第一篇：汉王人脸识别使用手册
汉王人脸识别考勤机操作流程简介
汉王“人脸通”操作流程
1、固定考勤机的高度与位置(必须在室内避光的地方，高度必须按图纸上的尺寸安装)并在一边贴好“注意事项”。
2、在电脑上新建一个文本文件，文件名必须改为：userlist，打开userlist文本文件录入工号和名字，工号和名字中间用“TAB”键隔开，输完一个工号和名字回车换行，再输入别的工号和名字，切记不能有多余的空格和回车!
3、把userlist文件拷贝到U盘里。
(userlist文件必须是唯一的;用户在建立完Userlist文件后，要妥善保存该文件，当用新员工入职的时候，在原由的文件上增加，如果重新建立该文件的话，有可能造成原用户姓名丢失;Userlist文件中的工号前不需要加0，如果加了，软件也会自动给清楚掉的。)
4、在考勤机上设定一个管理员(最好设两到三个管理员)。
5、管理员把“工号和姓名列表导入到设备”中。
6、登记人脸：登记用户时，输入工号就会显示出中文姓名，对照工号和姓名不定期采集人脸数据;(一定要按照注意事项中提示来登记，如果是带眼镜的客户，最好是戴眼镜录一半不戴眼镜录一半)人脸到摄像头的距离为30-80CM之间。
7、所有员工登记完后，管理员用“U盘”导出所有用户，会在U盘上自动保存一个userall的文本文件。
8、安装汉王人脸门禁考勤管理软件，注意：安装默认的路径中盘符可以修改，其它的不要修改。软件只能在windowsXP下运行!
9、在“设备管理”中添加一个设备，默认IP为192.168.0.
210、打开“员工管理”选“导入”再选“从文本文件导入”找到U盘或硬盘里的“userall”文件，点“打开”即可导入所有用户的信息。
11、修改和添加部门名称，刚开始导入的用户默认都在“未分配人员”中，可以给员工分配部门，以便日后方便管理。
12、班次设置：根据不同的单位上班情况来设置。如：正常班，倒班，签到班等。
13、排班与出勤调整(注：只有给员工排班后才可以生成报表!!!)
14、开始考勤(做好保护设施，防止有人故意破坏设备)
15、月底导出考勤记录到U盘，再从软件中：记录下载 / 选择一个设备 / 从文件接收 / 选择Time文件，即可接收考勤记录。
16、记录处理与报表，生成报表以及考勤记录、门禁记录查询等。
(月底注意：在导出本月考勤记录后，保存到电脑上，并在下个月考勤前把设备上本月考勤记录删除，以便下个月考勤记录操作不受影响，否则数据太大造成操作缓慢!)
第二篇：人脸识别考勤机简单使用说明
考勤机软件简单使用：
使用方法：
贵学校采用定时签到的考勤方式，因此需要班次类型为“签到班”。
已在管理电脑考勤软件【班次设置】上设定了签到班的多种签到班次形式。
在【人员排班设置】里把每个人的班次设上，(鼠标左键选定需要排班的日期，也可左
键拖动选择连续的多个天数)，暂全部设置为“正常签到班”，周日不选，为空白。周六设为“周六签到班”。
每天可根据教师课程表，把某老师某天的{人员排班}设置为“上午第一节有课”“上午
第四节有课”“下午第一节有课”“下午第四节有课”“周六上午第一节有课”“周六上午
第四节有课”等类型，(单天排班变更方法：在【人员排班设置】里，选中需要更改的那个老师的日期，单击鼠标右键，在弹出对话框中点选所需的班次类型。
请假一天需要在【出勤记录调整】中，选择某人某天，单击右键选择请假类型即可;请
假半天需要在【人员排班设置】里选择对应班次类型即可。
统计签到次数可在【统计报表】里点击【签到班个人统计报表】标签，点击【记录处理】
即可;统计所有人需要在【部门】里选择{未分配}，工号姓名不填。
统计后点【导出数据】选‘Excel文件’，然后打开导出的电子表格文件，删除其他无用
信息，在某列填上“缺签数”，输入公式(应签到减实签到)，拖动鼠标填充整列，就得出“缺签数”。
考勤管理须知：
人脸识别考勤机在现阶段能有效替代代签问题
对于有规律有规则的考勤方式，可减少考勤管理人员的工作量
对于不确定的班次需要根据当天的教师课程排班表，由考勤管理人员手工录入当天排班
班次，否则需要更改学校考勤制度，全体教师按时参与机考，可大大减少考勤管理人员的工作量。
熟能生巧，每一项新事物都需要一定时间去磨合去适应。
管理软件需要定时从考勤机下载“下载设备记录”“从设备导入人员”
管理软件数据需要做好备份工作
第三篇：人脸识别小结
人脸识别总结
一、概述
生物特征识别技术包括人脸识别、指纹识别、语音识别、表情分析及理解、虹膜识别等 人脸识别的实质就是借助计算机工具来分析人脸面部图像，采用不同的特征表示方法提取有效地人脸特征，是可用来辨识身份的一门自动处理技术，常见重要应用案例包括银行和军事重地的自动门禁系统、智能人脸监控系统、用于公共交通体系中安检系统的嫌疑人自动识别系统、网络服务中的在线验证系统等。 产生不同个体较大差异性的内在因素主要有种族、性别、年龄、心理等。外在因素主要有光照变化、角度偏转、姿态、噪声千扰、遮挡、以及化妆遮挡物等。 18世纪,就有一篇依据人脸特征信息进行身份鉴别的文章发表在《Nature》上,开启了近代最早的人脸识别研宄，最早的自动人脸识别系统是由Chan和Bledsoe创于1965年 人脸识别包括四个主要步骤：图像预处理、人脸检测、面部特征提取和分类识别。
二、研究领域
1、身份验证领域：通过人脸识别技术来判断和鉴别当前用户是否合法或者具备相应的功能权限，例如2008年北京奥运所采用的人脸识别系统。
2、智能视频监控领域，例如车站安装智能监控系统,该系统中加入了人脸识别技术以捕捉人群中的可疑罪犯。
3、人机交互领，例如人脸面部为视觉系统提供了最为主要的特征信息。
三、人脸识别方法及其算法
(一)方法分类
可以分为：基于几何特征的人脸识别、基于弹性图匹配的人脸识别、基于子空间分析的人脸识别、基于神经网络的人脸识别、基于隐马尔可夫模型等。 经典的特征脸“Eigenface”就是该时期由麻省理工学院的M.Turk和A.Pentlaiid提出的，采用PCA变换对原始图像进行降维处理,然后再进行分类识别。 P.Belhumeur等提出的Fisherfaces人脸也被广泛应用在人脸识别中。
90年代中后期,出现了一种基于动态连接结构(Dynamic Link Architecture)的弹性图匹配(Elastic GraphMatching)识别方法。 90年代末支持向量机被应用到人脸识别技术中。
(二)流行算法
主要分为：等距离映射_(Isometrical Mapping,简称 ISOMAP)、局部线性嵌入(Locally LinearEmbedding,简称LLE、拉普拉斯算子特征映射(Laplacian Eigenmaps)、拉普拉斯脸(Laplacianface)方法。基于拉普拉斯Belkin M等提出局部投影(LPP)方法。 近期算法包括： 基于稀疏表示的人脸识别方法(Sparserepresentation recognition, SRC) 针对此识别方法还出现了较多的改进模型,典型的有
基于Gabor的稀疏表示 基于Metaface的稀疏表示等
(三)难点
1、人脸图像的成像条件包括较大的随机性：光照变化、姿态变换、表情变化、发 型改变、化妆、以及遮挡等复杂条件
2、人脸面部图像的复杂的三维结构属性：包括线性结构和非线性结构
3、人脸图像数据的维数问题
4、不同个体间的面部特征的差异性
四、人脸特征提取研究
(一)人脸特征提取和识别算法分类
基于统计方法 基于几何方法
(二)具体实现
主成分分析(principal component analysis, PCA)是一种典型的数据处理和数据降维方法
Sirovich和Kirby首先研究人脸降维过程，采用基于镜像脸的技术 M.Turk_提出了基于PCA表示的特征脸的概念
Fisher线性判别方法也是人工智能和模式识别领域中的重要方法之一
Foley和Sammon提出了基于Sammon最佳鉴别平面的技术
Duchene和Leclercq提 出了针对多类问题的Foley-Sammon最佳鉴别矢量集的求解公式
Turk和Pentland提出了基于特征脸的特征提取方法 Kittler又提出了基于Fisher鉴别准则的提取面部特征方法 Hong和Yang提出了采用SVD进行特征提取方法 Cheng等改进并提出了一种新的相似性鉴别准则
Liu等提出了基于最佳鉴别广义平面和最佳鉴别广义矢量集的一系列特征提取方法 郭等在此基础上提出了改进的最佳鉴别矢量方法 吴等又改进了广义最佳鉴别矢量方法 基于模型的特征提取方法
Kass等首次提出了主动轮廊线模型(Active Contour Model,ACM), ACM也被称为Snake模型
Lee等提出了一种改进Snake模型的方法,改进方法是由正面和侧面结构化特征来对面部进行特征点定位
基于统计参数化模型的主动形状模型(Active Shape Model, ASM) 优势在于它不仅能有效地定位和提取目标物体的外部轮廓信息,而且能提取目标物体的内部轮廓和形状特征
Cootes等在ASM基础上提出了主动表观模型 (Active AppearanceModel,AAM)
(三)需要解决的问题
1、根据奇异值分解原理可以得到人脸图像的奇异值向量所在的基空间(矩阵)是由 人脸图像本身决定的。
2、当光照、姿态、表情变化以及遮挡等复杂条件下,人脸的表象会产生较大变化, 从而造成人脸识别系统的性能下降
。
3、需要构造一种能有效描述目标纹理特性的局部纹理轮廓模型,进一步提高模型的 特征点定位精度。
第四篇：前沿人脸识别综述解读
人脸识别综述
王军军
(西安交通大学，西安，710086)
摘要：人脸识别已成为多个学科领域的研究热点之一，本文对人脸识别的发展历史、研究现状进行了综述，系统地对目前主流人脸识别方法进行了分类针对人脸识别面临的挑战，着重对近几年来在光照和姿态变化处理方面的研究进展进行了详细沦述，并对未来人脸识别的发展方向进行了展望。
关键词：人脸识别，人脸检测，模式识别
一、引言
人脸识别是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一。所谓人脸识别，是指给定一个场景的静态图像或动态视频，利用存储有若干已知身份的人脸图像的数据库验证和鉴别场景中单个或者多个人的身份[1]。人脸识别按照人脸信息的来源可以分为两类:基于静态人脸图像的识别和基于包含人脸的动态视频信息的识别。因为动态视频信息并不能明显提高人脸识别的性能，因此本文只研究基于静态人脸图像的识别[2]。
作为生物特征识别的一个重要方面，人脸识别在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域具有广阔的应用前景。与指纹识别、视网膜识别、虹膜识别等[3]技术相比，人脸识别技术在数据采集方面手续比较简单，使用者更容易接受。人脸作为生物特征，虽然唯一性比指纹和虹膜要差[4]，在高安全性要求的系统中只能作为辅助手段。然而，对于一般安全性要求的身份验证和鉴别系统[5]，人脸识别技术已经足够应用了。
人脸识别研究在二十世纪六七十年代引起了诸多学科领域研究者的浓厚兴趣。进人九十年代后，随着各行业对人脸识别系统的迫切需求，人脸识别研究再次成为热门课题。当前世界各国有许多研究机构在从事这方面的研究，这些研究受到军方、警方以及大公司的高度重视和资助[6]。美国军方还专门组织了人脸识别竞赛以促进人脸识别研究的发展。经过三十多年的研究，人脸识别已经成为图像分析与图像理解领域最成功的应用之一研究人员提出了很多识别方法，建成了一些实验系统，也有一些成功的人脸识别商业软件投人市场。
人脸识别作为模式识别的一种，一般可以分为三个组成部分:从场景中检测并分割人脸;抽取人脸特征;匹配和识别人脸[7]。由于人脸检测已经发展成为一个独立的课题，具有特定的思想和方法，所以本文假定人脸已经被正确检测并从场景中分割出来。
二、人脸识别的方法
目前，人脸识别的方法大致可以分为以下几类：基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法和多分类器集成的方法[8]。目前主流的方法有基于几何特征的方法和基于模型的方法。
2.1基于几何特征的方法
文献中记载最早的人脸识别方法就是Bledsoe[9]提出的基于几何特征的方法。该方法以面部特征点之间的距离和比率作为特征，通过最近邻方法来识别人脸，以该方法建立的人脸识别系统是一个半自动系统，面部特征点必须由人手工定位。也正是由于人工的参与，该系统对光照变化和姿态变化不敏感[10]。
侧影[11](Profile)识别也是早期基于几何特征人脸识别的一个重要方法，其基本原理是从人脸的侧影轮廓线上提取特征点，将侧影转化为轮廓曲线，从中提取基准点，根据这些点之间的几何特征来进行识别，由于侧影识别相对较简单且应用面小，对侧影识别的研究较少。
基于几何特征的方法非常直观，识别速度快，内存要求较少，提取的特征在一定程度上对光照变化不太敏感[12]。但是，当人脸具有一定的表情或者姿态变化时，特征提取不精确，而且由于忽略了整个图像的很多细节信息，识别率较低，所以近年来已经很少有新的发展。
2. 2基于模型的方法
隐马尔可夫模型[13]( Hidden Markov Model,HMM)是一种常用的模型，基于HMM的方法首先被用于声音识别等身份识别上，之后被Nefian和Hayes引人到人脸识别领域。它是用于描述信号统计特性的一组统计模型。HMM用马尔可夫链来模拟信号统计特性的变化，而这种变化又是间接通过观察序列来描述的，因此马尔可夫过程是一个双重的随机过程。在HMM中结点表示状态，有向边表示状态之间的转移，一个状态可以具有特征空间中的任意特征，对同一特征，不同形态表现出这一特征的概率不同[14]。在人脸识别过程中，Nefian首先采用两维离散余弦变换(Discrete Cosine Transform,DCT)抽取人脸特征，得到观察向量，构建HMM人脸模型，然后用EM ( Expectation Maximization)算法训练，利用该模型就可以算出每个待识别人脸。观察向量的概率，从而完成识别。HMM方法的鲁棒性较好，对表情、姿态变化不太敏感，识别率高[15]。
主动形状模型[16](Active Shape Model, ASM)方法由Cootes等人提出，Cootes对形状和局部灰度表象建模，用建立的ASM在新的图像中定位易变的物体。后来，Lanitis等将其应用于解释人脸图像，在使用ASM找出人脸的形状后，将人脸切割并归一到统一的框架，对这个与形状无关的人脸采用亮度模型来进行解释和识别，其鲁棒性和识别效率均较高，但需要手动标会人脸的特征点，算法的自动化程度有待加强。
主动表象模型[17]( Active Appearance Model, AAM)可以看成是对ASM的进一步扩展，是一种通用的非线性图像编码模式，通过变形处理将通用人脸模型与输人图像进行匹配，并将控制参数作为分类的特征向量。
2.3 基于统计的方法
基于统计的方法将人脸图像视为随机向量，从而用一些统计方法来分析人脸模式，这类方法有着完备的统计学理论支持;得到了较好地发展，出现了一些较成功的算法。
特征脸[18](Eigenface)方法由Turk和Pentland提出。对于每一幅人脸图像，按照从上到下、从左到右的顺序将所有像素的灰度值串成一个高维向量，然后通过主成分分析(Principal Component Analysis, PCA)将高维向量降低维数。用PCA[19]降维主要基于以下三点:(1)压缩功能，在低维空间内比较图像将提高计算效率;(2)人脸样本的分布近似正态分布，方差大的维可能与有用信号相关，而方差小的维可能对应噪声，因此去掉小方差对应的维将有利于提高识别精确率;(3)因为每幅图像都被减去均值，且被放缩成单位向量，两幅图像之间的相关性与特征空间中投影之间的距离成反比，因此特征空间中的最近邻匹配是图像相关性的有效近似。PCA技术首先由Kirby[20]和Sirovich引人到人脸识别领域，并且证明了PCA是使原始图像与重构图像之间的均方误差极小化的最佳压缩方式。一幅图像在各个特征脸上的投影组成了该图像的权值向量，将待识别图像的权值向量与人脸数据库中各图像的权值向量相比较，确定哪一幅图像与待识别图像的权值向量最接近。后来Pentland等人进一步扩展了特征脸方法，将类似的思想运用到面部特征上，分别得到了本征眼、本征鼻、本征嘴，并且将它们结合起来进行人脸识别。实验结果表明，这样比单独使用特征脸效果更好。特征脸方法计算量低，使用方便，并且效果良好，目前已经成为人脸识别的基准程序(Benchmark)和事实上的工业标准。但是它对于外界因素所带来的图像差异和人脸自身所造成的差异是不加区分的，因此外界因素(例如光照、姿态)变化会引起识别率的降低。
特征脸方法使用由各个特征脸扩展的空间来表示人脸，虽然可以有效地表示人脸信息，但是并不能有效鉴别和区分人脸。很多研究者提出了使用其他线性空间来代替特征脸空间以取得更好的识别效果。此中线性判别分析方法[21](也叫Fisher脸方法)，利用了类别归属信息，它选择类内散布正交的矢量作为特征脸空间，从而压制了图像之间与识别信息无关的差异，强调了不同人脸之间的差别，同时弱化了同一人脸由于光照、视角和表情而引起的变化，获得了比特征脸更好的识别效果。LDA[22]是一种监督学习方法，而PCA是非监督学习方法。Belhumeur对16个人的各10幅图像进行识别实验，PCA方法的识别率为81%，而Fisher脸方法的识别率为99.4%。
Moghaddam[23]等人提出了贝叶斯人脸识别方法。他们提出了一种基于概率的图像相似度度量方法，将人脸图像之间的差异分为类间差异和类内差异。其中类间差异表示不同对象之间的本质差异。类内差异为同一对象的不同图像之间的差异。而实际人脸图像之间的差异为两者之和。如果类内差异大于类间差异，则认为两人脸图像属于同一对象的可能性大，他们提出了类间差异和类内差异度量的概率模型和计算方法。由于贝叶斯相似度的计算涉及复杂的非线性计算。Moghaddam等人提出了一种线性的快速计算方法。这种人脸识别方法在1996年美国DAPAR组织的FERET人脸测试中是效果最好的方法之一特别是在克服光照和表情变化对识别的影响方面性能较好。
奇异值分解[24](Singular Valor Decomposition。SVD)是一种有效的代数特征提取方一法。奇异值特征具有良好的稳定性、转置不变性、旋转不变性、位移不变性以及镜像变换不变性等重要性质。因此奇异值分解技术也被应用到人脸识别领域。
独立成分分析[25]( Independent Component Anal-ysis,ICA)，可以看成是对PCA的推广，PCA利用二阶矩去掉输人数据的相关性。使得数据的协方差为零。而ICA使得输人数据的二阶和高阶矩依赖性最小，ICA首先被用于盲源分离(Blind Source Separation。 BSS)问题，用来将观察信号分解成一系列独立信号的线性组合。ICA用于人脸识别有两种结构(ICA Architecture I和ICA Architecture II)和多种算法(例如FastICA和InfoMax)，PCA和ICA Architecture II利用的是全局特征，而ICA Architecture I利用的是空间局部特征。B Draper等人详细比较了PCA和ICA在人脸验证和面部表情识别中的性能，人脸验证实验中，ICA Architecture II的性能最好。PCA的性能与距离度量标准有关。ICA Architecture I的性能较差，ICA用Fast I-CA算法较好;表情识别实验中，用InIoMax算法实现的ICA A rchitecture I性能最好。
3、人脸识别面临的挑战
当光照、姿态、表情变化时，人脸的表象会产生较大变化，从而造成人脸识别系统的性能下降。FE-RET测试川表明，光照和姿态变化问题是当前人脸识别系统面临的挑战。随着人脸识别研究的深人，很多研究者对光照和姿态变化进行了专门的研究，也取得了一定的进展。本节专门针对这两方面问题进行论述。
3.1 光照变化
因为光照会改变人脸图像灰度的相对分布，所以由光照引起的人脸图像变化甚至比因个体差异引起的变化还要大。因此，光照变化会造成人脸识别系统性能的严重下降。对光照变化的处理已经引起了很多研究者的重视，并且取得了较大进展。目前已经出现了很多光照处理方法，这些方法大致可以分为三类: 第一类方法的主要思想是寻找对于光照变化不敏感的人脸图像表示方法。第二类方法是对原来某些不存在光照变化时人脸识别算法的简单改进和推广。第三类方法的主要出发点是构建图像合成(Synthesize)模型[26]，这些模型可以合成与测试(Probe)图像具有相同或相似光照条件的新图像作为数据库(Gallery)中的图像。这类方法的关键是对光照进行建模。
3.2 姿态变化
视角的变化，即人脸姿态变化也会造成人脸识别系统性能的降低，因此对多视角人脸图像的处理是人脸识别面临的另一挑战。 Beymer[27]先对输人图像的视角进行估计，接着根据自动检测到的三个特征点进行二维仿射变换使之与原型(Prototype)的视角相同，然后直接使用模板匹配来实现多视角人脸识别。在一个62人的多视角人脸数据库上取得了较好的实验结果，但测试集和训练集的视角比较接近，因此识别难度较低。
Pentland[28]等人提出的基于视角的特征脸( View-based Eigenface)方法为每个视角构建一个
特征空间。取得了比标准特征脸方法更高的性能。Huang等人在基于视角的特征脸方法的基础上，采用神经网络集成(Neural Network Ensemble)的方法，实现多视角人脸的识别。这类方法的缺点是每人需要多张人脸图像作为训练集，而且将光照变化问题与视角变化问题分开来考虑，这些前提条件在很多场合不能满足。
3. 3同时存在光照和姿态变化
上述的很多方法只是对光照或姿态变化中的一种进行了处理，但在现实情况下，光照和姿态变化会同时存在。因此，要使人脸识别技术真正实用，人脸识别系统必须能够处理同时存在两种甚至任意多种成像条件变化的情况。光场(Light Field)[29]方法是最新提出的较有效的方法，对各种外部成像条件的变化都能进行较好处理。由于人脸是三维的，因此利用三维模型(或者三维和两维相结合)可以显著地提高识别性能。
4总结与展望
本文对人脸识别的发展历史、研究现状进行了综述，尤其是对近几年来在光照和姿态变化处理方面的研究进展进行了详细论述。
经过几十年的研究，人脸识别已经取得了很大的进展，但现有的人脸识别方法一般都是针对某一类问题提出的，由于人脸识别问题的复杂性，实现一个通用的人脸识别系统目前还不现实。因此，解决特定条件或者特定应用领域的人脸识别问题仍然是目前人脸识别研究的重要课题。要构建一个稳健的人脸识别系统，以下是有待于解决的几个主要问题:
1、非线性建模问题。目前统计方法中的子空间方法有一个共同的特点，即都是线性方法。人脸图像显然是一种高度非线性的模式。也就是说，人脸图像的分布应该是位于某种高度非线性的流形[30](Mani-fold)上的，因此用非线性方法来进行人脸识别是一个必然的发展趋势。人脸识别技术由线性向非线性发展可能的现实途径有两条:一是利用核理论将现有的线性分析方法向非线性扩展，这是一种间接的方法。典型代表是核主成分分析(Kernel Principal Component Analysis, KPCA)，也就是利用核理论对PCA进行扩展;二是直接从数据分布本身出发，研究高效的非线性流形学习算法，从而将人脸图像投影到其实际分布所在的流形上进行识别，目前，已有研究人员将其应用到人脸识别领域，对人脸图像采用流型的方法来进行识别。
2、三维建模问题。目前只利用二维信息的人脸识别方法只能在特定环境下取得较好的性能，然而在处理光照、视角和表情等方面的变化时会遇到较大的困难。由于人脸是三维的，因此利用三维模型可以显著提高识别性能本文论述的三维可变型模型方法就是在这方面较好地尝试。但是目前三维人脸识别在识别算法、三维人脸库以及实验方法等方面还存在很多挑战。
3、三维模型计算开销问题。利用三维模型可以显著提高识别性能，然而，构造和存储完整的三维人脸模型需要的开销太大，因此如何通过二维图像对三维人脸参数进行建模将是未来人脸识别研究的一个热点。另外，利用2.5维信息进行识别也是减小存储和计算开销的一条可能途径。
4、算法的自动化与时间开销问题。本文所提到的算法中，基于几何特征的方法与基于模型的方法中的部分算法存在手工标定人脸特征点的问题，算法的自动化程度有待进一步加强。另外，算法中某些鲁棒性与准确率较高的算法，计算量巨大，运算时间比较长，人脸识别的实时性有待加强。 [1] 厉小润,赵光宙,赵辽英.改进的核直接Fisher描述分析与人脸识别[J].浙江大学学报:工学版, 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,杨新,彭宁嵩.改进的线性判别分析算法及其在人脸识别中的应用[J].上海交通大学学报, 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,杨静宇.基于奇异值特征和统计模型的人像识别算法[J].计算机研究与发展, 1994,31(3): 60-65. [6] 杜干,朱雯君.基于局部奇异值分解和模糊决策的人脸识别方法[J].中国图象图形学报, 2006,11(10): 1456-1459. [7] 高全学,梁彦,潘泉,等. SVD用于人脸识别存在的问题及解决方法[J].中国图象图形学报, 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] 孙大瑞,吴乐南.基于特征的弹性图匹配人脸识别算法[J].应用科学学报, 2002,20(4): 377-381. [12] 张海旸,马华东.基于网格的自适应弹性图人脸匹配方法[J].计算机辅助设计与图形学报, 2008,20(2): 253-258. [13] 刘小军,王东峰,张丽飞,等.一种基于奇异值分解和隐马尔可夫模型的人脸识别方法[J].计算机学报, 2003,26(3): 340-344. [14] 李耀东,崔霞,肖柏华,等.自动人脸识别技术综述[J].计算机科学, 2002,29(12): 1-11. [15] 邹志煌,孙鑫,程武山.人脸识别技术产品的发展概况[J].视频应用与工程, 2008,32(3): 91-93. [16] 刘瑾,徐可欣,陈小红,等.采用图像融合技术的多模式人脸识别[J].工程图学学报, 2007,28(6): 72-78. [17] 王耀明,王仲国,沈毅俊.基于图像集似然度的人脸识别[J].计算机工程, 2001, 27(7): 113-114. [18] 王宏勇，廖海斌，段新华，丁汨. 基于奇异值与特征融合矩阵的自适应人脸识别[J]. 计算机工程与应用，2010，46(7)：162-174. [19] 斯华龄,张立明.智能视觉图像处理-多通道图像的无监督学习方法及其他方法[M].上海:上海科技教育出版社,2002. [20] 郭武,张鹏,王润生. 独立分量分析及其在图像处理中的应用现状[J]. 计算机工程与应用，2008，44(23)：172-176. [21] 白晓明,王成章,石勤.基于二维线性判别分析的彩色人脸识别[J].北京工业大学学报.2010,12(36):1717-1721. [22] 王晓慧. 线性判别分析与主成分分析及其相关研究评述[J]. 中山大学研究生学刊(自然科学、医学版).2007,4(28):50-59. [23] 聂会星,梁坤,徐枞巍. 基于小波变换和支持向量机的人脸识别研究[J]. 合肥工业大学学报(自然科学版).2022，2(34)：208-211 [24] 段锦著. 人脸自动机器识别[M]. 北京: 科学出版社, 2009.
[25] 吴巾一，周德龙. 计算机应用研究[J]. 人脸识别方法综述，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] 刘成明，张立明.一种改进的人脸特征点定位方法[J].复旦学报：自然科学版，2006,45(4)：452-463. [29] 杜春华.人脸特征点定位及识别的研究[D].上海：上海交通大学.2008. [30] 马艳妮，耿国华等.脸部特征点的定位与提取方法[J]. 计算机工程与应用，2009,45(18)：167-170.
读书的好处
1、行万里路，读万卷书。
2、书山有路勤为径，学海无涯苦作舟。
3、读书破万卷，下笔如有神。
4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文
5、少壮不努力，老大徒悲伤。
6、黑发不知勤学早，白首方悔读书迟。——颜真卿
7、宝剑锋从磨砺出，梅花香自苦寒来。
8、读书要三到：心到、眼到、口到
9、玉不琢、不成器，人不学、不知义。
10、一日无书，百事荒废。——陈寿
11、书是人类进步的阶梯。
12、一日不读口生，一日不写手生。
13、我扑在书上，就像饥饿的人扑在面包上。——高尔基
14、书到用时方恨少、事非经过不知难。——陆游
15、读一本好书，就如同和一个高尚的人在交谈——歌德
16、读一切好书，就是和许多高尚的人谈话。——笛卡儿
17、学习永远不晚。——高尔基
18、少而好学，如日出之阳;壮而好学，如日中之光;志而好学，如炳烛之光。——刘向
19、学而不思则惘，思而不学则殆。——孔子
20、读书给人以快乐、给人以光彩、给人以才干。——培根
第五篇：人脸识别技术是什么原理
1面像识别原理
2、
1、1面像识别技术概述
面像识别是近年来随着计算机技术、图象处理技术、模式识别技术等技术的快速进步而出现的一种崭新的生物特征识别技术。生物识别技术是依靠人体的身体特征来进行身份验证的一种高科技识别技术，如同人的指纹、掌纹、眼虹膜、DNA以及相貌等人体特征具有人体所固有的不可复制的唯一性、稳定性、无法复制一样，不易失窃或被遗忘。由于每个人的这些特征都不相同，因此利用人体的这些独特的生理特征可以准确地识别每个人的身份。
随着计算机技术的迅速发展，人们开发了指纹识别、声音识别、掌形识别、签名识别、眼纹(视网膜)识别等多种生物识别技术，目前许多技术都己经成熟并得以应用。而面像识别技术则是生物识别技术的新秀，与其他识别技术相比较，面像识别具有简便、准确、经济及可扩展性良好等众多优势，可广泛应用于安全验证、监控、出入口控制等多个方面。
面像识别技术包含面像检测、面像跟踪与面像比对等课题。面像检测是指在动态的场景与复杂的背景中判断是否存在面像并分离出面像，面像跟踪指对被检测到的面像进行动态目标跟踪，面像比对则是对被检测到的面像进行身份确认或在面像库中进行目标搜索。
面像检测分为参考模板、人脸规则、样本学习、肤色模型与特征子脸等方法。参考模板方法首先设计一个或数个标准人脸模板，然后计算测试样本与标准模板之间的匹配程度，通过阀值来判断是否存在人脸;人脸具有一定的结构分布特征，人脸规则即提取这些特征生成相应的规则以判断测试样本是否包含人脸;样本学习则采用模式识别中人工神经网络方法，通过对面像样本集和非面像样本集的学习产生分类器;肤色模型依据面像肤色在色彩空间中分布相对集中的规律来进行检测;特征子脸将所有面像集合视为一个面像子空间，基于检测样本与其在子空间的投影之间的距离判断是否存在面像。
上述方法在实际系统中也可综合采用。
面像跟踪一般采用基于模型的方法或基于运动与模型相结合的方法，另外，肤色模型跟
踪也不失为一种简单有效的手段。
面像比对从本质上讲是采样面像与库存面像的依次比对并找出最佳匹配对象。因此，
面像的描述决定了面像识别的具体方法与性能。目前主要有特征向量与面纹模板两种描述方
法，特征向量法先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离、角度等等
属性，然后计算出它们的几何特征量，这些特征量形成一描述该面像的特征向量;面纹模板
法则在库中存储若干标准面像模板或面像器官模板，在比对时，采样面像所有象素与库中所
有模板采用归一化相关量度量进行匹配。另外，还有模式识别的自相关网络或特征与模板结
合的方法。
面像识别技术的最新进展是可以通过摄象机来搜索捕捉识别活动的人像，而不仅仅
识别照片。例如，最近由美国新泽西州Visionics公司开发的面像局部特征分析法识别
系统，仅用一部摄象机和一台计算机，即可在人群中识别出某个人来。
该系统利用摄象机扫描拍摄的某一区域，搜索有可能是人脸的形状。然后在存储器
中搜索已事先存入的与之类似的面部特征。为了确认扫描到的眼睛、鼻子和嘴等特征就是一
个活人而不是人体模型或图片，系统还对眨眼或其他可以提供信息的面部动作进行搜索。
然后系统对组成面部图像的像素进行分析。它将每个像素点的明暗度与相邻点进行比较，查找明暗度向周围呈放射突变的区域。在眉骨、眼睛、或者其他突起的特征，比如颧骨和鼻子等处，都会出现这种突变。系统将勾勒出每一个这种像素点的位置，这些点称为“参照点”然后在点之间连线，形成一个由三角形构成的网络。
系统将测量每个三角形的角度，生成由672个1和0组成的数来描述一张面孔。之后程
序尝试从它的数据库中找出与该数据相匹配的类似记录。这种匹配不可能绝对理想，因此软
件会将相似程度分为不同的等级。软件是根据骨络结构描绘参考点的，因此胡须、化妆和眼
睛等伪装都不可能骗过它。
用于扑捉面部图像的除了为标准视频外，近来的发展趋势是热成像技术。热成像技术通
过分析由面部的毛细血管的血液产生的热线来形成面部图像，与视频摄像头不同，热成像技
术并不需要在较好的光源条件下，因此即使在黑暗情况下也可以使用。并可更好地排除胡须、
头发以及化妆引起的面部变化的干扰。
2、
1、2面像识别过程
1.建立面像档案:可以从摄像头采集面像文件或取照片文件，生成面纹 (Faceprint)编码;
2.获取当前面像，可以从摄像头捕捉面像或取照片输入，生成其面纹;
3.将当前面像的面纹编码与档案中的面纹编码进行检索比对。
“面纹”编码方式是根据脸部的本质特征和开头来工作的，它可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，使得它可以从百万人中精确地辨认出一个人。
上述整个过程都自动、连续、实时地完成，而且系统只需要普通的处理设备。几乎所有的生物测量过程对人们来说都是一种干扰。指纹和掌纹的测定需要人们将手放在玻璃表面。虹膜扫描需要用激光照射你的眼睛。面部识别最大的优越性在于它的方便性, 快速性，而且是非侵扰的。面部识别无需干扰人们行为而达到识别效果，无需为是否愿意将手放在指纹采集设备上，或对着麦克风讲话，或是将他们的眼睛对准激光扫描装置而进行争辩。你只要很快从一架摄像机前走过，你就已经被快速的检验。
2、
1、3面像识别技术应用范围
面像识别技术作为生物识别技术体系的后起之秀，将有着十分广泛的应用前景。可应用于诸多领域，如出入口控制、银行金融系统、公安追辑嫌疑犯、反恐怖斗争以及互联网中等等。在我国开展的“追逃”斗争，如果能利用面像识别技术，则可大大提高工作效率，并能对犯罪分子产生极大的威慑力量。使用面像识别系统只要在重要的车站、码头、机场、海关出入口附近架设摄像机，系统即可在无人职守的状态下，自动捕捉进、出上述场所的人员的头像，并通过计算机网络将面像特征数据传送到计算机中心数据库，自动与面像数据库中的逃犯面像比较，迅速准确地作出身份判断。一旦发现吻合的头像，可以自动报警并记录。
我国银行金融系统对安全控制有着极高的要求，如电子商务信息系统、金库的安全设施、保险柜、自动柜员机的使用等。由于近年来金融诈骗、抢劫发生率有所增高，对传统安全措施提出了新的挑战。面像识别技术不需要携带任何电子、机械“钥匙”，可以杜绝丢失钥匙、密码的现象，如果配合IC卡、指纹识别等技术可以使安全系数成倍增长。同时，在ATM自动取款机上应用面像识别技术，可以免除用户忘记密码的苦恼，还可以有效防止冒领、盗取的事件发生。
目前，在我国，面部识别技术的研究和应用还刚刚开始，但在欧美等发达国家这一技术已被应用在许多场所。特别是“9.11”恐怖事件之后，美国警方率先在冰岛国际机场、美国波士顿机场、美国奥克兰机场、美国亚特兰大机场、美国休斯敦机场等开始应用这一先进技术，借助闭路监视系统监控扫描人群自动搜寻警方所需要的恐怖分子目标。
蒋遂平:人脸识别技术及应用简介
1 人脸识别的分类
1.1 鉴别、验证和监控
(1) 鉴别(identification)：鉴别回答"这是谁?" 将给定的人脸图象与计算机中存储的N个人的图象逐个比较，输出M幅图象，这些按与给定图象的相似度从大到小排列，再由人来确定这是谁。通常，一个人在计算机中只存储一幅正面图象。
(2) 验证(verification)：验证回答"这是否为某人?" 将给定的人脸图象与与计算机中存储的某人的图象比较，回答给定的图象是否为某人的图象。通常，一个人在计算机中存储多幅不同角度的图象。
(3) 监控(watch list)：监控同时具有鉴别和验证，回?quot;这是否为要找的人?"(Are you looking for me?)。将未知身份的人的图象输入计算机，计算机决定这个人是否在监控名单中，如果在，还必须确定这个人的身份。
1.2 人脸识别和人头识别
(1) 人脸识别：输入给计算机识别的人脸图象，只包括人的脸部部分，没有背景、头发、衣服等。这时，计算机在进行真正的人脸识别。
(2) 人头识别：输入给计算机识别的人脸图象，除了包括人的脸部有皮肤的部分外，还有部分背景、头发、衣服。这时，人脸的五官特征是次要的，头发、背景、人脸轮廓等是主要特征，一旦头发、背景等变化，识别率下降。
1.3 自动与半自动人脸识别
(1) 自动人脸识别：输入到计算机的图象可以是包含人脸的图象，由计算机自动检测人脸部分进行分割后，进行识别。最初人们认为人脸检测是件容易的事，后来发现人脸检测可能比人脸识别更困难(特别是在灰度图象情况下，这时没有运动信息和肤色信息可利用)，人脸检测已经是一个独立的研究课题。
(2) 半自动人脸识别：采用人工确定人脸图象中两眼各自的中心位置，计算机根据这两个位置分割人脸图象，进行识别。常用于人脸鉴别。
2 人脸识别的性能
2.1主要性能指标
测量人脸识别的主要性能指标有：(1)误识率(False Accept Rate, FAR)：这是将其他人误作指定人员的概率;(2)拒识率(False Reject Rate, FRR)：这是将指定人员误作其它人员的概率。
计算机在判别时采用的阈值不同，这两个指标也不同。一般情况下，误识率FAR 随阈值的增大(放宽条件)而增大，拒识率FRR 随阈值的增大而减小。因此，可以采用错误率(Equal Error Rate, ERR)作为性能指标，这是调节阈值，使这FAR和FRR两个指标相等时的FAR 或 FRR。
2.2 影响人脸识别性能的因素及解决方法
(1) 背景和头发：消除背景和头发，只识别脸部图象部分。
(2) 人脸在图象平面内的平移、缩放、旋转：采用几何规范化，人脸图象经过旋转、平移、缩放后，最后得到的脸部图象为指定大小，两眼水平，两眼距离一定。
(3) 人脸在图象平面外的偏转和俯仰：可以建立人脸的三维模型，或进行三维融合(morphing)，将人脸图象恢复为正面图象。
(4) 光源位置和强度的变化：采用直方图规范化，可以消除部分光照的影响。采用对称的从阴影恢复形状(symmteric shape from shading)技术，可以得到一个与光源位置无关的图象。
(5) 年龄的变化：建立人脸图象的老化模型。
(6) 表情的变化：提取对表情变化不敏感的特征，或者将人脸图象分割为各个器官的图象，分别识别后再综合判断。
(7) 附着物(眼镜、胡须)的影响。
(8) 照相机的变化：同一人使用不同的照相机拍摄的图象是不同的。
3 应用情况
在无数影视或新闻中出现过这样的场景：警方利用人脸识别技术抓住了罪犯。然而，在现实生活中，人脸识别技术的效果并不令人满意。
美国陆军实验室在13周时间内，用270人的图象测试一个人脸识别系统，发现识别率只有 51%。这套系统在机场中进行测试时，存储了250人的图象，其中的15人在1个月内通过摄影机958次，只有455次被正确辨认，识别率只有47%。在美国一个机场开展的一项为期8周的公开测试中，使用一家公司的人脸识别系统，在4个星期出错率为53%。在另一个机场开展的一项为期90天的测试中，人脸识别系统发出的错误警报也太多。
人脸识别技术效果不尽如人意的原因：真人的电视图像与存储在数据库中的照片在布光和角度方面有差别。目前的人脸识别技术在人处于静止状态或一小群人通过检测点时有效，因此不适合在交通流量大的机场和街道拐角处使用。人脸识别要得到广泛采用，还很有待时日。