基于神经网络的人脸识别技术方法研究
第3期2019年2月No.3February，2019
人们在特定时刻的感觉在临床术语中被称为“情绪”。6种基本情绪被认为是快乐、悲伤、愤怒、恐惧、厌恶和惊讶，而其他已知的人类情感往往被视为这6种复杂社交情境的特殊化。研究人员从各种观点研究了情绪在人工智能中的作用：开发与人类更优雅互动的代理人和机器人，开发利用情绪模拟来辅助自己推理的系统，或创建更接近人体情感互动和学习的机器人。皮卡德指出：“智能复杂自适应系统中将会有功能，它们必须响应不可预测的复杂信息，这些信息起着情感在人们身上发挥作用的作用。”因此，对于计算机以实时方式响应复杂的情感信号，他们将需要像我们所拥有的系统，我们称之为情感。
人类的情感不仅是一种合乎逻辑的理性成分，它们与行为和感情紧密相连。人类情感系统在生存、社会互动和合作以及学习中起着至关重要的作用。机器需要一种情感—机器运动。因此，我们可以确定智能机器需要情绪，以便在学习复杂任务时以及在对人类的学习和决策制定进行建模时提高其表现。
情绪在人类决策过程中发挥着重要作用，因此，当我们试图模拟人类反应时，它们应该嵌入推理过程中。Bates 使用Ortony 等描述的模型提出了一个可信的代理人。该模型仅描述了基本情绪和先天反应；然而，它为构建计算机情感模拟提供了一个很好的起点。Kort 等提出了一个模型，他们的目的是概念化情绪对学习的影响，然后，建立一个工作的基于计算机的模型，将识别学习者的情感状态并对其作出适当的反应，以便学习将以最佳的速度进行。Poel 等引入了模拟混合神经网络架构，用于情绪学习。系统从注释数据中学习如何产生情绪状态以及由内部和外部刺激引起的变化。Clocksin 探讨了记忆中的问题，并结合可能的人工认知架构进行了研究。这项工作与人工智能研究中考虑记忆和情感的传统方式背道而驰，并且源于社会和发展心理学中出现的两种思想[1]。
本文提出了一种基于情绪反向传播学习算法的情绪神经网络。情绪神经网络具有两种模拟情绪，有助于网络学习和分类过程。这两种情绪是焦虑和自信。结合这些情绪参数的基本原理是它们对我们人类认知过程中的学习的影响。在实践中，两个情感参数意味着当情绪神经网络被训练时，一个是使用所有节点作为训练模式样本的输入平均值，另一个是某种程度上的增加惯性项用于在训练时期进展时修改从一种模式到下一种模式的变化水平。从数学的角度来看，当接
近成本函数的最小值时，我们不希望被单个模式的误差所左
右，其中一些模式可能是异常值。因此，我们关注最近学习步骤积累的“记忆”。
本文旨在研究这些额外的情绪参数对情绪神经网络在学习和决策中的表现的影响。我们使用脸部图像数据库，它已经在我们以前的作品中有效地使用。该数据库包括270个不同性别，种族和年龄的30人的图像，具有各种照明条件和对比度。面部图像的多样性旨在研究情绪神经网络的稳健性。
1 具有情绪参数的学习算法
反向传播学习算法是用于训练分层神经网络的广义delta 规则。自前人引入该算法以来，该算法已被广泛使用。在本节中，基于情绪反向传播学习算法的情绪神经网络学习算法，根据情绪神经网络内的信息流详细解释，该网络由3层组成：输入层（i ）神经元，具有（h ）神经元的隐藏层和具有（j ）神经元的输出层。1.1 输入层神经元
这些是非处理神经元；每个输入层神经元的输出定义为YIi =Xii
其中，
XIi 和YIi 分别是输入和输出输入层中神经元i 的值。1.2 隐藏层神经元
这些是处理神经元，因此，
S 形激活函数用于激活该层中的每个神经元。这里，假设有一个隐藏层。但是相同的过程可以应用于多个隐藏层。
其中XHh 和YHh 分别是隐藏层中神经元h 的输入和输出值。使用进入该神经元的所有输入值的总电位计算隐藏层神经元XHh 的输入。总电位是输入值的乘法和它们的相关权重的总和。
其中Whi 是隐藏神经元h 给予输入神经元i 的权重，
YIi 是输入神经元i 的输出，
r 是输入层神经元的最大数量。其中Whb 是由隐藏神经元h 给予隐藏层偏置神经元b 的权重，
Xb 是偏置神经元的输入值。1.3 输出层神经元
这些也是处理神经元，因此，
S 形激活函数用于激活该层中的每个神经元。
其中XJj 和YJj 分别是输出层中神经元j 的输入和输出值。除了偏置和情绪神经元之外，还使用从先前隐藏层馈送神经元的所有输入值的总电位来计算输出层神经元XJj 的输入。
作者简介：吴思楠（1997— ），女，辽宁丹东人，本科生；研究方向：计算机科学与技术。
摘 要：文章研究了情绪神经网络的效率，该网络使用改进的反向传播学习算法。实验结果表明，人工情绪可以成功建模并有
效实施，以改善神经网络的学习和普遍性。关键词：神经网络；反向传播算法；人工情感建模；面部识别基于神经网络的人脸识别技术方法研究
吴思楠
（辽宁师范大学海华学院，辽宁 沈阳 110167）
无线互联科技
Wireless Internet Technology
第3期2019年2月
No.3 February，2019
因此，输出层神经元的输入被定义为常规总电位，偏置总电位和情绪总电位之和。
其中Wjh是输出神经元j给隐藏神经元h给出的权重，YHh是隐藏神经元h的输出。l是隐藏层神经元的最大数量。
其中Wjb是输出神经元j给输出层偏置神经元b给出的权重，Xb是偏置神经元的输入值，它被设置为1（Xb=1）。
其中Wjm是输出神经元j给输出层情绪神经元m给出的权重，而Xm是情绪神经元的输入值。
2 面部识别实施
人脸的复杂性源于随着时间的推移而发生的面部特征的不断变化。尽管有这些变化，我们人类仍然能够识别面孔并识别人物。这种能力并不存在于机器中，因此，需要在我们尝试创建智能自主机器时人为地模拟识别。
当前的面部识别方法依赖于检测局部面部特征并将其用于面部识别或全局地分析面部作为整体。局部面部识别系统使用面部内的面部特征；全局人脸识别系统使用整个面部来识别人。
在该部分中，情绪神经网络用于在呈现他/她的面部图像识别人时使用了基于反向传播学习算法的传统神经网络以及用于面部识别的全局模式平均。在训练或测试神经网络之前，全局模式平均用于面部图像预处理。
情绪和传统神经网络的实施使用270个不同性别，种族和年龄的人的面部和背景图像。每个面具有3个不同的投影，在看向左、直和右时捕获[2]。
使用AdobePhotoshop 7.0实现了对比度降低和增加。显示了具有3个对比度级别的面部图像的示例。对比度水平面部方向的变化旨在测试情绪神经网络在正确识别人物中的稳健性。作为这些变化的结果，每个人具有9个面部图像，总共有270个图像。所有原始图像尺寸为512×512像素。将图像缩小为128×128像素的大小，然后提取包含面部及其背景的大小为100×100像素的窗口，其中这个相对较小尺寸的图像中的数据用于训练并最终测试神经元网络。
3 神经网络构建
情绪神经网络具有3层，包括输入层、隐藏层和输出层。输入层具有100个神经元，每个神经元接收全局面部图像片段的平均值。隐藏层由45个神经元组成，这是在许多实验后确定的，涉及从1到100调整隐藏神经元的数量。输出层根据人数有30个神经元。传统的神经网络也用于比较目的，具有与情绪网络类似的配置，以确保客观的实验结果评估和比较。
任何神经网络的实现都包括训练和测试。在这项工作中，共使用了270张脸部图像。为了训练神经网络，使用180个面部图像。这些训练图像是向左看和向右看的30个人，具有3种不同的照明条件（原始对比度，低对比度和高对比度）。30个人看起来笔直的剩余90个面部图像具有3个对比度级别，仅用于测试目的，并且在训练期间没有呈现给神经网络。
4 实验结果
已经进行的实验旨在测试情绪神经网络的性能并将其性能与传统神经网络进行比较。使用以下系统配置实现了对两个神经网络的训练和测试：使用WindowsXP操作系统的具有512 MBRAM的2.8-GHzPC，C语言源代码和Borland编译器。
情绪神经网络在3 795次迭代后并在286 s内学习和收敛，而使用一次正向传递的运行时间为5.229 10-4 s。传统的神经网络在3 184次迭代后并在213 s内学习和收敛，而使用一次正向传递的运行时间为8.789 10-4 s。
当用于测试训练的神经网络时，所有180个训练图像被正确识别，因为它们被用作训练图像。对90个测试面部图像的识别表明识别系统的成功，因为这些面部图像之前没有被呈现给神经网络[3]。另外，“直视”脸部图像具有不同的方向和对比度水平，因此，与训练面部图像相比，在相似的坐标处“左看”和“看向右”的像素值不同。结果显示，两个情绪系数的加入显著改善了神经网络的学习和性能。此外，情绪神经网络的识别率高于传统网络。
5 结语
本文介绍了情绪神经网络学习算法在面部识别问题中的应用，还研究了模拟人工情绪并利用它们来改善神经网络学习的概念。情绪神经网络有两个情绪参数：焦虑和信心，它们影响神经网络的学习和决策过程。情绪神经网络使用情绪反向传播学习算法。本文详细描述了情绪神经网络学习算法。选择面部识别问题来实现情绪神经网络以及传统的神经网络。用于实施的面部图像数据库包括面部图像及其30个不同性别、种族和年龄的人的背景。面部方向和照明条件的多样性提供了270个图像，用于训练和测试情绪和传统神经网络。
在两个神经网络之间进行了比较，其中情绪神经网络已经显示出优于传统神经网络，广义神经网络运行时间显著减少，识别率更高。此外，研究工作将继续探索可以有效使用情绪神经网络的不同应用领域。
[参考文献]
[1]于达岭，黄洪琼.一种基于卷积神经网络的人脸识别方法[J].信息技术与网络安全，2017（14）：49-51.
[2]冯建洋，谌海云.基于人工神经网络的人脸识别研究[J].自动化与仪器仪表，2017（5）：24-26.
[3]WANG X，PAN H.Multi-view face recognition based on BP neural network and KPCA[J].Advanced Materials Research，2014（9）：1737-1740.
Study on face recognition technology based on neural network
Wu Sinan
（Liaoning Normal University Haihua College, Shenyang 110167, China）
Abstract：This paper studies the efficiency of emotional neural network, which uses an improved back propagation learning algorithm. The experimental results show that artificial emotion can be successfully modeled and implemented to improve the learning and universality of neural network.
Key words：neural network; back propagation algorithm; artificial emotion modeling; face recognition
无线互联科技·技术应用
神经网络在人脸识别中的应用
神经网络在人脸识别中的应用 1. 引言 早在上世纪60年代末，人脸识别即引起了研究者的强烈兴趣.但早期的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。进入上世纪90年代，由于高速度、高性能计算机的出现，人脸识别的方法有了重大突破，进入了真正的机器自动识别阶段，人脸识别研究得到了前所未有的重视。人脸识别方法有很多种： (1) 特征脸方法。这种方法起源于图像描述技术，采用特征脸识别方法有良好的 稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性。不足之处是受表情变化、光照角度强度变化和视角变化等严重影响，鲁棒性较差。(2) 隐马尔可夫模型方法(HiddenMarkovModel) 是用于描述信号统计特征的一 组统计模型。HMM 的基本理论是由Baum和Welch等人在20世纪60年代末70年代初建立，在语音识别中应用较多。 (3) 弹性图匹配方法。弹性图匹配方法是一种基于动态连接结构的方法。它将人脸用格状的稀疏图表示。 (4) 神经网络方法。人工神经网络是由多个神经元按照一定的排列顺序构成的，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但由大量冲经元所构成的网络系统却能够 实现复杂丰富的功能。神经网络系统除了具有集体运算的能力和自适应的学习能力外，还有根强的容错性和鲁棒性?善于联想、综合和推广。神经网络模型各种各样。它们是从不同的角度对生物神经系统不同层次的描述和模拟。有代表性的网络模型有感知器、多层映射BP网络、RBF网络等。目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都是采用BP网络及其变化形式，它也是前向网
人脸识别技术研究解读
人脸识别技术研究 1 引言 1.1 选题背景 目前，在个人身份鉴别中主要依靠ID卡和密码等传统手段，这些传统手段的安全性能较低，且都是基于，“What he Dossesses”或“What he remembers”的简单身份鉴别，离真真意义上的身份鉴别“Who he is”还相差甚远。依靠传统方法来确认个人身份越来越不适应现代科技的发展和社会的进步。生物特征识别技术给可靠的身份鉴定带来了可能。最近，国际生物特征组织(IBG)对生物特征识别技术做了较详细的市场分析和预测，其结果显示，全球生物特征识别技术2014年的产值约为69亿美元，预计到2016年将超过93亿美元，市场潜力非常巨大…。 生物识别技术是指利用一个人特有的生理和行为特征进行自动的身份认证。只有满足以下几个条件的生理或行为特征才能被用做生物识别特征 1)普遍性。即每个人都要具备这种特征。 2)唯一性。即不同的人应该具备不同的这种特性。 3)持久性。即这种特征不随时间地点的改变而变化。 4)可采集性。即该特征可以被定量地测量。 研究和经验表明，人脸、指纹、手型、掌纹、虹膜、视网膜、签名、声音等都满足这些条件，可以用于识别人的身份。基于这些特征，人们发展了人脸识别、指纹识别、语音识别、虹膜识别等多种生物识别技术。在所有的生物特征识别技术中，利用人脸特征进行身份识别是最自然、最直接和最友好的于段。与其它生物特征识别技术相比，人脸的获取非常容易，几乎可以在被采集对象无意识的状态
下获取人脸图像，这样的取样方式没有“侵犯性”。 人脸识别技术是种重要的生物特征识别技术，应用非常广泛。人脸是自然界存在的一种特殊的复杂视觉模式，它包含及其丰富的信息。首先，人脸具有一定的不变性和唯一性，人脸识别是人类在进行身份确认时使用最为普遍的一种方式，人脸图像还能够提供一个人的性别、年龄、种族等有关信息。其次，人脸也
人脸识别技术的应用背景及研究现状
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
人脸识别技术的主要研究方法
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且
神经网络在人脸识别中的应用
神经网络在人脸识别中的应用 1.引言 早在上世纪60年代末, 人脸识别即引起了研究者的强烈兴趣.但早期的人脸识别一般都需要人的某些先验知识, 无法摆脱人的干预。进入上世纪9O年代, 由于高速度、高性能计算机的出现,人脸识别的方法有了重大突破, 进入了真正的机器自动识别阶段, 人脸识别研究得到了前所未有的重视。人脸识别方法有很多种: (1)特征脸方法。这种方法起源于图像描述技术，采用特征脸识别方法有良好的稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性。不足之处是受表情变化、光照角度强度变化和视角变化等严重影响, 鲁棒性较差。(2)隐马尔可夫模型方法(HiddenMarkovMode1)是用于描述信号统计特征的一组统计模型。HMM的基本理论是由Baum和Welch等人在20世纪6O年代末70年代初建立, 在语音识别中应用较多。 (3)弹性图匹配方法。弹性图匹配方法是一种基于动态连接结构的方法。它将人脸用格状的稀疏图表示。 (4)神经网络方法。人工神经网络是由多个神经元按照一定的排列顺序构成的, 是一个非线性动力学系统, 其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单, 功能有限, 但由大量冲经元所构成的网络系统却能够实现复杂丰富的功能。神经网络系统除了具有集体运算的能力和自适应的学习能力外, 还有根强的容错性和鲁棒性.善于联想、综合和推广。神经网络模型各种各样。它们是从不同的角度对生物神经系统不同层次的描述和模拟。有代表性的网络模型有感知器、多层映射BP网络、RBF网络等。目前, 在人工神经网络的实际应用中,绝大部分的神经网络模型都是采用BP网络及其变化形式, 它也是前向网络的核心部分, 是人工神经网络最精华的部分。2BP神经网络的人脸识别BP神经网络用于人脸识别一般应先对输入图像实行图像预处理,然后进行特征提取,接下来就是BP网络训练,最后用训练好的网络进行识别,获得识别结果。 2.基于特征脸和BP 神经网络的人脸识别方法 2.1特征脸分析 这种方法是根据图像的统计特征进行正交变换( K-L 变换) [3] , 以去除样 本间的相关性, 然后根据特征值的大小选择特征向量( 主分量) , 由于这些特 征向量的图像类似人脸, 所以称为特征脸[4, 5] 。下面就这种方法作简要介绍。 X∈RN 为表示一幅图像的随机向量, 这里N是图像的大小, X 由图像的行或列连 接而成的向量。假设有p 个人, 每个人有r1 ( 1≤i≤P) 个人脸样本图像, 样 本集为{ Xji } , Xji表示第j个人的第i个样本。那么每个人样本均值向量为 mi ( 1≤ i≤p) ; 总体样本均值向量为m; 类间散布矩阵为
人脸识别技术的应用背景及研究现状
人脸识别技术的应用背景及研究现状 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面：
基于人脸识别的安防系统解决方案
基于人脸识别的安防系统解决方案 1、应用背景 随着中国社会国际化程度的不断深化，奥运会、世博会、亚运会等大型活动在中国的举办，中国已经成为全球瞩目的焦点，世界各地包括国内数以百万乃至千万计的游客、官员、新闻记者、运动员、裁判员、工作人员、志愿者等各类人士将集聚中国的场馆。与会人士中不乏企图制造事端、普通民众为之色变的恐怖分子，如何确保各种级别、各类型的运动会、会议或展会的安全、有序进行，已经成为摆在各组委会等机构面前的头等大事。 长期以来，与会人员凭门票、代表证、参展证等各类证件（凭证）在经过工作人员人工查验后即可进入会场。这种模式以低廉的代价为会场的管理提供了一些基本的保障，但也存在着严重的管理漏洞和安全隐患。在相关人士意识到了问题的存在之后，条码、IC/ID卡、RFID等技术便逐步引入了大型会场的管理，原有的证件人工查验模式变为计算机系统的自动查验为主、人工为辅的查验模式，这一模式的改变减少了人为错误的发生。同时，在应用上述技术后，证件伪造的难度也有了显著增加。应该说，上述技术的应用在一定程度上提升了会场的管理和安全保障水平，但单凭证件的与会人员身份认证模式仍然存在证件存在被伪造的可能、证件可能被他人借用或冒用、证件遗失会给持证人带来极大的不便等问题。 人体生物特征具有唯一性、稳定性、不可复制、不可假冒等显著特点，用于身份认证具有更高的安全性。在指纹、掌纹、虹膜等人体生物特征识别技术中，人脸识别技术的优势非常明显。首先，作为识别特征，人脸具有稳定、可靠、安全、便利等特点。在一般情况下，人的面部特征是非常稳定可靠的，“携带”便利。面像也是用于区分人的首要特征。其次，人脸图像的采集非常方便，尤其是基于标准视频的图像采集方式。目前，绝大多数系统采用的都是可见光范围内的标准摄像头，完全满足人脸图像的采集要求，不需要进行任何改造或升级。人脸图像的采集是非接触式的，也不需要人主动配合，最大限度地提高了系统的响应速度。第三，与系统结合人脸识别系统能够最大效能的发挥现有监控系统的优势，真正
人脸识别技术的研究
人脸识别技术的研究 1.引言 在信息化飞速发展的今天，计算机的应用领域越来越广，大大减轻了人类的体力劳动和脑力劳动。在对人的计算机自动身份鉴别系统中，指纹、基因、虹膜等方法都为接触式鉴别手段，需要人为的采样，属侵犯式的识别。因人脸识别的非接触式特性现以成为计算机领域的一个研究热点，在国内外引起很高的重视，取得了一系列的成果。在公安、银行、海关等重要部门可以应用人脸识别技术提供方便、高效的检测手段。 虽然人可以毫不费力地识别出人脸及其表情，但要计算机自动准确地识别却困难得多。因为人脸具有相似的结构，在纹理上也比较接近，人脸识别系统只能利用不同人脸之间的细微差别来实现正确识别的任务。同时，同一个人在光照、姿态、表情、人脸大小等不同采样条件下所获得的图像有很大的不同，更不用说发型、年龄、化妆以及饰物的变化了，得到的图像可能是正面的也可能是侧面的，此外噪声和掩遮都使问题变得复杂。可见，人脸识别涉及到图像处理、模式识别、人工智能及生理学等多个学科[1]，使得人脸识别成为一项极富挑战性的课题。 人脸自动识别系统包括三个主要技术环节[2]：首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。 2. 人脸识别技术研究的方法 人脸识别的方法大致可以分为基于几何特征、基于代数特征[3]、基于神经网络模型以及基于三维模型等的几大类。 基于几何特征 是在抽取人脸图像上显著特征的相对位置及其参数的基础上进行识别。最早的人脸识别是用手工的方法确定人脸特征点的位置并将其输入计算机中。识别工作的流程大体如下：首先检测出面部特征点，通过测量这些关键点之间的相对距离（欧式距离），得到描述每个脸的特征矢量，比如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯曲程度等，以及这些特征之间的关系，用这些特征来表示人脸。比较未知脸和库中已知脸中的这些特征矢量，来决定最佳匹配[4]。基于小模板匹配的方法属于几何特征识别，是已知一个小模板，在人脸的大图像中进行匹配，如果匹配成功，就可以确定其坐标位置[5]。 基于几何特征的缺点显而易见，对获得的图像要求很高，特征点的定位非常重要，如果人脸有一定的侧向或有装饰物都会很大程度上影响识别的准确性。 基于代数特征 基于代数特征的人脸识别方法有代表性的是PCA（主元分析法）[6]、K-L（卡胡南－列夫）变换[7]和SVD（奇异值分解）[8]等方法。其主要思想：对于一副由N个象素组成的图像，可以看作是一个N维矢量空间，采用不同的变换方法，能够有效的提取主分量，通过对人脸样本集的自相关矩阵的特征矢量的选取，构成一个正交的低维人脸空间，从而达到降低冗余、提高识别率的目的。
基于人脸识别技术的应用
基于人脸识别技术的应用 1.1 人脸识别技术的介绍 面部识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。人脸因具有不可复制、采集方便、不需要被拍者的配合而深受欢迎。现如今，人脸识别这个词已经慢慢走进了我们的生活，开始逐渐广泛的应用到日常生活之中。 手机、笔记本电脑中的人脸识别软件就是一个很好的例子，它帮助我们解锁手机、电脑，无需再输入密码，不用担心密码泄露从而导致的信息隐私泄露，它很好的帮助我们保护手机、电脑的安全。除此之外，人脸识别门禁系统开始应用于一些高档住宅和办公楼中，为人们省去了带钥匙刷卡的麻烦，也不用担心密码忘记的苦恼。人脸识别考勤机也正在被一些企业应用于日常管理。而一些美颜相机、美图软件的推出更迎合了消费者的市场。它可以自动识别人脸，并对人脸进行美化。甚至一些小游戏被开发出来，可将自己的脸与明星的脸比对相似之处，评价出你最有有谁的明星相。虽然这仅仅是一个游戏软件，只是供人们娱乐，真实度不高，但也可以看出现今人脸识别技术的广泛使用。 人脸识别技术在过去几年中得到了广泛的关注，正是因为它的应用程序涵盖了许多不同的领域。对于许多的应用程序来说，脸部识别系统的性能在可控的环境下已经达到了一个令人满意的水平。但是现有的大部分面部识别技术在不受控制的环境下识别性能明显下降。
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段[1]： 1.基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2.基于多姿态表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3.动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4.三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 1. 2 人脸识别技术在国内的研究现状 国内关于人脸自动识别的研究始于二十世纪 80 年代，主要的研究单位有清华大学，哈尔滨工业大学，中科院计算所，中科院自动化
人脸识别技术的主要研究方法
人脸识别技术的主要研 究方法 The manuscript was revised on the evening of 2021
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且该方法在复杂背景下，多姿态的人脸图像中也能得到有效的检测结果。但是这种方法通常需要遍历整个图片才能得到检测结果，并且在训练过程中需要大量的人脸与非人脸样本，以及较长的训练时间。近几年来，针对该方法的人脸检测研究相对比较活跃。 4、基于代数特征的人脸识别方法
人脸识别技术的几个主要研究方向
人脸识别技术的几个主要研究方向 1 引言 计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。 计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。本文着重介绍人脸识别技术的各类方法，通过对比指出各类方法的优缺点及今后的发展方向。 2 人脸检测和定位 人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题，因为人脸是非刚体，且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述，指出常用的人脸检测方法有四种：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法；（4）基于外貌的方法（Appearance-based methods），在基于模板匹配的方法中所采用的是预先确定的模板，而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说，基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库，主要的算法评定指标为错误接受率（FAR）和错误拒绝率（ARR）。 3 人脸特征提取和识别 目前大部分研究主要是针对二维正面人脸图像，也有基于三维人脸模型的方法，还有一种所谓的混合系统的身份鉴定系统。 3.1 二维正面人脸识别 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大
基于BP神经网络语音识别方法研究
基于BP神经网络语音识别方法研究 摘要：神经网络是近年来信息科学、脑科学、神经心理学等诸多学科共同关注和研究的热点。由于其具有良好的抽象分类特性,现已应用于语音识别系统的研究和开发，并成为解决识别相关问题的有效工具。文章在讲述语音识别过程的基础上重点讨论利用BP神经网络对语音进行识别,用MATLAB完成对神经网络的训练和测试,并获得满意的结果。 关键词：语音识别；模式识别；BP神经网络， 1 绪论 计算机的飞速发展，使人们的生活方式发生了根本性的改变，鼠标、键盘，这些传统的人机接口使人们体会到了生活的便利。科学技术日新月异，假如让“机器”能够听懂人的语言，并根据其信息去执行人的意图，那么这无疑是最理想的人机智能接口方式，因此语音识别作为一门极具吸引力的学科应运而生，很多专家都指出语音识别技术将是未来十年信息技术领域十大重要的科技发展技术之一。 1.1 研究背景及意义 语言在人类的智能组成中充当着很重要的角色，人与人之间的交流和沟通大部分是通过语言的方式有效的完成。作为人与人之问交流最方便、自然、快捷的手段，人们自然希望它成为人与计算机交流的媒介。随着数字信号处理及计算机科学的飞速发展，人们对实现人机对话产生越来越迫切的要求，使得语音识别技术近年来得到了迅速的发展，语音识别技术的研究进入了一个比较成熟的时期。语音识别是一门交叉科学，它综合了声学、语言学、语音学、生理科学、数字信号处理、通信理论、电子技术、计算机科学、模式识别和人工智能等众多学科。也是人机交互最重要的一步。 1.2 语音识别的国内外研究现状 通过语音传递信息是人类最重要，最有效，和最方便的交换信息的形式，语音识别主要指让机器转达人说的话，即在各种情况下，准确的识别出语音的内容，从而根据其信息，执行人的各种意图。 广义的语音识别包括说话人的识别和内容的识别两部分。这里所说的语音识别，是指内容识别方面。采用计算机进行语音识别到现在已经发展了50年。 从特征参数上改进，采用各种办法进行语音增强是一个研究方向，但是到目前为止，还没有一种办法能把语音信号完美地从噪音环境提取出来。语音识别有广泛的商业化运用前景，主要可以分为通用场合和专用场合两个方面。 1.3研究内容 本文研究的主要内容是结合模式识别的基本理论，研究BP神经网络孤立词语音识别的问
人脸识别技术
人脸识别技术应用与发展趋势浅析 近年来，随着“平安城市建设”的大力推进，越来越多的高清摄像头部署在各个重要场所，如机场、地铁、火车站、汽车站等。这些场所是人口流动必经之地，也是公安重点布控区域。很多地区提出的人脸识别需求，也是针对这些重要通道出入口场景，要求系统自动侦测视频画面中的人脸，并与数据库中的人脸数据进行一一比对，得到最有可能的身份信息。2012年上映的电影《碟中谍4》中，也有类似的人脸识别概念，相信看过此片的朋友对下面这个片段会有一定的印象。电影中，探员汉纳威在火车站利用同事传过来的目标人脸信息，配合人脸识别系统，快速检索比对过往人群，最终找到并抓捕嫌犯。事实上，这样的人脸识别系统已经从银幕走向现实。本文将首先对人脸识别技术原理进行介绍，然后介绍几种典型的系统应用，最后对人脸识别技术未来的发展方向进行分析。 人脸识别技术概述 广义的人脸识别主要分为人脸检测(face detection)、特征提取(feature extraction)和人脸识别(face recognition)三个过程，如图1所示。 图1 典型的人脸识别过程 其中，第三步提到的人脸识别是狭义的人脸识别，即将待识别人脸所提取的特征与数据库中人脸的特征进行对比，根据相似度判别分类。而人脸识别又可以分为两个大类：一类是确认(verification)，这是人脸图像与数据库中已存的该人图像比对的过程，回答你是不是你的问题;另一类是辨认(identification)，这是人脸图像与数据库中已存的所有图像匹配的过程，回答你是谁的问题。显然，人脸辨认要比人脸确认困难，因为辨认需要进行海量数据的匹配。在辨认过程中，海量数据的处理、特征提取和分类算法的选择变得非常重要。识别率和识别速度
基于神经网络的人脸识别实验报告
基于神经网络的人脸识实验报告别 一、 实验要求 采用三层前馈BP 神经网络实现标准人脸YALE 数据库的识别。 二、BP 神经网络的结构和学习算法 实验中建议采用如下最简单的三层BP 神经网络，输入层为],,,[21n x x x X =，有n 个神经元节点，输出层具有m 个神经元，网络输出为],,,[21m y y y Y =,隐含层具有k 个神经元，采用BP 学习算法训练神经网络。 BP 神经网络的结构 BP 网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对BP 网络加以训练，网络就具有输入输出对之间的映射能力。 BP 网络执行的是有教师训练，其样本集是由形如（输入向量，期望输出向量）的向量对构成的。在开始训练前，所有的权值和阈值都应该用一些不同的小随机数进行初始化。 BP 算法主要包括两个阶段： (1) 向前传播阶段 ①从样本集中取一个样本(X p ,Y p )，将X p 输入网络，其中X p 为输入向量，Y p 为期望输出向量。 ②计算相应的实际输出O p 。 在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是下列运算： (1)(2)()21(...((())...))n p n p O F F F X W W W = (2) 向后传播阶段 ①计算实际输出O p 与相应的理想输出Y p 的差； ②按极小化误差的方法调整权矩阵。 这两个阶段的工作一般应受到精度要求的控制，定义
21 1()2m p pj pj j E y o ==-∑ (1) 作为网络关于第p 个样本的误差测度（误差函数）。而将网络关于整个样本集的误差测度定义为 p E E =∑ (2) 如前所述，将此阶段称为向后传播阶段，也称之为误差传播阶段。 为了更清楚地说明本文所使用的BP 网络的训练过程，首先假设输入层、中间层和输出层的单元数分别是N 、L 和M 。X=(x 0,x 1,…,x N-1)是加到网络的输入矢量，H=(h 0,h 1,…,h L-1)是中间层输出矢量，Y=(y 0,y 1,…,y M-1)是网络的实际输出矢量，并且用D=(d 0,d 1,…,d M-1)来表示训练组中各模式的目标输出矢量。输出单元i 到隐单元j 的权值是V ij ，而隐单元j 到输出单元k 的权值是W jk 。另外用θk 和Φj 来分别表示输出单元和隐单元的阈值。 于是，中间层各单元的输出为： 1 0()N j ij i j i h f V x φ-==+∑ (3) 而输出层各单元的输出是： 1 0()L k jk j k j y f W h θ-==+∑ (4) 其中f(*)是激励函数，采用S 型函数： 1 ()1x f x e -=+ (5) 在上述条件下，网络的训练过程如下： (1) 选定训练集。由相应的训练策略选择样本图像作为训练集。 (2) 初始化各权值V ij ，W jk 和阈值Φj ，θk ，将其设置为接近于0的随机值，并初始化精度控制参数ε和学习率α。 (3) 从训练集中取一个输入向量X 加到网络，并给定它的目标输出向量D 。 (4) 利用式(7)计算出一个中间层输出H ，再用式(8)计算出网络的实际输出Y 。 (5) 将输出矢量中的元素y k 与目标矢量中的元素d k 进行比较，计算出M 个输出误差项：()(1)k k k k k d y y y δ=--对中间层的隐单元也计算出L 个误差项： 1 *0(1)M J j j k jk k h h W δδ-==-∑ (6) 依次计算出各权值和阈值的调整量： ()(/(1))*((1)1)**jk jk k j W n L W n h αδ?=+?-+ (6)
人脸识别技术研究背景与方法
人脸识别技术研究背景与方法 1人脸识别技术研究背景 .................................................................................... 错误!未定义书签。 1.1人脸检测技术概述 ................................................................................. 错误!未定义书签。 1.2人脸检测的研究内容 ............................................................................. 错误!未定义书签。 2 人脸检测方法 ................................................................................................... 错误!未定义书签。 2.1基于知识的方法 ..................................................................................... 错误!未定义书签。 2.2基于特征的方法 ..................................................................................... 错误!未定义书签。 2.3模板匹配 ................................................................................................. 错误!未定义书签。 2.4基于外观的方法 ..................................................................................... 错误!未定义书签。 2.5 其他方法 ................................................................................................ 错误!未定义书签。 2.6人脸检测方法评析 ................................................................................. 错误!未定义书签。1人脸识别技术研究背景 在计算机及网络技术高速发展的现代社会中，信息安全显示出前所未有的重要性。身份识别及鉴定是保证系统安全的重要前提，在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域，都需要准确的身份识别及鉴定。目前，个人身份鉴别主要依靠ID卡(如身份证、工作证、智能卡和储蓄卡等)和密码等手段，然而这些手段存在携带不便、容易遗失、由于使用过多或不当而损坏、密码易被遗忘和破解等诸多问题。由于技术的发展，犯罪分子伪造假证件的手段越来越高明，如假身份证、假工作证、假文凭等在现实社会中也不时发生;在信息界，黑客攻击别人的计算机系统，破译计算机口令亦常有之。美国每年在福利发放、信用卡交易、移动电话以及ATM交易方面由于身份诈骗而造成的经济损失高达60亿美元。因此，目前广泛使用的依靠证件、个人识别号码(PIN)、口令等传统方法来确认个人身份的技术面临着严峻的挑战，已不能适应现代科技发展和社会进步的需要。 人们希望有一种更加方便可靠的办法来进行身份鉴别，生物特征识别技术给这一愿望带来了实现的可能。早在古埃及时人们就开始通过人体生物特征的测量(如人脸、人手等)来鉴别人的身份;在刑侦领域，人们也早已使用最有效的人体生物特征之一—指纹来确定罪犯。人们可能会遗忘或丢失他们的卡片或密码，但绝不会遗忘或者丢失自己的生物特征，如人脸、指纹、虹膜、掌纹等。因此基于生物特征识别技术的个人身份识别系统具有更好的安全性、可靠性和有效性，正越来越受到人们的重视，并开始进入人们社会生活的各个领域，迎接新时代的挑战。美国政府在“9.11”事件以后连续签署了三个国家安全法案，要求采用生物识别技术。2003年6月，联合国国际民用航空组织公布了其生物技术的应用规划，将
开题报告(基于神经网络的车牌字符识别方法研究及仿真实现)(可编辑修改word版)
西安科技大学 毕业设计(论文) 开题报告 题目基于神经网络的车牌字符识别方法研究及仿真实现院、系(部) 通信与电子信息工程学院 专业及班级电子信息工程专业 姓名 学号 指导教师 日期
西安科技大学毕业设计(论文)开题报告
[7]陈振学,汪国有,刘成云. 一种新的车牌图像字符分割与识别算法[J]. 微电子学与计算机, 2007,(02) . [8]朱正礼. 基于三层BP 神经网络的字符识别系统的实现[J]. 现代计算机, 2006,(10) . [9]刘静,周静华,苏俊连,付佳. 基于模板匹配的车牌字符识别算法实现[J]. 科技信息(科学教研), 2007,(24) . [10]苏厚胜. 车牌识别系统的设计与实现[J]. 可编程控制器与工厂自动化, 2006,(03) . [11]胡振稳, 尹朝庆. 基于BP 神经网络的车牌字符识别的研究[J]. 电脑知识与技术(学术交流), 2007,(02) [12]蒋良孝, 李超群. 基于 BP 神经网络的函数逼近方法及其 MATLAB 实现[J]. 微型机与应用, 2004,(01) [13]崔屹. 数字图象处理技术与应用. 电子工业出版社. [14]董长虹. MATLAB 图象处理. 国防工业出版社. [15]董长虹. MATLAB 神经网络与应用国防工业出版社. [16]MATLAB6.5 辅助图象处理.飞思科技产品研发科技中心. [17]H. S. Kim et al, "Recognition of a car number plate by a neural network", Proc. of Korea Information Science Society(KISS) fill conference，Vol. 18, NO. 2, pp. 259-262，1991. [18]Jang-Hee You，Byung-Tae Chun and Dong-Pil Shin，“A Neural for Recognizing Characters Extracted form Moving Vehicles”，World Congress On Neural Network, pp162-166，1994. [19]M. Momozawa，M．N omua,T.Namai and K. Morisaki,"Accident Vehicle Automatic Detection System by Image Processing Technique”,pp.566-570, 2004..
基于人脸识别技术的微表情研究与心理解读
基于人脸识别技术的微表情研究与心理解读摘要：本文旨在探讨运用现已广泛运用的人脸识别技术进行改进，实现个人心理解读的可行性，并进一步探讨是否能运用于实际中为我们的生活、工作提供便捷。本文中微表情研究是人脸识别技术与心理解读的交点，人脸识别技术有助于微表情的研究，而通过微表情的研究可以准确的解读出人们的真实情感。 关键字：人脸识别；微表情；心理；真实情感 正文：人脸识别是指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，它属于生物特征识别技术的范畴，是对生物体（一般特指人）本身的生物特征来区分生物体个体的一门新兴技术。人脸识别实际是包括构建人脸识别系统的一系列相关技术，这门技术的根本是数字图像处理和成熟的影像技术，人脸识别包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等等。 现今，人脸识别在个人使用、商业和政府应用中都具有巨大潜力。这项技术还在不断进步和发展中，其应用越来越普及。就目前的技术和产品水平，人脸识别系统已经完全能够以客户可接收的成本水平，顺利实施和应用。 简单说，狭义范围内的人脸识别技术就是要计算机先记录人脸的特征(无论是现场采集还是从照片采集)，然后在使用时(再次现场采集人脸图像，或提交照片)能自动准确地辨认出是否同一人。 它的原理和其他生物识别技术一样，人脸识别系统也是先产生人脸的特征模板并存储在数据库中。这些模板将被用于与提交来要求比对的模板进行一一匹配对比，通常，当某两个模板进行比对时，如果相似程度超过系统预先设定的阀值，系统就认为比对成功--这两个模板来自同一个人。 人脸识别技术原理也有不同的种类，包括基于人脸五官结构的识别，基于皮肤质地分析的识别，甚至基于人脸温度模式的识别。最新的技术采用了人脸三维图像建立模板--有从人脸二维图像自动生成三维图像建模的技术，也有真正以三维方式采集面部、头部图像建模的技术。 那么这样一门技术可不可以运用到心理学中去呢？ 我们都知道人在不同的心理状况下会呈现出不同的面部表情和肢体动作。譬如说一个人眉毛上扬、挤在一起，他极有可能是处在恐惧、担忧或忧虑中；鼻孔外翻，嘴唇紧抿，表示有无法控制的怒气；下巴扬起，嘴角下垂表自责；单眼微眯，单侧嘴角微挑，表不屑、轻蔑等等。而婴儿的表情与心理对照就显得更加的微妙了，面对这些暂时还不会说话的baby，我们很难搞清楚他们的真实意图。只能从他们的哭啼、面部表情着手研究。通过长时间的观察了解，我们知道牵嘴而笑，表示兴奋愉快；撅嘴、咧嘴，是小便的信号；红脸横眉，是大便的信号；眼神无光，提醒父母要警惕等等。 从上面所举的例子来看，借助经验，我们可以扑捉到大多数情况下人们的想法，可是并