Architecture I的性能較差，ICA用Fast I-CA算法較好;表情識別實驗中，用InIoMax算法實現的ICA A rchitecture I性能最好。
3、人臉識別面臨的挑戰
當光照、姿態、表情變化時，人臉的表象會產生較大變化，從而造成人臉識別系統的性能下降。FE-RET測試川表明，光照和姿態變化問題是當前人臉識別系統面臨的挑戰。隨著人臉識別研究的深人，很多研究者對光照和姿態變化進行了專門的研究，也取得了一定的進展。本節專門針對這兩方面問題進行論述。
3.1 光照變化
因為光照會改變人臉圖像灰度的相對分布，所以由光照引起的人臉圖像變化甚至比因個體差異引起的變化還要大。因此，光照變化會造成人臉識別系統性能的嚴重下降。對光照變化的處理已經引起了很多研究者的重視，并且取得了較大進展。目前已經出現了很多光照處理方法，這些方法大致可以分為三類: 第一類方法的主要思想是尋找對于光照變化不敏感的人臉圖像表示方法。第二類方法是對原來某些不存在光照變化時人臉識別算法的簡單改進和推廣。第三類方法的主要出發點是構建圖像合成(Synthesize)模型[26]，這些模型可以合成與測試(Probe)圖像具有相同或相似光照條件的新圖像作為數據庫(Gallery)中的圖像。這類方法的關鍵是對光照進行建模。
3.2 姿態變化
視角的變化，即人臉姿態變化也會造成人臉識別系統性能的降低，因此對多視角人臉圖像的處理是人臉識別面臨的另一挑戰。 Beymer[27]先對輸人圖像的視角進行估計，接著根據自動檢測到的三個特征點進行二維仿射變換使之與原型(Prototype)的視角相同，然后直接使用模板匹配來實現多視角人臉識別。在一個62人的多視角人臉數據庫上取得了較好的實驗結果，但測試集和訓練集的視角比較接近，因此識別難度較低。
Pentland[28]等人提出的基于視角的特征臉( View-based Eigenface)方法為每個視角構建一個
特征空間。取得了比標準特征臉方法更高的性能。Huang等人在基于視角的特征臉方法的基礎上，采用神經網絡集成(Neural Network Ensemble)的方法，實現多視角人臉的識別。這類方法的缺點是每人需要多張人臉圖像作為訓練集，而且將光照變化問題與視角變化問題分開來考慮，這些前提條件在很多場合不能滿足。
3. 3同時存在光照和姿態變化
上述的很多方法只是對光照或姿態變化中的一種進行了處理，但在現實情況下，光照和姿態變化會同時存在。因此，要使人臉識別技術真正實用，人臉識別系統必須能夠處理同時存在兩種甚至任意多種成像條件變化的情況。光場(Light Field)[29]方法是最新提出的較有效的方法，對各種外部成像條件的變化都能進行較好處理。由于人臉是三維的，因此利用三維模型(或者三維和兩維相結合)可以顯著地提高識別性能。
4總結與展望
本文對人臉識別的發展歷史、研究現狀進行了綜述，尤其是對近幾年來在光照和姿態變化處理方面的研究進展進行了詳細論述。
經過幾十年的研究，人臉識別已經取得了很大的進展，但現有的人臉識別方法一般都是針對某一類問題提出的，由于人臉識別問題的復雜性，實現一個通用的人臉識別系統目前還不現實。因此，解決特定條件或者特定應用領域的人臉識別問題仍然是目前人臉識別研究的重要課題。要構建一個穩健的人臉識別系統，以下是有待于解決的幾個主要問題:
1、非線性建模問題。目前統計方法中的子空間方法有一個共同的特點，即都是線性方法。人臉圖像顯然是一種高度非線性的模式。也就是說，人臉圖像的分布應該是位于某種高度非線性的流形[30](Mani-fold)上的，因此用非線性方法來進行人臉識別是一個必然的發展趨勢。人臉識別技術由線性向非線性發展可能的現實途徑有兩條:一是利用核理論將現有的線性分析方法向非線性擴展，這是一種間接的方法。典型代表是核主成分分析(Kernel Principal Component Analysis, KPCA)，也就是利用核理論對PCA進行擴展;二是直接從數據分布本身出發，研究高效的非線性流形學習算法，從而將人臉圖像投影到其實際分布所在的流形上進行識別，目前，已有研究人員將其應用到人臉識別領域，對人臉圖像采用流型的方法來進行識別。
2、三維建模問題。目前只利用二維信息的人臉識別方法只能在特定環境下取得較好的性能，然而在處理光照、視角和表情等方面的變化時會遇到較大的困難。由于人臉是三維的，因此利用三維模型可以顯著提高識別性能本文論述的三維可變型模型方法就是在這方面較好地嘗試。但是目前三維人臉識別在識別算法、三維人臉庫以及實驗方法等方面還存在很多挑戰。
3、三維模型計算開銷問題。利用三維模型可以顯著提高識別性能，然而，構造和存儲完整的三維人臉模型需要的開銷太大，因此如何通過二維圖像對三維人臉參數進行建模將是未來人臉識別研究的一個熱點。另外，利用2.5維信息進行識別也是減小存儲和計算開銷的一條可能途徑。
4、算法的自動化與時間開銷問題。本文所提到的算法中，基于幾何特征的方法與基于模型的方法中的部分算法存在手工標定人臉特征點的問題，算法的自動化程度有待進一步加強。另外，算法中某些魯棒性與準確率較高的算法，計算量巨大，運算時間比較長，人臉識別的實時性有待加強。 [1] 厲小潤,趙光宙,趙遼英.改進的核直接Fisher描述分析與人臉識別[J].浙江大學學報:工學版, 2008,42(4): 583-589. [2] YU Hua, YANG Jie. A direct LDA algorithm for high-dimensionaldatawith application to face recognition [J].Pattern Recognition,2001,34(10): 2067-2070. [3] 周大可,楊新,彭寧嵩.改進的線性判別分析算法及其在人臉識別中的應用[J].上海交通大學學報, 2005,39(4): 527-530. [4] BARTLELLM S, MOVELLAN JR, SEJNOWSKIT J. Face recognition by independent component analysis [J].IEEE Trans on NeuralNetworks, 2002,13(6): 1450-1464. [5] 洪子泉,楊靜宇.基于奇異值特征和統計模型的人像識別算法[J].計算機研究與發展, 1994,31(3): 60-65. [6] 杜干,朱雯君.基于局部奇異值分解和模糊決策的人臉識別方法[J].中國圖象圖形學報, 2006,11(10): 1456-1459. [7] 高全學,梁彥,潘泉,等. SVD用于人臉識別存在的問題及解決方法[J].中國圖象圖形學報, 2006,11(12): 1784-1791. [8] COOTES T F, EDWARDS G J, TAYLOR C J. Active appearance models: active appearance models [ J].IEEE Trans on Pattern Analysis and Machine Intelligence, 2001,23(6): 681-685. [9] WISKOTTL, FELLOUS JM, KRUGER N,et al. Face recognition by elastic bunch graphmatching [J].IEEE Trans on Pattern Analysis and Machine Intelligence, 1997,19(7): 775-779. [10] WURTZ R P. Object recognition robust under translations, deformations, and changes in background [ J].IEEE Trans on Pattern Analysis and Machine Intelligence, 1997,19(7): 769-775. [11] 孫大瑞,吳樂南.基于特征的彈性圖匹配人臉識別算法[J].應用科學學報, 2002,20(4): 377-381. [12] 張海旸,馬華東.基于網格的自適應彈性圖人臉匹配方法[J].計算機輔助設計與圖形學報, 2008,20(2): 253-258. [13] 劉小軍,王東峰,張麗飛,等.一種基于奇異值分解和隱馬爾可夫模型的人臉識別方法[J].計算機學報, 2003,26(3): 340-344. [14] 李耀東,崔霞,肖柏華,等.自動人臉識別技術綜述[J].計算機科學, 2002,29(12): 1-11. [15] 鄒志煌,孫鑫,程武山.人臉識別技術產品的發展概況[J].視頻應用與工程, 2008,32(3): 91-93. [16] 劉瑾,徐可欣,陳小紅,等.采用圖像融合技術的多模式人臉識別[J].工程圖學學報, 2007,28(6): 72-78. [17] 王耀明,王仲國,沈毅俊.基于圖像集似然度的人臉識別[J].計算機工程, 2001, 27(7): 113-114. [18] 王宏勇，廖海斌，段新華，丁汨. 基于奇異值與特征融合矩陣的自適應人臉識別[J]. 計算機工程與應用，2010，46(7)：162-174. [19] 斯華齡,張立明.智能視覺圖像處理-多通道圖像的無監督學習方法及其他方法[M].上海:上?？萍冀逃霭嫔?2002. [20] 郭武,張鵬,王潤生. 獨立分量分析及其在圖像處理中的應用現狀[J]. 計算機工程與應用，2008，44(23)：172-176. [21] 白曉明,王成章,石勤.基于二維線性判別分析的彩色人臉識別[J].北京工業大學學報.2010,12(36):1717-1721. [22] 王曉慧. 線性判別分析與主成分分析及其相關研究評述[J]. 中山大學研究生學刊(自然科學、醫學版).2007,4(28):50-59. [23] 聶會星,梁坤,徐樅巍. 基于小波變換和支持向量機的人臉識別研究[J]. 合肥工業大學學報(自然科學版).2022，2(34)：208-211 [24] 段錦著. 人臉自動機器識別[M]. 北京: 科學出版社, 2009.
[25] 吳巾一，周德龍. 計算機應用研究[J]. 人臉識別方法綜述，2009，9(26): 3205-3209 [26] SIROVITCH L, KIRBYM. Low-dimensionalprocedure for the characterization of human face[ J].Journal of the Optical Society of America, 1987,4(3): 519-524. [27] KIRBYM, SIROVITCH L. Application ofKarhunen-Loeve procedure for the characterization ofhuman faces[J].IEEE Trans on Pattern Analysis and Machine Intelligence, 1990,12(1): 103-108. [28] 劉成明，張立明.一種改進的人臉特征點定位方法[J].復旦學報：自然科學版，2006,45(4)：452-463. [29] 杜春華.人臉特征點定位及識別的研究[D].上海：上海交通大學.2008. [30] 馬艷妮，耿國華等.臉部特征點的定位與提取方法[J]. 計算機工程與應用，2009,45(18)：167-170.
讀書的好處
1、行萬里路，讀萬卷書。
2、書山有路勤為徑，學海無涯苦作舟。
3、讀書破萬卷，下筆如有神。
4、我所學到的任何有價值的知識都是由自學中得來的。——達爾文
5、少壯不努力，老大徒悲傷。
6、黑發不知勤學早，白首方悔讀書遲。——顏真卿
7、寶劍鋒從磨礪出，梅花香自苦寒來。
8、讀書要三到：心到、眼到、口到
9、玉不琢、不成器，人不學、不知義。
10、一日無書，百事荒廢。——陳壽
11、書是人類進步的階梯。
12、一日不讀口生，一日不寫手生。
13、我撲在書上，就像饑餓的人撲在面包上。——高爾基
14、書到用時方恨少、事非經過不知難。——陸游
15、讀一本好書，就如同和一個高尚的人在交談——歌德
16、讀一切好書，就是和許多高尚的人談話。——笛卡兒
17、學習永遠不晚。——高爾基
18、少而好學，如日出之陽;壯而好學，如日中之光;志而好學，如炳燭之光。——劉向
19、學而不思則惘，思而不學則殆。——孔子
20、讀書給人以快樂、給人以光彩、給人以才干。——培根
第五篇：人臉識別技術是什么原理
1面像識別原理
2、
1、1面像識別技術概述
面像識別是近年來隨著計算機技術、圖象處理技術、模式識別技術等技術的快速進步而出現的一種嶄新的生物特征識別技術。生物識別技術是依靠人體的身體特征來進行身份驗證的一種高科技識別技術，如同人的指紋、掌紋、眼虹膜、DNA以及相貌等人體特征具有人體所固有的不可復制的唯一性、穩定性、無法復制一樣，不易失竊或被遺忘。由于每個人的這些特征都不相同，因此利用人體的這些獨特的生理特征可以準確地識別每個人的身份。
隨著計算機技術的迅速發展，人們開發了指紋識別、聲音識別、掌形識別、簽名識別、眼紋(視網膜)識別等多種生物識別技術，目前許多技術都己經成熟并得以應用。而面像識別技術則是生物識別技術的新秀，與其他識別技術相比較，面像識別具有簡便、準確、經濟及可擴展性良好等眾多優勢，可廣泛應用于安全驗證、監控、出入口控制等多個方面。
面像識別技術包含面像檢測、面像跟蹤與面像比對等課題。面像檢測是指在動態的場景與復雜的背景中判斷是否存在面像并分離出面像，面像跟蹤指對被檢測到的面像進行動態目標跟蹤，面像比對則是對被檢測到的面像進行身份確認或在面像庫中進行目標搜索。
面像檢測分為參考模板、人臉規則、樣本學習、膚色模型與特征子臉等方法。參考模板方法首先設計一個或數個標準人臉模板，然后計算測試樣本與標準模板之間的匹配程度，通過閥值來判斷是否存在人臉;人臉具有一定的結構分布特征，人臉規則即提取這些特征生成相應的規則以判斷測試樣本是否包含人臉;樣本學習則采用模式識別中人工神經網絡方法，通過對面像樣本集和非面像樣本集的學習產生分類器;膚色模型依據面像膚色在色彩空間中分布相對集中的規律來進行檢測;特征子臉將所有面像集合視為一個面像子空間，基于檢測樣本與其在子空間的投影之間的距離判斷是否存在面像。
上述方法在實際系統中也可綜合采用。
面像跟蹤一般采用基于模型的方法或基于運動與模型相結合的方法，另外，膚色模型跟
蹤也不失為一種簡單有效的手段。
面像比對從本質上講是采樣面像與庫存面像的依次比對并找出最佳匹配對象。因此，
面像的描述決定了面像識別的具體方法與性能。目前主要有特征向量與面紋模板兩種描述方
法，特征向量法先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離、角度等等
屬性，然后計算出它們的幾何特征量，這些特征量形成一描述該面像的特征向量;面紋模板
法則在庫中存儲若干標準面像模板或面像器官模板，在比對時，采樣面像所有象素與庫中所
有模板采用歸一化相關量度量進行匹配。另外，還有模式識別的自相關網絡或特征與模板結
合的方法。
面像識別技術的最新進展是可以通過攝象機來搜索捕捉識別活動的人像，而不僅僅
識別照片。例如，最近由美國新澤西州Visionics公司開發的面像局部特征分析法識別
系統，僅用一部攝象機和一臺計算機，即可在人群中識別出某個人來。
該系統利用攝象機掃描拍攝的某一區域，搜索有可能是人臉的形狀。然后在存儲器
中搜索已事先存入的與之類似的面部特征。為了確認掃描到的眼睛、鼻子和嘴等特征就是一
個活人而不是人體模型或圖片，系統還對眨眼或其他可以提供信息的面部動作進行搜索。
然后系統對組成面部圖像的像素進行分析。它將每個像素點的明暗度與相鄰點進行比較，查找明暗度向周圍呈放射突變的區域。在眉骨、眼睛、或者其他突起的特征，比如顴骨和鼻子等處，都會出現這種突變。系統將勾勒出每一個這種像素點的位置，這些點稱為“參照點”然后在點之間連線，形成一個由三角形構成的網絡。
系統將測量每個三角形的角度，生成由672個1和0組成的數來描述一張面孔。之后程
序嘗試從它的數據庫中找出與該數據相匹配的類似記錄。這種匹配不可能絕對理想，因此軟
件會將相似程度分為不同的等級。軟件是根據骨絡結構描繪參考點的，因此胡須、化妝和眼
睛等偽裝都不可能騙過它。
用于撲捉面部圖像的除了為標準視頻外，近來的發展趨勢是熱成像技術。熱成像技術通
過分析由面部的毛細血管的血液產生的熱線來形成面部圖像，與視頻攝像頭不同，熱成像技
術并不需要在較好的光源條件下，因此即使在黑暗情況下也可以使用。并可更好地排除胡須、
頭發以及化妝引起的面部變化的干擾。
2、
1、2面像識別過程
1.建立面像檔案:可以從攝像頭采集面像文件或取照片文件，生成面紋 (Faceprint)編碼;
2.獲取當前面像，可以從攝像頭捕捉面像或取照片輸入，生成其面紋;
3.將當前面像的面紋編碼與檔案中的面紋編碼進行檢索比對。
“面紋”編碼方式是根據臉部的本質特征和開頭來工作的，它可以抵抗光線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化，具有強大的可靠性，使得它可以從百萬人中精確地辨認出一個人。
上述整個過程都自動、連續、實時地完成，而且系統只需要普通的處理設備。幾乎所有的生物測量過程對人們來說都是一種干擾。指紋和掌紋的測定需要人們將手放在玻璃表面。虹膜掃描需要用激光照射你的眼睛。面部識別最大的優越性在于它的方便性, 快速性，而且是非侵擾的。面部識別無需干擾人們行為而達到識別效果，無需為是否愿意將手放在指紋采集設備上，或對著麥克風講話，或是將他們的眼睛對準激光掃描裝置而進行爭辯。你只要很快從一架攝像機前走過，你就已經被快速的檢驗。
2、
1、3面像識別技術應用范圍
面像識別技術作為生物識別技術體系的后起之秀，將有著十分廣泛的應用前景?？蓱糜谥T多領域，如出入口控制、銀行金融系統、公安追輯嫌疑犯、反恐怖斗爭以及互聯網中等等。在我國開展的“追逃”斗爭，如果能利用面像識別技術，則可大大提高工作效率，并能對犯罪分子產生極大的威懾力量。使用面像識別系統只要在重要的車站、碼頭、機場、海關出入口附近架設攝像機，系統即可在無人職守的狀態下，自動捕捉進、出上述場所的人員的頭像，并通過計算機網絡將面像特征數據傳送到計算機中心數據庫，自動與面像數據庫中的逃犯面像比較，迅速準確地作出身份判斷。一旦發現吻合的頭像，可以自動報警并記錄。
我國銀行金融系統對安全控制有著極高的要求，如電子商務信息系統、金庫的安全設施、保險柜、自動柜員機的使用等。由于近年來金融詐騙、搶劫發生率有所增高，對傳統安全措施提出了新的挑戰。面像識別技術不需要攜帶任何電子、機械“鑰匙”，可以杜絕丟失鑰匙、密碼的現象，如果配合IC卡、指紋識別等技術可以使安全系數成倍增長。同時，在ATM自動取款機上應用面像識別技術，可以免除用戶忘記密碼的苦惱，還可以有效防止冒領、盜取的事件發生。
目前，在我國，面部識別技術的研究和應用還剛剛開始，但在歐美等發達國家這一技術已被應用在許多場所。特別是“9.11”恐怖事件之后，美國警方率先在冰島國際機場、美國波士頓機場、美國奧克蘭機場、美國亞特蘭大機場、美國休斯敦機場等開始應用這一先進技術，借助閉路監視系統監控掃描人群自動搜尋警方所需要的恐怖分子目標。
蔣遂平:人臉識別技術及應用簡介
1 人臉識別的分類
1.1 鑒別、驗證和監控
(1) 鑒別(identification)：鑒別回答"這是誰?" 將給定的人臉圖象與計算機中存儲的N個人的圖象逐個比較，輸出M幅圖象，這些按與給定圖象的相似度從大到小排列，再由人來確定這是誰。通常，一個人在計算機中只存儲一幅正面圖象。
(2) 驗證(verification)：驗證回答"這是否為某人?" 將給定的人臉圖象與與計算機中存儲的某人的圖象比較，回答給定的圖象是否為某人的圖象。通常，一個人在計算機中存儲多幅不同角度的圖象。
(3) 監控(watch list)：監控同時具有鑒別和驗證，回?quot;這是否為要找的人?"(Are you looking for me?)。將未知身份的人的圖象輸入計算機，計算機決定這個人是否在監控名單中，如果在，還必須確定這個人的身份。
1.2 人臉識別和人頭識別
(1) 人臉識別：輸入給計算機識別的人臉圖象，只包括人的臉部部分，沒有背景、頭發、衣服等。這時，計算機在進行真正的人臉識別。
(2) 人頭識別：輸入給計算機識別的人臉圖象，除了包括人的臉部有皮膚的部分外，還有部分背景、頭發、衣服。這時，人臉的五官特征是次要的，頭發、背景、人臉輪廓等是主要特征，一旦頭發、背景等變化，識別率下降。
1.3 自動與半自動人臉識別
(1) 自動人臉識別：輸入到計算機的圖象可以是包含人臉的圖象，由計算機自動檢測人臉部分進行分割后，進行識別。最初人們認為人臉檢測是件容易的事，后來發現人臉檢測可能比人臉識別更困難(特別是在灰度圖象情況下，這時沒有運動信息和膚色信息可利用)，人臉檢測已經是一個獨立的研究課題。
(2) 半自動人臉識別：采用人工確定人臉圖象中兩眼各自的中心位置，計算機根據這兩個位置分割人臉圖象，進行識別。常用于人臉鑒別。
2 人臉識別的性能
2.1主要性能指標
測量人臉識別的主要性能指標有：(1)誤識率(False Accept Rate, FAR)：這是將其他人誤作指定人員的概率;(2)拒識率(False Reject Rate, FRR)：這是將指定人員誤作其它人員的概率。
計算機在判別時采用的閾值不同，這兩個指標也不同。一般情況下，誤識率FAR 隨閾值的增大(放寬條件)而增大，拒識率FRR 隨閾值的增大而減小。因此，可以采用錯誤率(Equal Error Rate, ERR)作為性能指標，這是調節閾值，使這FAR和FRR兩個指標相等時的FAR 或 FRR。
2.2 影響人臉識別性能的因素及解決方法
(1) 背景和頭發：消除背景和頭發，只識別臉部圖象部分。
(2) 人臉在圖象平面內的平移、縮放、旋轉：采用幾何規范化，人臉圖象經過旋轉、平移、縮放后，最后得到的臉部圖象為指定大小，兩眼水平，兩眼距離一定。
(3) 人臉在圖象平面外的偏轉和俯仰：可以建立人臉的三維模型，或進行三維融合(morphing)，將人臉圖象恢復為正面圖象。
(4) 光源位置和強度的變化：采用直方圖規范化，可以消除部分光照的影響。采用對稱的從陰影恢復形狀(symmteric shape from shading)技術，可以得到一個與光源位置無關的圖象。
(5) 年齡的變化：建立人臉圖象的老化模型。
(6) 表情的變化：提取對表情變化不敏感的特征，或者將人臉圖象分割為各個器官的圖象，分別識別后再綜合判斷。
(7) 附著物(眼鏡、胡須)的影響。
(8) 照相機的變化：同一人使用不同的照相機拍攝的圖象是不同的。
3 應用情況
在無數影視或新聞中出現過這樣的場景：警方利用人臉識別技術抓住了罪犯。然而，在現實生活中，人臉識別技術的效果并不令人滿意。
美國陸軍實驗室在13周時間內，用270人的圖象測試一個人臉識別系統，發現識別率只有 51%。這套系統在機場中進行測試時，存儲了250人的圖象，其中的15人在1個月內通過攝影機958次，只有455次被正確辨認，識別率只有47%。在美國一個機場開展的一項為期8周的公開測試中，使用一家公司的人臉識別系統，在4個星期出錯率為53%。在另一個機場開展的一項為期90天的測試中，人臉識別系統發出的錯誤警報也太多。
人臉識別技術效果不盡如人意的原因：真人的電視圖像與存儲在數據庫中的照片在布光和角度方面有差別。目前的人臉識別技術在人處于靜止狀態或一小群人通過檢測點時有效，因此不適合在交通流量大的機場和街道拐角處使用。人臉識別要得到廣泛采用，還很有待時日。