基于图像分析的柜员机-人脸识别系统大学论文

摘要

人脸识别技术是一种新型的身份识别技术，它是生物识别技术的一种，人脸识别技术也是一个非常活跃的研究领域，它覆盖了数字图像处理等诸多领域。随着人们应用需求的不断深入，人脸识别技术将呈现出主流化、芯片化、标准化发展趋势。人脸识别系统主要由检测与定位、特征提取与识别两部分组成，在这两部分的基础上还包括预处理等步骤，对于一个全自动的人脸识别系统，整个的识别过程可归纳为人脸检测与定位、特征提取和识别。实现流程如下：首先是预处理，对图像进行光照处理等以改善图像质量；检测与定位，从不同场景中检测出人脸并将其从背景中分割出来；对人脸库中所有图像大小和各器官位置归一化；最后对归一化的人脸图像进行特征提取与识别。由于动态识别研究处于起步阶段，该技术相对较欠缺，因此本文只研究基于静态人脸图像的识别方法。

关键词：人脸识别；数字图像处理；检测方法

Abstract

Face recognition technology is a new identity, it is a kind of biometric technology, face recognition technology is also a very active research area, which covers digital image processing and many other fields. With the deepening of people's application requirements, the face recognition technology will appear in the mainstream, chip, standardization, development trends. Face recognition system mainly by the detection and location, feature extraction and recognition of two parts, including the pretreatment steps in these two parts on the basis of a fully automatic face recognition system, the whole recognition process can be summarized as the human face detection and location, feature extraction and recognition. The process is as follows: First, pretreatment, light processing to improve image quality; detection and location on the image to detect a person's face from different scenes and split out from the background; face database image size and each organ location normalization; Finally, the normalized face image feature extraction and recognition. Dynamic discrimination in its infancy, the technology is relatively lacking This article only study identification method based on the static face images.

Key Words：face recognition; digital image processing; detection method

目录

摘要 (1)

Abstract (2)

1 绪论 (1)

1.1 课题背景 (1)

1.1.1 课题来源 (1)

1.1.2 生物特征识别的意义 (1)

1.1.3 生物特征识别分类 (2)

1.1.4 人脸识别技术 (5)

1.1.5 人脸识别技术的研究意义 (5)

1.2 人脸识别发展历史与概况 (7)

1.3 人脸识别的难点 (7)

2 人脸识别的相关理论 (9)

2.1 人脸特征 (9)

2.1.1 肤色特征 (9)

2.1.2 灰度特征 (9)

2.2 PCA的基本概念 (9)

2.2.1 PCA算法的原理 (10)

2.2.2 PCA算法 (11)

3 人脸识别算法设计 (13)

3.1 人脸检测与定位 (13)

3.2 基于PCA的人脸特征提取 (14)

3.3 人脸识别方法 (15)

3.3.1 几何特征法 (15)

3.3.2 特征脸法 (16)

3.3.3 弹性图匹配法 (17)

3.3.4 神经网络法 (17)

4 基于PCA的人脸识别系统设计 (19)

4.1 算法流程 (19)

4.2 人脸识别系统实现 (19)

5 总结及展望 (21)

5.1 总结 (21)

5.2 展望 (21)

致谢语 (22)

参考文献 (23)

附录 (24)

1 绪论

1.1 课题背景

1.1.1 课题来源

随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。目前，微电子和视觉系统的新进展使得高性能自动识别技术在成本领域的实施降到可接受的水平。而脸识别是所有的生物识别方法，人脸识别技术中应用最广泛的技术之一是近年来的一种新的识别技术，它是一种生物识别技术。随着应用需求的不断深入，人脸识别技术将呈现主流，芯片，标准化发展趋势。近年来受到各国研究人员的广泛关注，主要用于安全等领域。人们更多的是在电影中看到这项技术的魔力：警察拍摄嫌疑人的面部图像，输入电脑，将数据库中的数据与警方进行比较，并找出嫌疑犯和犯罪记录的细节。这不是虚构的情节。在国外，国家和军警等安全部门，很多重要部门长期以来一直使用面部识别技术。在家中，面部识别技术研究始于20世纪90年代，主要用于公安，金融，网络安全，物业管理和考勤等。根据信息来源的人脸识别可分为两类：基于静态基于动态信息的面部图像识别和识别。由于其初期的动态识别研究，技术相对较短，因此本文仅针对静态面部图像识别方法进行研究。

1.1.2 生物特征识别的意义

生物识别技术（Biometric Identification Technology）是利用人体生物特征进行身份认证的一种技术[1]。生物特征是唯一的（与他人不同）、可以测量或可以自动识别和验证的生理特性或行为方式，分为生理特征和行为特征。生物识别系统对生物特性进行取样，提取其唯一特征并进行身份认证。典型的生物识别系统的系统结构如图1.1：

图1.1 生物识别系统结构框图

目前的许多计算机系统，包括许多敏感系统，都是使用“用户ID +密码”方式对用户的身份认证和访问控制。事实上，这种方法意味着一些问题。密码，比如说容易忘记，也容易被盗。而且，如果用户忘了他的密码，他无法进入系统，当然可以由系统管理员重设你的密码再次启动工作，但一旦系统管理员忘记了我的密码，只有重新安装整个系统才能工作。相关机构调查，由于忘记密码和IT厂商售后服务造成的问题已成为最常见的问题之一[2]。

除了计算机网络和应用系统，一些传统的需求认证，还有类似的安全问题。如伪造和盗窃证书，不当等级等。一些犯罪通过伪造文件进入秘密地点窃取机密信息，移民或一些非法犯罪伪造签证和护照，这是因为传统文件使用易于伪造，未加密的纸质文件。

为了防止这种事件的发生，人们需要直接的身份认证手段，这就是“人体生物识别技术”。他根据每个人都有自己的生物特征来识别每个人的身份。这些特点大多具有“个性”，“终身”和“携带”特征，以确保认证的准确性和可靠性。

1.1.3 生物特征识别分类

到目前为止，通过现代科技手段，人人同时发现，每个人都有自己的视野，主要生物特征的三个特点有指纹，虹膜，人类细胞的遗传遗传等。虽然还有一些不能完全满足上述三个特点，但在一段时间内，“每个人都有自己的视野”是生物特征的特征，如面部，掌纹识别，言语，行为等已成为专业生物检测的热点研究与开发，学习相关技术，也被称为“生物识别技术”。

（1）虹膜识别

虹膜识别技术是使用终身不变性的虹膜识别和差异。虹膜识别技术结合相应的算法，可以实现非常高的精度。

彩虹模具是眼睛包含颜料环形薄膜，由结缔组织细胞和纤维组成，中间部分是眼睛。因为眼睛的颜色是由虹膜色素所决定的，所谓的虹膜，老叫彩虹。

虹膜的结构被确定为人们诞生。虹膜识别是将虹膜的视觉特征转换为512字节代码的虹膜，代码模板存储以供以后使用识别。

由于虹膜代码是通过计算的复杂度获得的，并且可以提供更多的特征点，因此虹膜识别具有最高的准确性。整个识别过程非常简单，虹膜的位置可以在一秒钟内完成。虹膜识别技术的缺点，虹膜识别系统只是使用统计原理，小规模实验还没有做过全球认证测试。此外，图像采集设备昂贵，难以实现小型化。

(2)视网膜识别

视网膜识别技术使用激光来照射眼球的背面，以获得具有唯一性的视网膜特征。

视网膜是非常小的神经背后的一些眼睛（1/50英寸），它是人的感觉光，并将是通过

视神经到大脑的信息的重要器官，它有一些相似之处膜的功能，用于神经视网膜周围的生物识别血管分布，即视网膜的四层细胞的距离。

视网膜扫描设备为视网膜图像，用户的眼睛和输入设备的距离应在半英寸内，并且要读取图像输入设备，眼睛必须处于静止状态，用户的眼睛看着旋转的绿色，输入设备400特征点可以从视网膜获取，与输入指纹相比，指纹只能提供30到40个特征点用于输入，创建模板并完成确认。像虹膜识别技术一样，视网膜扫描可能是最可靠和最可靠的生物识别技术，但没有任何测试，技术将会损害用户的眼球，但仍有待进一步研究。

(3)面部识别

基于面部特征的面部识别技术及其相互之间的关系，识别基于这些独特特征的识别技术非常复杂，需要人工智能和机器学习系统的知识，用于捕获两种技术的面部图像的标准视频和热成像技术。标准视频技术通过标准摄像头吸收面部图像或一系列图像，抓住脸部，经过一些重点记录，面部识别技术通常基于以下几种方式：

A.分析面部外观特征。

B.全球面部图像分析。

C.分析了图像中的面部温谱图和面部特征。

虽然已经有一些实用的面部识别技术产品，但目前面部识别系统收集的面部图像仍然有一定的局限性，如背景，光，表达，其广泛的最高识别精度范围只有99％左右。因此，脸部识别技术主要适用于某些应用中，用户可以抵制类型而完全无需人为干预，其使用效果仍不能令人满意。

(4)签名识别

签名作为认证手段成千上万年，我们熟悉银行形式在签名中作为我们身份的象征。数字签名是否是这样一个过程，测量图像本身的运动和每个字母与字母，顺序和压力之间不同速度的签名，签名识别和语音识别，学习的确定是一种行为。

使用签名识别更有可能是可以接受的，它是一种公认的识别技术。但随着经验的增长，生活方式随着气质的变化而变化，签名也随之而变，为了处理不可避免的自然变化的签名，我们必须在安全方面妥协;用于签名复杂而昂贵的平板电脑，因为笔记本电脑触控板的分辨率有很大的差异，我们在技术上难以组合这两者，它的尺寸很小型化。

（5）语音识别

语音识别是一种行为识别，语音识别设备不断测量，记录语音波形和变异特征，然后到现场进行语音和注册语音模板比较，最终判断。语音识别是基于生理特征的声音，它与语言识别的区别不是说自己被识别，而是通过分析语音的独特特征（例如，发音的频率）到识别扬声器。属于非接触识别技术，用户可以自然接受。

和其他的行为识别技术一样，语音因为变化的范围太大，故而很难进行一些精确的匹配；语音会随着音量、速度和音质的变化(例如当你感冒时)而影响到采集与比对的结果。

(6)基因识别

DNA基因鉴定是迄今为止最准确的生物测定方法之一。但实施技术所需的设备非常复杂和昂贵，还需要专业技术人员的专门培训来操作和使用这些设备，识别时间更长，因此DNA基因鉴定不广泛用于各种日常生活领域。

（7）指纹识别

指纹识别现在是生物检测研究中最深入的研究，应用最广泛，发展最成熟的技术。指纹识别已经是数百年历史的识别技术。

基于指纹识别技术的指纹识别技术，可以从指纹特征值中得出的指纹特征点和指纹特征点等指纹特征点以及完成，分叉点或分支的全局特征指纹和局部特征进行分析，以便可靠地通过指纹确认一个人的身份。平均每个指纹有几个独特的特征点可以测量，每个特征点都有七个特点，大约我们的10个手指具有最低的4900个独立特征可以测量。足以识别指纹识别是一种更可靠的识别方式。

指纹识别技术长期以来，已经在司法和刑事调查领域得到应用，使人们经常把指纹识别技术与犯罪调查有关，具有一定的心理阻力，影响了指纹识别系统的可接受性。另外有些人或某些指纹由于指纹特征很少，所以很难形象化，也影响了指纹识别的准确性。

指纹识别技术有很多优点：指纹是人体的独特特征，其准确性和复杂性足以提供足够的特征用于识别;如果要增加可靠性，只需注册更多的指纹，识别更多的手指，最多可达十个，每个指纹都是独一无二的;扫描指纹快，使用起来很方便;读取指纹，用户必须手指和指纹采集相互接触，是与指纹采集头直接接触读取人体的生物学特性是最可靠的方法。指纹采集头可以更小型化，价格会更便宜。

可以看出，指纹识别技术是最方便，可靠，非侵入和廉价的生物识别技术解决方案，对于广大的市场应用潜力巨大。

每种生物识别技术均有各自的优点和缺点，其实用性也与应用的领域密切相关。没有一种技术在任何工作环境下都优于其他技术。常用的各种生物特征识别技术的技术性能比较如表1.1所示：

表1.1 常用生物识别技术比较

1.1.4

所谓的脸部识别，面部图像或视频是指输入，确定是否有脸，如果有脸，进一步给出每个脸部的位置，大小和各种面部主要器官的位置，并基于此信息，每个面都进一步提取身份，并与图书馆面对的已知脸部进行比较，以便识别每张脸的身份。其研究内容包括以下五个方面：

（1）从不同面部检测的背景中检测是否有脸部，并确定其位置，尺寸，形状和过程等信息。与后续认可有关，可以正常工作，并保证最终识别结果的可靠性。

（2）面部表示确定说，检测人脸和已知面孔的数据库的描述方式。通常意味着包括几何特征（如欧氏距离和曲率，角度等），代数特征（如矩阵的特征向量）和固定特征模板等。

（3）面部识别在狭义上面对认知，往往是指在面对已知面孔的数据库中识别脸部，获取相关信息。这个过程的核心是选择适当的人脸表现和匹配策略，系统结构与人脸表现密切相关。

（4）表达/姿势分析即识别表情或手势的面部，并进行分类。

（5）物理分类识别面对分类的物理特征，得出的结论是，有些信息如年龄，性别，种族或衍生自少数人的图像，如面部的图像来源于他们的父母孩子的脸像等本文的人脸识别主要是指在狭义上进行人脸识别，是指采用数据库识别已知脸部识别之间的匹配。

面部识别是为了具有面部特征的计算机的目的来识别功能的身份。基于人脸识别特征的主要设计到面部检测和识别技术的复杂场景，是一种基于图像理解，模式识别和计算机视觉，如统计和人工智能技术研究方向。

1.1.5 人脸识别技术的研究意义

(1)富有挑战性的课题

人脸识别是机器视觉和模式识别的领域，同时也是最具挑战性的问题之一也有更广泛的应用。人脸识别技术是一个非常活跃的研究领域，涵盖数字图像处理，模式识别，计算机视觉，神经网络，心理学，生理学，数学等学科的内容。如今，虽然在这方面的研究取得了一些令人鼓舞的成果，但FRT在实际应用中仍然面临着一个非常严重的问题，因为面部特征的分布非常相似，而脸本身就是一个灵活的对象，表达，姿势或发型，化妆万花筒

正确识别带来了相当大的麻烦。如何正确识别很多人并满足实时性要求是迫切需要解决的问题。

（2）面部感知系统的重要内容

基于视觉信息的面部感知系统，包括面部检测和跟踪，面部特征位置和面部识别，面部分类（如年龄，种族，性别歧视），面部表情识别，唇读三分系统，如图1所示，你可以看到，面部检测和追逐后，面部特征位置通常是面对感知的一个基本环节，是后续工作的基础，具有重要的意义。虽然脸部识别不能说其他面部感知模块是一个必要的功能，但可以肯定的是，使用已知信息的身份，结合人的先前知识，可以改善表情分析，唇读和言语识别，手势识别和手写识别可靠性。而计算机对用户身份的最直接应用是基于特定的用户环境设置：如用户的个性化工作环境，信息共享和隐私保护等。

(3)实际应用广泛

人脸识别研究已经有40多年的历史，作为生物识别的一种，广泛应用在身份识别，海关监控等领域。目前，人脸识别技术也逐渐走向了商用，如Eyematic公司研发的人脸识别系统等。

目前研究较多的是静态人脸识别技术，计算机静态人脸识别是一个经典的模式识别问题。人脸识别的传统方法主要分为：整体匹配方法，其中最具代表性的是主元分析法，其他混合型的算法。这些人脸识别系统多数都要依赖于面部特征（比如眼睛中心位置）的严格特征匹配来归一化人脸以便提取人脸描述特征静态人脸识别系统主要由检测与定位，特征提取与识别两部分组成，在这两部分的基础上海包括预处理等步骤。

常用的人脸识别试验库以美国军方的FERET库最为权威，它包括多人种，多年龄段，各种表情变化，光照变化，姿态变化的图象，图像的数量和实验的人数也非常多，可以充分地验证人脸识别算法。目前尚没有专门测试人脸检测和定位算法的图像库。如图1.2所示是面部感知系统结构图。

图1.2 面部感知系统结构图

1.2 人脸识别发展历史与概况

在1960年代末到70年代初，脸上的研究刚刚开始。是Bledsoe最早的研究人员之一，他建立了半自动人脸识别系统，主要参数如跨度，面部特征点比例。

自20世纪90年代以来，要快速提高计算机硬件和软件的性能，以及对面部识别能力的高需求，是开发更健壮的面部识别方法，称为时代[2]是不可避免的。所以基于整体运算的识别方法，很快成为研究重点，如面法和弹性图匹配法。

自90年代中期以来，考虑到人脸识别方法的整体识别和分量分析，结合发展趋势。研究人员开始认识到人脸识别算法必须能够充分利用人脸各种特征信息，整合形状的脸部拓扑结构特征，局部灰度特征和全局灰度分布特征等特点。因此，出现了许多新算法，这些算法是原始的单一算法在一起，常见于完成人脸识别。可变形模型方法的灰度和形状分离是其中之一。

90年代末，一些商业面部识别系统开始逐渐进入市场，面部识别技术是当今国际上最重要的手段之一。然而，这些技术和系统与实际应用，性能和准确性有一定距离。

自2000年以来，面部识别方法的表现虽然有一定的提高，但仍然存在与人们要求的差距，现有的照明方法，年龄，条件变化等表情，姿势距离更敏感，当某些条件发生变化时，识别效果不是很理想。目前，人脸识别技术仍然只能用于某些要求的精度不高。

1.3 人脸识别的难点

目前人脸识别的难点主要存在于以下几个方面：

（1）光照变化是影响人脸识别性能的最关键因素，对这个问题的解决程度关系着人脸识别实用化进程的成败，在人脸图像预处理或者归一化阶段，尽可能地补偿乃至至消除

其对识别性能的影响。

（2）成像角度及成像距离等因素的影响，即人脸的姿态的变化，会垂直于图像平面的两个方向的深度旋转，会造成面部信息的部分缺失。

（3）不同年龄的人脸有着较大的差别。身份证是以前照的，在逃犯的照片也是以前的，因此在公安部门的实际应用中，年龄问题是一个最突出的问题。

（4）采集图像的设备较多，主要有扫描仪，数码相机，摄像机等。由于成像的机理不同，形成了同类人脸图像的识别率较高，而不同类间人脸图像识别率较低的情况。随着人脸识别技术的发展，这一问题也将逐步得到解决。

（5）人脸图像的数据量巨大。目前由于计算量的考虑，人脸定位和识别算法研究大多使用尺寸很小的灰度图像。一张64 * 64像素的256级灰度图像就有4096个数据，每个数据有256种可能的取值。定位和识别算法一般都很复杂，在人脸库较大的情况下，计算量十分大，很多情况下速度令人难以忍受。而灰度数据事实上是丧失了色彩，运动等有用信息的。如果使用全部的有用信息，计算量就更了了。

2 人脸识别的相关理论

特征提取是人脸识别中的核心步骤，直接影响识别精度。由于人脸是多维弹性体，易受表情、光照等因素影响，提取特征的困难较大。特征提取的任务就是针对这些干扰因素，提取出具有稳定性、有效性的信息用于识别。

2.1 人脸特征

人脸特征[3]是识别的重要依据之一，检测定位过程中也会用到人脸特征，其中肤色特征和灰度特征是两类常用特征。

2.1.1 肤色特征

由肤色模型描绘的皮肤特征的颜色，其使用统计方法对目标对象建模的颜色。基于颜色特征的识别方法简单，可以快速定位脸部。脸部肤色不依赖于细节，大部分背景颜色差异，但方法对光和图像采集装置的特性敏感。肤色在颜色空间聚合，肤色复杂，造成统一造型的一定难度。该方法通常用作统计模型的辅助辅助方法，适用于粗略位置或对运行时间要求较高。

2.1.2 灰度特征

灰度特征包括轮廓特征，灰度分布特征（直方图特征，镶嵌图特征等），结构特征，模板特征等。由于人脸五官位置相对固定，灰度分布呈一定规律性，因此，可利用灰度特征来进行人脸识别。通常采用统一的方法或特征空间变换的方法进行灰度特征的提取，如利用K-L变换法[4]（由卡尔胡宁（Karhumen）与勒夫（Loeve ）分别提出的一种图像变换方法）得到的特征脸，利用小波变换得到的小波特征等。

2.2 PCA的基本概念

主成分分析（PCA）是广泛使用的特征提取方法之一，最早提出了Ttirk和Pentland。基本思想是将面部变成矢量矩阵，然后提取特征向量。 PCA方法是模式识别领域的有效方法近年来也得到了一定的发展。与传统PCA方法相比，2004年提出的ZDPCA方法是处理lh-zd 矩阵更有效的方法之一，不需要将图像转换为向量，而是将原始图像矩阵直接用于协方差矩阵的重建图像，与协方差矩阵的PCA方法相比，协方差矩阵的大小的ZDPCA图像较小，如：假设图像的大小为128×128，ZDPCA协方差矩阵大小为128×128，因此，ZDPCA具有显着的优越性计算。最近很多研究表明，ZDPCA方法在模式识别方面，特别是在面部识别领域是非常受欢迎的，是基于子模式二维二维主成分分析的人脸识别，通过阻挡原始图像，该方法可以有效提取原始图像的局部特征，同时通过直接在子图像矩阵中使用双向二维主成分的方法进行特征提取，避免矩阵向量变换，可以精确计算特征向量的协方差矩阵并能有效降低特征尺寸，方法在姿势条件下，面部表情和光照条件发生变化，具有良好的识别性能;模块ZDPCA文章[7]提出改进面部识别方法，每个子块的训练样本中每个训练样本的类别和

类中的自适应加权平均值的方法，以及训练样本类中的自适应加权平均值对相应子块的类进行归一化处理，然后由归一化子块组成的通用离散度矩阵，得到最优投影矩阵;通过将训练样本和测试样本的子块子块的训练集合的加权平均值，将子块的投影矩阵标准化为最佳投影矩阵，并获得识别特征，该方法可以更好地反映局部特征图像差异，提高识别率;文章[8]提出了一种模块化ZDPCA 和CSPCA 面部验证算法，该方法从原始数据，二维数据块中使用ZDPCA 进行特征提取，可以有效提取局部特征的图像，而不是新的原始图像的低维模式，则CSPCA 的新模式（基于客户相关的子空间线性判别分析方法），不仅在类中，类差异，构成了PCA 的缺陷。和客户相关的子空间可以更好地描述不同个体之间的差异，比传统判别能力的个体特征更好。这种方法可以更好地描述脸部特征，缩小尺寸，计算简单。

由于协方差矩阵的维数，将图像矩阵转换为高维向量的PCA 方法是高且较少的训练样本，导致计算复杂度和难度增加。 ZDPCA 方法直接通过使用二维图像来计算协方差矩阵，由于其协方差矩阵和相对足够的训练样本，ZDPCA 方法计算特征向量的协方差更准确，更快。虽然在文章中已经表明ZDPCA 方法比传统的PCA 方法有很多优点，但也有缺点：首先，需要更多的系数来表示图像，是基于双向ZDPCA 投影提出的，首先在同一个时间为lh-zd 矩阵空间的行和列方向为最佳投影，然后lh-zd 面向行向量和列的矩阵投影到两个不同的子空间，两边的投影方法是最大的优点是与最小量的面部图像系数，从而达到最高的压缩率;二，笔者在文章中已经失去了一些ZDPCA 协方差信息的方法，这个信息包括一些重要的面对局部几何结构变化信息，但PCA 方法可以保留信息。如果ZDPCA 方法可以用于协方差的更多信息，则可以提高该方法的识别率。因此，本节ZDPCA 方法研究如何使用协方差更多的信息。

2.2.1 PCA 算法的原理

令x 为表示环境的m 维随机变量。假设x 均值为零，即：

[]0E x = (0.1)

令w 表示m 维单位向量，x 在其上投影。这个投影被定义为向量x 和w 的内积，表示为： 1n T k k k y w x w x ===∑

(0.2)

而主成分分析的目的就是寻找一个权值向量w 使得表达式E[y2]的值最大化：

22()T T T T x E y E w x w E xx w w C w ??????===?????? (0.3)

根据线性代数的理论，可以知道满足式子值最大化的w 应该满足下、式：

x j j j C w w λ= (0.4)

即使得上述式子最大化的w 是矩阵Cx 的最大特征值所对应的特征向量。

2.2.2 PCA 算法

从本质上来说，主成分分析法是一种线性映射算法，它的算法步骤如下： 设原始观测数据样本集合为一组(l 个)零均值(如果不是的话，则先做去均值预处理，相当于对全体向量作一次平移变换)的n 维随机向量：{}1;1,2,...,;0l n j j

J x R j l x =∈==∑，以样

本集合的协方差矩阵(总体散度矩阵)为产生矩阵。即,

}{()()T E x x μμ--∑ (0.5)

或 1

01()()T i i i x x l μμ=--∑∑ (0.6) 其中μ为观测样本的均值向量，由于i x 是零值向量，所以μ为零值向量。显然，∑是一个对称、半正定的n ×n 矩阵，对它进行特征值分解得到：

12000...0...00T n U U λλλ??????=??????∑ (0.7)

其中U 是正交矩阵，(1,2,...,)i i n λ==是∑的特征值，且12...0n λλλ≥≥≥≥，各特征值对应的特征向量就是矩阵U 的各列(从左到右)，它是一组正交基。

作线性变换y =U T x ，原始的各观测数据向量变换成一组特征向量

1;1,2,...,;0l n j j J y R j l y =??∈==????

∑,其协方差矩阵为： 12000...0()()...00T T T T n E yy E U xx U U U λλλ??????===??????∑ (0.8) 新特征向量组的(1,2,...)i y i n L ==称为第i 个主成分。

显然，∑的第i 个特征值等于i y 的方差i λ，第i 个主成分的方差贡献率为： 1i

l i

i λλ

=∑ (0.9) 那么前m 个主成分的累计方差贡献率为：

微博短文本细粒度情感分析毕业设计论文

摘要 题目：微博短文本细粒度情感分析 摘要 微博作为是移动互联网起步最早也发展最快的业务之一，在经历了最初几年的高速增长和热捧之后，一度有些沉寂。但是，伴随着4G网络、WiFi网络大规模覆盖，移动终端智能设备的极速增长，越来越多的人频繁地使用微博。移动端用户的增长，让微博有了日活跃用户超过1亿的基础。基于该庞大的用户群体，利用微博文本对用户进行情感分析，不仅有利于新生代商业模式探索、社会舆情监控与分析，而且对人工智能发展的积极意义也不容小觑。文本情感分析为人工智能在人类情感领域的探索做出了积极的贡献。 微博具有典型的网络语言特点，语法规范性差、口语化、新词汇层出不穷、大量的表情符号和文本噪声等。基于传统规范书面语言词典的微博情感分析效果差强人意。为了解决这个问题，本文一方面通过对传统情感词典进行网络语言的扩充，构建了新的适用于微博文本分析的词典，并通过实验验证了词典的有效性；另一方面，使用对特殊情感词汇依赖性小的RAE网络模型，性能得到了提高。 含有否定词的文本情感判别较为复杂，否定词的加入可能使原文本情感极性发生转变，也可能极性保持不变，程度有所削弱。传统本文传统的情感分析方法通常对文本模型进行简化，假设一个词语仅和其前一个词语有关，对含有否定词的文本的积极/消极判别较差。RNTN模型没有进行类似简化，保持了词向量之间的强相关性。本文通过对RNTN模型的训练，使其在含有否定词中文文本情感极性判别上有良好的表现。 RNTN模型对词语或短语级细粒度情感分析上表现出色，而且不需要大量的人工标注；RAE模型作为较为成熟的深度学习模型，抛弃了传统的词袋模型，利用层次结构和成分语义来进行情感分类；SVM作为传统机器学习方法，通用性强，适用范围广。结合以上方法的特点以及情感分类的任务目标，本文设计了微博短文本的双极性、细粒度情感分类方案，首先使用SVM对微博篇章进行主客观分类，RAE和RNTN对判定为主观情感的文本的每一个句子进行正负极性判断，并选出极性最强的句子，该句子的情感极性即为整个微博的情感极性。若RAE和RNTN评判结果一致，即为最终结果。并通过实

关于数字图像处理论文的题目

长春理工大学——professor——景文博——旗下出品 1基于形态学运算的星空图像分割 主要内容： 在获取星图像的过程中，由于某些因素的影响，获得的星图像存在噪声，而且星图像的背景经常是不均匀的，为星图像的分割造成了极大的困难。膨胀和腐蚀是形态学的两个基本运算。用形态学运算对星图像进行处理，补偿不均匀的星图像背景，然后进行星图像的阈值分割。 要求： 1> 图像预处理：对原始星空图像进行滤波去噪处理； 2> 对去噪后的图像进行形态学运算处理； 3> 选取自适应阈值对形态学运算处理后的图像进行二值化； 4> 显示每步处理后的图像； 5> 对经过形态学处理后再阈值的图像和未作形态学处理后再阈值的图像进行对比分析。 待分割图像直接分割图像处理后的分割图像 2基于数字图像处理的印刷电路板智能检测方法 主要内容： 通过对由相机实时获取的印刷电路板图像进行焊盘识别，从而提高电子元件的贴片质量，有效提高电路板的印刷效率。 要求： 1> 图像预处理：将原始彩色印刷电路板图像转成灰度图像，对灰度图像进行背景平滑和滤波去噪； 2> 对去噪后的图像进行图像增强处理，增强边缘提取的效果。 3> 对增强后的图像进行边缘提取（至少两种以上的边缘提取算法）； 4> 显示每步处理后的图像（原始电路板图像可自行查找）； 5> 图像处理后要求能对每个焊盘进行边缘提取，边缘清晰。 3静止背景下的移动目标视觉监控 主要内容：

基于视觉的人的运动分析最有前景的潜在应用之一是视觉监控。视觉监控系统的需求主要来自那些对安全要求敏感的场合，如银行、商店、停车场、军事基地等。通过对静止背景下的目标识别，来提醒监测人员有目标出现。 要求： 1>对原始参考图和实时图像进行去噪处理； 2>对去噪后的两幅图像进行代数运算，找出目标所在位置，提取目标，并将背景置黑； 3> 判断目标大小，若目标超过整幅图像的一定比例时，说明目标进入摄像保护区域，系统对监测人员进行提示（提示方式自选）。 4>显示每步处理后的图像； 5>分析此种图像监控方式的优缺点。 背景目标出现目标提取 4车牌识别图像预处理技术 主要内容： 车辆自动识别涉及到多种现代学科技术，如图像处理、模式识别与人工智能、计算机视觉、光学、机械设计、自动控制等。汽车作为人类生产、生活中的重要工具被广泛的使用，实现自动采集车辆信息和智能管理的车牌自动识别系统具有十分重要的意义: 要求： 1>对原始车牌图像做增强处理； 2>对增强后的彩色图像进行灰度变换； 3>对灰度图像进行直方图均衡处理； 4>选取自适应的阈值，对图像做二值化处理； 5>显示每步处理后的图像； 6>分析此种图像预处理的优缺点及改进措施，简要叙述车牌字符识别方法 原始车牌图像处理后的车牌图像 5医学细胞图像细胞分割图像增强算法研究 主要内容： 医学图象处理利用多种方法对各种图像数据进行处理，以期得到更好的显示效果以便医生根据细胞的外貌进行病变分析。 要求： 1>通过对图像的灰度变换调整改变细胞图像的灰度，突出感兴趣的细胞和细胞核区域。 2>通过直方图修改技术得到均衡化或规定化等不同的处理效果。 3>采用有效的图像平滑方法对细胞图像进行降噪处理，消除图像数字化和传输时所混入的噪声，提高图像的视觉效果。 4>利用图像锐化处理突出细胞的边缘信息，加强细胞的轮廓特征。 5>显示每步处理图像，分析此种细胞分割图像预处理方法的优缺点。 原始细胞图像 图像处理后的细胞图像 6瓶子灌装流水线检测是否液体灌装满瓶体 当饮料瓶子在罐装设备后要进行液体的检测，即：进行判断瓶子灌装流水线是否灌装满瓶体的检测，如液面超过瓶颈的位置，则装满，否则不满，如果不满则灌装液体不合格，需重新进行灌装。 具体要求： 1）将原进行二值化 2）二值化后的图像若不好，将其滤波再进行膨胀处理,并重新进行二值化

人脸识别发展趋势及应用领域分析

人脸识别发展趋势及应用领域分析 人脸识别技术是一种高精度、易于使用、稳定性高、难仿冒的生物识别技术，具有极其广阔的市场应用前景。在公安、国防、海关、交通、金融、社保、医疗及其他民用安全控制等行业和部门存在着广泛的需求。 一、人脸识别何以瞬间爆发？ 其实对于整个生物识别领域来说，由于指纹识别应用时间早，价格低廉，而且使用便利，因此早早地便占据了国内的大部分市场，在顶峰时期，甚至可以达到90%左右。但是，又是什么力量，使人脸识别在短短五六年的时间里，就实现了如此迅猛的腾飞呢？ （一）政策因素：抛开技术因素，国家政策的支持可以说是人脸识别崛起的重要因素之一。尤其随着近些年来，平安城市等技术的大力推广，我国安防市场的需求也随之迅速升温，各领域安保的等级也就随之实现明显的提升。甚至在部分地区的部分领域，人脸识别已经开始被列为使用过程中的强制标准。这种情况的出现，对于人脸识别的推广无疑是一种非常有力的推动。因此，虽然政策的角色只是一种诱导的作用，但是这种诱导对于人脸识别的爆发，却又是不可或缺的。 （二）社会需求：在我国，随着城镇化的进程加快，流动人口比例大大增加，面临的突发事件和异常事件越来越复杂。因此这也就给城市的安保工作，以及视频监控带来了更大的压力。传统依靠人工来“盯”的方式难免会因疲劳或精神不集中等原因影响监视效果，难以胜任对庞大数据库的分析与理解，从而影响事后查找证据，更难以满足时代的需求，于是，人们对于具有智能分析的视频监控应用的呼声越来越高。 二、人脸识别发展趋势 （一）与视频监控相结合：随着人脸识别技术的进一步发展，将人脸识别技术将实现与数字监控系统的进一步融合，将成为人脸识别技术的另外一大应用领域。据统计数据显示，仅在中国大陆，在未来三年内有望形成年销售额过百亿，并在未来十年内则有望形成年销售额过千亿的市场规模。（二）逐步取代指纹考勤：人脸识别考勤，通过对人脸一些独一无二的特征识别对验进行考

图形图像处理论文 精品

开封大学软件技术学院 毕业设计（论文） 毕业设计题目：室内设计 学生姓名：海鸥 专业班级： 08级图形图像制作1班 指导老师：崔丹丹 2010年5月20日

目录 目录 (2) 论文摘要 (3) 一、引言 (4) （一）室内设计的发展 (4) （二）制作目的 (5) （三）室内装饰风格 (6) 二、开发工具 (6) （一）3Ds Max8 (6) （二）Photoshop CS (7) （三）AutoCAD (7) 三、设计现状和设计目标 (8) （一）设计现状 (8) （二）设计目标 (8) 四、室内设计需求分析 (8) 五、室内效果图的设计与实现 (10) （一）AUTOCAD平面图制作 (10) （二）3ds max中的实现 (13) （三）最终效果图 (15) 六、致谢 (20) 参考文献: (20)

论文摘要 现代室内空间里各种造型、装饰、陈设等无一不表现着人们对美好生活的追求和愿望。这些不同风格的现代室内设计以科学技术为依托、文化艺术为内涵，它的发展往往反映了一个民族的文化精神。这些文化元素植根于人们的意识中，经历史沉淀，不可回避地显现在人们的生活中。随着社会的发展，室内设计作为一门与人们的生活质量和居住环境密切联系的行业，在快速发展。目前，市场急需一大批高素质的室内设计应用型人才，他们需要具备扎实的艺术设计功底、熟练的计算机操作技术、工程技术和材料学知识以及得体的表达与交流能力。高校在室内设计人才的培养中发挥着重要的作用。 关键词：室内设计应用型人才培养

蒋家室内效果的设计与实现 姓名: 海鸥 （开封大学软件技术学院） 一、引言 （一）室内设计的发展 现代室内设计既有很高的艺术性的要求，其涉及的设计又有很高的技术含量，并且与一些新兴学科，如：人体工程学、环境心、环境物理学等关系极为密切。现代室内设计已经在环境设计中发展成为独立的新兴学科。 1.国内 原始社会：西安半坡村方形居住空间——圆形居住空间——原始系族社会——新石器时代——商朝——建筑空间秩序井然严谨规正 秦、西汉——阿房宫、未央宫 汉——自古以来室内设计与建筑装饰是紧密联系在一起的。 历代文献——《考工纪》、《梓人传》、《营造法式》以及计成的《园冶》中都涉及到室内设计内容。 明清——家具与室内装饰发展达到一个顶峰。 我国传统的各类民居——北京的四合院、四川的山地住宅、云南的“一颗印”、山西民宅大院、福建客家土楼、泰族干阑式住宅、上海的里弄建筑等，在体现地域文化的建筑形体和空间室内组织、在建筑装饰的设计和装修工艺制作方面，都有极为宝贵的借鉴成果。 2.国外 公元前古埃及——贵族宅邸的遗址中，抹灰墙上绘有彩色竖直条纹，地上铺有草编织物，配有各类家具和生活用品．古埃及卡纳克的阿蒙神庙，庙前雕塑

情感分析简述

情感分析简述 分类：NLP2012-04-08 12:38 1022人阅读评论(3) 收藏举报情感classification算法测试translationmatrix 情感分析，我研究了也有半年有余了，ACL Anthology上关于情感分析的论文也基本看过了一遍，但是到目前还没有什么成就的。以下是我为一位同学毕业设计写的情感分析方面的综述，引用的论文基本上是ACL 和COLING还有EMNLP上历年关于情感分析的论文，本文应该学术性比较强一点，本文虽不打算发表，但由于将来可能还有用，以及关于学术上的原因，请大家如果要引用请务必标明出处 （https://www.sodocs.net/doc/9411802239.html,/s/blog_48f3f8b10100irhl.html）。 概述 情感分析自从2002年由Bo Pang提出之后，获得了很大程度的研究的，特别是在在线评论的情感倾向性分析上获得了很大的发展，目前基于在线评论文本的情感倾向性分析的准确率最高能达到90%以上，但是由于深层情感分析必然涉及到语义的分析，以及文本中情感转移现象的经常出现，所以基于深层语义的情感分析以及篇章级的情感分析进展一直不是很大。情感分析还存在的一个问题是尚未存在一个标准的情感测试语料库，虽然Bo Pang实验用的电影评论数据集（https://www.sodocs.net/doc/9411802239.html,/people/pabo/movie-review-data/）以及Theresa Wilson等建立的MPQA（https://www.sodocs.net/doc/9411802239.html,/mpqa/）是目前广泛使用的两类情感分析数据集，但是并没有公认的标准加以确认。 目前情感分析的研究基本借鉴文本分类等机器学习的方法，还没有根据自身的特点形成一套独立的研究方法，当然在某种程度上也可以把情感分析看出一种特殊的文本分类。比较成熟的方法是基于监督学习的机器学习方法，半监督学习和无监督学习目前的研究不是很多，单纯的基于规则的情感分析这两年已很少研究了。既然目前很多情感分析的研究基于机器学习，那么特征选择就是一个很重要的问题，N元语法等句法特征是使用最多的一类特征，而语义特征（语义计算）和结构特征（树核函数）从文本分类的角度看效果远没有句法特征效果好，所以目前的研究不是很多的。 由于基于监督学习情感分析的研究已经很成熟了，而且在真实世界中由于测试集的数量要远远多于训练集的数量，并且测试集的领域也不像在监督学习中被限制为和训练集一致，也就是说目前情感分析所应用的归纳偏置假设在真实世界中显得太强的，为了和真实世界相一致，基于半监督学习或弱指导学习的情感分析和跨领域的情感分析势必是将来的研究趋势之一。 在情感分析的最初阶段基于语义和基于规则的情感分析曾获得了比较大的重视，但是由于本身实现的复杂性以及文本分类和机器学习方法在情感分析应用上获得的成功，目前关于这方面的研究以及很少了，但是事实上，语义的相关性和上下文的相关性正是情感分析和文本分类最大的不同之处，所以将基于语义和规则的情感分析与基于机器学习的情感分析相结合也将是未来的研究趋势之一。 以下将分别对情感分析的起源，目前基于监督学习，无监督学习，基于规则和跨领域的情感分析的一些研究工作进行简单的介绍。 起源 虽然之前也有一些相关工作，但目前公认的情感分析比较系统的研究工作开始于（Pang et al., 2002）基于监督学习（supervised learning）方法对电影评论文本进行情感倾向性分类和（Turney,2002）基于无监督学习（unsupervised learning）对文本情感情感倾向性分类的研究。（Pang et al., 2002）基于文本的N元语法（ngram）和词类（POS）等特征分别使用朴素贝叶斯（Naive Bayes），最大熵（Maximum Entropy）和支持向量机（Support Vector Machine，SVM）将文本情感倾向性分为正向和负向两类，将文本的情感进行二元划分的做法也一直沿用至今。同时他们在实验中使用电影评论数据集目前已成为广泛使用的情感分析的测试集。（Turney ,2002）基于点互信息（Pointwise Mutual Information，PMI）计算文本中抽取的关键词和种子词（excellent,poor）的相似度来对文本的情感倾向性进行判别（SO-PMI算法）。 在此之后的大部分都是基于（Pang et al., 2002）的研究。而相对来说，（Turney et al.,2002）提出的无监督学习的方法虽然在实现上更加简单，但是由于单词之间的情感相似度难以准确的计算和种子词的难以确定，继续在无监督学习方向的研究并不是很多的，但是利用SO-PMI算法计算文本情感倾向性的思想却被很多研究者所继承了。 监督学习 目前，基于监督学习的情感分析仍然是主流，除了（Li et al.,2009）基于非负矩阵三分解（Non-negative Matrix Tri-factorization），（Abbasi et al.,2008）基于遗传算法（Genetic Algorithm）的情感分析之外，使用的最多的监督学习算法是朴素贝叶斯，k最近邻（k-Nearest Neighbor，k-NN），最大熵和支持向量机的。而对于算法的改进主要在对文本的预处理阶段。 一个和文本分类不同地方就是情感分析有时需要提取文本的真正表达情感的句子。（Pang et al., 2004）基于文本中的主观句的选择和（Wilson el al.,2009）基于文本中的中性实例（neutral instances）的分析，都是为了能够尽量获得文本中真正表达情感的句子。（Abbasi et al.,2008）提出通过信息增益（Information Gain，IG）的方法来选择大量特征集中对于情感分析有益的特征。 而对于特征选择，除了N元语法和词类特征之外，（Wilson el al.,2009）提出混合单词特征，否定词特征，情感修饰特征，情感转移特征等各类句法特征的情感分析，（Abbasi et al.,2008）提出混合句子的句法（N元语法，词类，标点）和结构特征（单词的长度，词类中单词的个数，文本的结构特征等）的情感分析。 除了对于文本的预处理，对于监督学习中情感分析还进行了以下方面的研究的。（Melville et al., 2009）和（Li et al.,2009）提出结合情感词的先验的基于词典的情感倾向性和训练文本中后验的基于上下文的情感情感倾向性共同判断文本的情感倾向性。（Taboada et al.,2009）提出结合文本的题材（描述，评论，背景，解释等）和文本本身的特征共同判断文本的情感倾向性。（Tsutsumi et al.,2007）提出利用多分类器融合技术来对文本情感分类。（Wan, 2008）和（Wan, 2009）提出结合英文中丰富的情感分析资源来提高中文情感分析的效果。 基于规则/无监督学习

数字图像处理应用论文数字图像处理技术论文

数字图像处理应用论文数字图像处理技术论文 关于数字图像处理及其应用的研究 摘要：首先对数字图像处理的关键技术以及相应的处理设备进行详细的探讨，然后对数字图像处理的应用领域以及发展趋势进行详尽论述。 关键词：数字图像处理：关键技术；应用领域 0 引言 人类通过眼、耳、鼻、舌、身接受信息，感知世界。约有75％的信息是通过视觉系统获取的。数字图象处理是用数字计算机处理所获取视觉信息的技术，上世纪20年代Bartlane电缆图片传输系统(纽约和伦敦之间海底电缆)传输一幅图片所需的时间由一周多减少到小于3个小时；上世纪50年代，计算机的发展，数字图像处理才真正地引起人们的巨大兴趣；1964年，数字图像处理有效地应用于美国喷气推进实验室(J.P.L)对“徘徊者七号”太空船发回的大批月球照片的处理；但是直到上世纪六十年代末至七十年代扔，由于离散数学理论的创立和完善，使之形成了比较完整的理论体系，成为一门新兴的学科。数字图像处理的两个主要任务：如何利用计算机来改进图像的品质以便于人类视觉分析；对图像数据进行存储、传输和表示，便于计算机自动化处理。图像处理的范畴是一个受争论的话题，因此也产生了其他的领域比如图像分析和计算机视觉等等。

1 数字图像处理主要技术概述 不论图像处理是基于什么样的目的，一般都需要通过利用计算机图像处理对输入的图像数据进行相关的处理，如加工以及输出，所以关于数字图像处理的研究，其主要内容可以分为以下几个过程。图像获取：这个过程基本上就是把模拟图像通过转换转变为计算机真正可以接受的数字图像，同时，将数字图像显示并且体现出来(例如彩色打印)。数据压缩和转换技术：通过数据压缩和数据转换技术的研究，减少数据载体空间，节省运算时间，实现不同星系遥感数据应用的一体化。图像分割：虽然国内外学者已提出很多种图像分割算法，但由于背景的多变性和复杂性，至今为止还没有一种能适用于各种背景的图像分割算法。当前提出的小波分析、模糊集、分形等新的智能信息处理方法有可能找到新的图像分割方法。图像校正：在理想情况下，卫星图像上的像素值只依赖于进入传感器的辐射强度；而辐射强度又只与太阳照射到地面的辐射强度和地物的辐射特性(反射率和发射率)有关，使图像上灰度值的差异直接反映了地物目标光谱辐射特性的差异，从而区分地物目标。图像复原，以图像退化的数学模型为基础，来改善图像质量表达与描述，图像分割后，输出分割标记或目标特征参数；特征提取：计算描述目标的特征，如目标的几何形状特征、统计特征、矩特征、纹理特征等。图像增强：显示图像中被模糊的细节。或是突出图像中感兴趣的特征。图像识别：统计模式识别、模糊模式识别、人工神经网络等。

图像语义分析与理解综述

*国家自然科学基金资助项目(N o .60875012,60905005) 收稿日期:2009-12-21;修回日期:2010-01-27 作者简介 高隽,男,1963年生,教授,博士生导师,主要研究方向为图像理解、智能信息处理、光电信息处理等.E m a i:l gao j un @hfut .edu .cn .谢昭,男,1980年生,博士,讲师,主要研究方向为计算机视觉、智能信息处理、模式识别.张骏,女,1984年生,博士研究生,主要研究方向为图像理解、认知视觉、机器学习.吴克伟,男,1984年生,博士研究生,主要研究方向为图像理解、人工智能. 图像语义分析与理解综述 * 高 隽 谢 昭 张 骏 吴克伟 (合肥工业大学计算机与信息学院合肥 230009) 摘 要 语义分析是图像理解中高层认知的重点和难点,存在图像文本之间的语义鸿沟和文本描述多义性两大关键问题.以图像本体的语义化为核心,在归纳图像语义特征及上下文表示的基础上,全面阐述生成法、判别法和句法描述法3种图像语义处理策略.总结语义词汇的客观基准和评价方法.最后指出图像语义理解的发展方向.关键词 图像理解,语义鸿沟,语义一致性,语义评价中图法分类号 T P 391.4 I m age Se m antic Anal ysis and Understandi ng :A R eview GAO Jun ,XI E Zhao ,Z HANG Jun ,WU Ke W ei (S chool of C o m puter and Infor m ation,H e fei University o f T echnology,H efei 230009) ABSTRACT Se m antic ana l y sis is the i m portance and diffi c u lty of high level i n terpretati o n i n i m age understandi n g ,i n wh ich there are t w o key issues of text i m age se m an tic gap and tex t descri p ti o n po lyse m y .Concentrating on se m antizati o n o f i m ages onto logy ,three soph i s tica ted m et h odolog ies are round l y rev ie w ed as generati v e ,d iscri m ina ti v e and descriptive gra mm ar on the basis of conc l u d i n g i m ages se m antic fea t u res and context expression .The ob jective benchm ark and eva l u ation for se m an tic vocabu lary are i n duced as w e l.l F i n ally ,the summ arized directions fo r furt h er researches on se m antics i n i m age understand i n g are discussed i n tensively .K ey W ords I m age Understanding ,Se m antic G ap ,Se m an tic Consistency ,Se m an tic Evalua ti o n 1 引 言 图像理解(I m age Understandi n g ,I U )就是对图像的语义解释.它是以图像为对象,知识为核心,研 究图像中何位置有何目标(what is w here)、目标场景之间的相互关系、图像是何场景以及如何应用场景的一门科学.图像理解输入的是数据,输出的是知 识,属于图像研究领域的高层内容[1-3] .语义(Se 第23卷 第2期 模式识别与人工智能 V o.l 23 N o .2 2010年4月 PR &A I A pr 2010

2019年我国人脸识别技术发展情况及发展趋势综合分析

2019年我国人脸识别技术发展情况 及发展趋势综合分析 2019年2月14日 一、全球生物识别细行业市场占比情况分析 生物识别指的是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段相结合，利用人体固有的生理特性来进行个人身份鉴定技术。按不同的识别方式，生物识别可分为指纹识别、虹膜识别、语音识别、静脉识别和人脸识别。 伴随着生物识别产品逐渐从单一的PC处理转变为分布式计算。 用独立的前端独立设备来完成生物特征的采集、预处理、特征提取和比对，通过中心PC或服务器完成与业务相关的处理。随着生物特征 识别技术的不断发展和提高，生物特征识别技术的应用场景不断拓展，预计2015-2020年全球生物识别细分行业复合增长率分别为：人脸识别复合增长率为167%；语音识别为100%；虹膜识别为100%；指纹识别复合增长率为73%。

全球生物识别细行业市场占比情况 二、中国人脸识别技术发展情况分析 1、中国人脸识别行业发展历程 人脸识别技术在中国的发展起步于上世纪九十年代末，经历了技术引进-专业市场导入-技术完善-技术应用-各行业领域使用等五个阶段。其中，2014年是深度学习应用于人脸识别的关键一年，该年FaceBook发表一篇名为“DeepFace系统：达到肉眼级别的人脸识别系统”（翻译名），之后Face++创始人印奇团队以及香港中文大学汤晓鸥团队均在深度学习结合人脸识别领域取得优异效果，两者在LFW数据集上识别准确度均超过了99%，而肉眼在该数据集上的识别准确度仅为97.52%，可以说深度学习技术让计算机人脸识别能力超越人类的识别程度。

人脸识别与其他生物识别方式相比，优势在于自然性、不被察觉性等特点。自然性即该识别方式同人类进行个体识别时所利用的生物特征相同。指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触，而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像，在采集过程中体验感不佳。目前人脸识别需要解决的难题是在不同场景、脸部遮挡等应用时如何保证识别率。此外，隐私性和安全性也是值得考虑的问题。 2、3D人脸识别与2D人脸识别数据对比 目前，国内的人脸识别技术已经相对发展成熟，该技术越来越多的被推广到安防领域，延伸出考勤机、门禁机等多种产品，产品系列达20多种类型，可以全面覆盖煤矿、楼宇、银行、军队、社会福利 保障、电子商务及安全防务等领域，人脸识别的全面应用时代已经到来。 中游人脸识别技术的进步，是推动下游场景应用拓展的关键所在。目前，人脸识别市场的解决方案主要包括2D识别、3D识别技术。市场上主流的识别方案是采用摄像头的2D方案，但由于人的脸部并非 平坦，因此2D识别在将3D人脸信息平面化投影的过程中存在特征信息损失。3D识别使用三维人脸立体建模方法，可最大程度保留有效 信息，因此3D人脸识别技术的算法比2D算法更合理并拥有更高精度。

图像处理论文

图像处理技术近期发展及应用 摘要：图像处理技术的研究和应用越来越收到社会发展的影响，并以自身的技术特点反过来影响整个社会技术的进步。本文主要简单概括了数字图像处理技术近期的发展及应用现状，列举了数字图像处理技术的主要优点和制约其发展的因素，同时设想了图像处理技术在未来的应用和发展。 关键字：图像处理发展技术应用 1.概述 1.1图像的概念 图像包含了它所表达的物体的描述信息。我们生活在一个信息时代，科学研究和统计表明，人类从外界获得的信息约有百分之七十来自视觉系统，也就是从图像中获得，即我们平常所熟知的照片，绘画，动画。视像等。 1.2图像处理技术 图像处理技术着重强调在图像之间进行的变换，主要目标是要对图像进行各种加工以改善图像的视觉效果并为其后的目标自动识别打基础，或对图像进行压缩编码以减少图像存储所需要的空间或图像传输所需的时间。图像处理是比较低层的操作，它主要在图像像素级上进行处理，处理的数据量非常大。 1.3优点分析 1．再现性好。数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。 2．处理精度高。按目前的技术，几乎可将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高，这意味着图像的数字化精度可以达到满足任一应用需求。 3．适用面宽。图像可以来自多种信息源，它们可以是可见光图像，也可以是不可见的波谱图像（例如X射线图像、射线图像、超声波图像或红外图像等）。从图像反映的客观实体尺度看，可以小到电子显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。即只要针对不同的图像信息源，采取相应的图像信息采集措施，图像的数字处理方法适用于任何一种图像。 4．灵活性高。图像处理大体上可分为图像的像质改善、图像分析和图像重建三大部分，每一部分均包含丰富的内容。而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 2.近期发展及应用领域

计算机论文图像处理技术论文

计算机论文图像处理技术论文 摘要：随着人类正加快步入信息时代，使得计算机技术得到了飞速发展。计算机技术的广泛应用，使人们越来越多地开始将将先进的计算机技术应用到我们捕捉到的图像上，并希望通过计算机图像处理技术的应用，获得理想的效果并提取我们想要的信息。相信在先进图像处理技术发展的推动下，计算机图像处理技术的应用也将渗透到社会的各个领域。 关键词：计算机；图像处理技术；应用 the application of computer image processing technology wang chenxu (hainan normal university,haikou570102,china) abstract:as human being accelerated into the information age,making computer technology has been rapid development.extensive application of computer technology,more and more people began to be advanced computer technology to our captured image,and that through computer image processing technology,to obtain the desired results and extract the information we want.i believe the development of advanced image

(完整版)2019年我国人脸识别技术发展情况及发展趋势综合分析.doc

2019 年我国人脸识别技术发展情况 及发展趋势综合分析 2019 年 2 月 14 日 一、全球生物识别细行业市场占比情况分析 生物识别指的是通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段相结合，利用人体固有的生理特性来进行个人身份鉴定技术。按不同的识别方式，生物识别可分为指纹识别、虹膜识别、语音识别、静脉识别和人脸识别。 伴随着生物识别产品逐渐从单一的PC处理转变为分布式计算。用独立的前端独立设备来完成生物特征的采集、预处理、特征提取和比对，通过中心PC或服务器完成与业务相关的处理。随着生物特征 识别技术的不断发展和提高，生物特征识别技术的应用场景不断拓展，预计 2015-2020 年全球生物识别细分行业复合增长率分别为：人脸识别复合增长率为167%；语音识别为 100%；虹膜识别为 100%；指纹识别复合增长率为73%。

全球生物识别细行业市场占比情况 二、中国人脸识别技术发展情况分析 1、中国人脸识别行业发展历程 人脸识别技术在中国的发展起步于上世纪九十年代末，经历了技术引进 - 专业市场导入 - 技术完善 - 技术应用 - 各行业领域使用等五个阶段。其中， 2014 年是深度学习应用于人脸识别的关键一年，该年FaceBook发表一篇名为“ DeepFace系统：达到肉眼级别的人脸识别系统”（翻译名），之后Face++创始人印奇团队以及香港中文大学汤晓鸥团队均在深度学习结合人脸识别领域取得优异效果，两者在LFW数据集上识别准确度均超过了99%，而肉眼在该数据集上的识别准确度仅为 97.52%，可以说深度学习技术让计算机人脸识别能力超 越人类的识别程度。

图像处理在航天航空中的应用-结业论文

图像处理在航天航空中的应用-结业论文

论文题目：图像处理在航天和航空技术方面的运用 学院：机械电气工程学院 班级： 2012级机制3班 姓名：张娜 学号： 20125009077

摘要：图像处理技术的研究和应用越来越受到社会发展的影响，并以自身的技术特点反过来影响整个社会技术的进步。本文主要简单概括了数字图像处理技术的特点、优势，列举了数字图像处理技术的应用领域并详细介绍了其在航天航空领域中的发展。 关键字：图像处理简介技术的优点发展技术应用 一、引言 数字图像处理是通过计算机采用一定的算法对图像图形进行处理的技术，它已经在各个领域上都有了较广泛的应用。图像处理的信息量很大，对处理速度要求也很高。本文就简单的介绍图像处理技术及其在各个领域的应用，详细说明图像处理在航天航空技术方面的应用。 二、数字图像处理简介 （一）图像的概念 图像包含了它所表达的物体的描述信息。我们生活在一个信息时代，科学研究和统计表明，人类从外界获得的信息约有百分之七十来自视觉系统，也就是从图像中获得，即我们平常所熟知的照片，绘画，动画。视像等。 （二）数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理技术着重强调在图像之间进行的变换，主要目标是要对图像进行各种加工以改善图像的视觉效果并为其后的目标自动识别打基础，或对图像进行压缩编码以减少图像存储所需要的空间或图像传输所需的时间。图像处理是比较低层的操作，它主要在图像像素级上进行处理，处理的数据量非常大。数字图像处理的早期应用是对宇宙飞船发回的图像所进行的

文本情感分析研究现状

文本情感分析研究现状 机器之心专栏 作者：李明磊 作为NLP 领域重要的研究方向之一，情感分析在实际业务场景中 存在巨大的应用价值。在此文中，华为云NLP 算法专家李明磊为 我们介绍了情感分析的概念以及华为云在情感分析方面的实践和 进展。 基本概念 为什么：随着移动互联网的普及，网民已经习惯于在网络上表达意见和建议，比如电商网站上对商品的评价、社交媒体中对品牌、产品、政策的评价等等。这些评价中都蕴含着巨大的商业价值。比如某品牌公司可以分析社交媒体上广大民众对该品牌的评价，如果负面评价忽然增多，就可以快速采取相应的行动。而这种正负面评价的分析就是情感分析的主要应用场景。 是什么：文本情感分析旨在分析出文本中针对某个对象的评价的正负面，比如「华为手机非常好」就是一个正面评价。情感分析主要有五个要素，（entity/实体，aspect/属性，opinion/观点，holder/观点持有者，time/时间），其中实体和属性合并称为评价对象(target)。情感分析的目标就是从非结构化的文本评论中抽取出这五个要素。

图1 情感分析五要素 举例如下图： 图2 情感分析五要素例子 上例中左侧为非结构化的评论文本，右侧为情感分析模型分析出的五个要素中的四个（不包括时间）。其中实体「华为手机」和属性「拍照」合并起来可以作为评价对象。评价对象又可细分为评价对象词抽取和评价对象类别识别。如实体可以是实体词和实体类别，实体词可以是「餐馆」、「饭店」、「路边摊」，而实体类别是「饭店」；属性可以是属性词和属性类别，如属性词可以是「水煮牛肉」、「三文鱼」等，都对应了属性类别「食物」。实体类别和属性类别相当于是对实体词和属性词的一层抽象和归类，是一对多的关系。词和类别分别对应了不同的

2018年人脸识别行业市场调研分析报告

2018年人脸识别行业市场调研分析报告

目录 1、市场规模不断提升，政策支持力度加强 (5) 1.1、市场规模不断提升 (5) 1.2、政策支持力度不断加强 (7) 1.3、一级市场火热，国内专利不断攀升 (7) 2、 CNN 算法解决识别精度，人脸识别优势明显 (9) 2.1、发展历史悠久， CNN 算法助力识别率大幅提升 (9) 2.2、 2D 人脸识别为主， 3D 人脸识别还未成熟 (11) 2.3、生物识别技术中人脸识别优势明显 (12) 3、行业发展迅速， B 端百亿市场有望率先爆发 (13) 3.1、 B 端增量市场核心动力在于构建大安防体系 (14) 3.2、 C 端市场还未充分打开 (16) 4、多方逐鹿，综合能力至关重要 (18) 4.1、创业公司：基于技术优势切入市场 (19) 4.2、上市公司：技术+资金+渠道、综合实力强劲 (20) 4.3、互联网巨头：C 端影响力强大，探索 B 端落地 (22) 5、行业评级 (23) 6、企业分析 (24) 7、风险提示 (26)

图 1：生物识别领域未来五年复合增长率 (5) 图 2：全球生物识别市场规模（亿美元） (6) 图 3：2007-2015年人脸识别新增专利主要国家分布 (8) 图 4：人脸识别专利总量主要国家分布 (9) 图 5：人脸识别发展阶段 (9) 图 6：人脸识别算法流程 (11) 图 7：移动人脸识别系统 (15) 图 8：How-old-do-i-look (17) 图 9：ibaby婴儿监视器 (18) 图 10：云从科技部分金融案例 (20)

表 1：人脸识别相关政策 (7) 表 2：人脸识别部分企业融资情况 (8) 表 3：2D、3D人脸识别对比实验结果 (12) 表 4：模式识别对比 (13) 表 5：典型应用场景 (13) 表 6：人脸识别相关创业公司 (19) 表 7：人脸识别相关上市公司 (21) 表 8：互联网巨头人脸识别相关布局 (22)

java图形图象处理论文

摘要 随着计算机技术的迅速发展，数字图像处理技术在医学领域的研究和应用日益深入和广泛。现代医学已越来越离不开医学图像处理技术。医学图像处理技术在临床诊断、教学科研等方面发挥了重要的作用。计算机图像处理技术与影像技术的结合从根本上改变了医务人员进行诊断的传统方式。充分地利用这些技术可以提高诊断的正确性和准确性，提高诊断效率，降低医疗成本，可以更加充分地发挥各种医疗设备的功能。而且，随着数字化、智能化进程的深人，图像处理技术在医疗卫生领域将会有更加广阔的应用前景。 Java是Sun公司推出的一种面向对象编程语言。Java非常适合于企业网络和Internet 环境，现已成为Internet中最受欢迎、最有影响的编程语言之一。目前国内使用Java语言开发的图像处理系统比较少，这也增加了这方面的研究价值。 本文首先对图像增强和图像分割中的几种算法进行了介绍，包括线性灰度变换，伪彩色处理，平滑处理，中值滤波，阈值分割，边缘检测等。然后用Java语言对上述各算法编程实现，并设计Java GUI（图形用户界面）用来显示图像处理的结果，以及创建一个数据库用于存储医学图像。 关键词：医学图像；图像增强；图像分割；面向对象

Abstract As the computer technique’s quickly development, the image process technique having been more deeply and widely in the use and study of medical science. The modern medical science can not work well without the medical image processing technology; it has made an important use in clinical diagnosis and education study. The combination of the image processing technique and imaging technique has changed the way that traditional diagnosis. Make adequately use of this techniques will be increase accuracy, increase the efficiency of diagnosis, decrease the cost of medical treatment and make the most use of function with medical treatment equipments. Moreover, as the deeply with the arithmetic figure and the intelligence, the image processing technique will have a more wonderful future. Java is a kind of object-oriented programming language from the company of Sun. The Java is becoming a most welcome and influence programming language which suits for the business network and the environment of internet. Currently, use Java language to developed image processing system is not very frequency in our country. So, this is a cause of increasing the value of study. This project introduces some kinds of algorithms in image enhancement and image segmentation. It includes linear grey level transformation, pseudo-color processing, smooth processing, median filter, threshold segmentation, edge detection and so on. Then, use Java to program and realize. And show the result of image processing using Java GUI (Graphical User Interface), as well as create a database to stock medical image. Key Words: medical image; image enhancement; image segmentation; object-oriented