2023年识别人ۥ脸的技术阅读答案范文.docx

识别人脸的技术阅读答案 篇一：人脸识别主要技术特征 人脸识别主要技术特征 一、人脸识别算法： 人脸识技术中被广泛采纳的区域特征分析算法，它交融了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进展分析建立数学模型,即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进展特征分析，按照分析的结果来给出一个类似值。通过这个值即可确定是否为同一人。 二、人脸捕获与跟踪功能： 人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中别离出来，并自动地将其保存。人像跟踪是指利用人像捕获技术，当指定的人像在摄像头拍摄的范围内挪动时自动地对其进展跟踪。 三、人脸识别比对： 人脸识别分核实式和搜索式二种比对方式。核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。搜索式的比对是指，从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。 四、人脸的建模与检索： 可以将登记入库的人像数据进展建模提取人脸的特征，并将其生成人脸模板(人脸特征文件)保存到数据库中。在进展人脸搜索时(搜索式)，将指定的人像进展建模，再将其与数据库中的所有人的模板相比对识别，最终将按照所比对的类似值列出最类似的人员列表。 五、真人鉴别功能： 系统可以识别得出摄像头前的人是一个真正的人仍然一幅照片。以此杜绝使用者用照片作假。此项技术需要使用者作脸部表情的配合动作。 六、图像质量检测： 图像质量的好坏直截了当阻碍到识别的效果，图像质量的检测功能能对立即进展比对的照片进展图像质量评估，并给出相应的建议值来辅助识别。 篇二：时代光华E-Learning技术课后答案 时代光华E-Learning技术课后答案 课程学习 课程评估课后测试 课后测试 假设您对课程内容还没有完全掌握，可以点击这里再次观看。 观看课程 测试成绩：100.0分。 恭喜您顺利通过！ 单项选择题 1. E-Learning应用平台的核心是： √ A B C D 知识治理系统 学习社区 考试系统 学习治理系统 正确答案： D 2. 以下学习治理系统中，属于非正式学习的是： √ A B C D 课程直播系统 知识库系统 在线学习系统 考试系统 正确答案： B 3. 以下选项中，不属于学习技术体系根底设备的是： √ A B 软件 硬件 C E-Learning应用平台 D 网络 正确答案： C 4. 在线考试系统题库的公共标准是： √ A QTI标准 B SCORM标准 C ISO标准 D GB/T标准 正确： A 多项选择题 5. 学习治理系统中常见的角色包括： √ A 学习者 B HR经理 C 培训治理员 D 课程治理员 正确答案： A B C D 6. 以下选项中，属于在线学习社区的辅助应用的是： A 微博/博客 B 辅助知识库建立 C 辅助培训工程 D 辅助业务应用 正确答案： A B C D 7. 关于虚拟教室系统，以下表述正确的选项： √ A 虚拟教室系统又称同步教学系统 B 可以通过网络提供远程师生同步授课 √ C 以视频传输为主 D 可以满足语音、视频、PPT讲义、文字等的同步交流 正确答案： A B D 推断题 8. 人力资源治理方向是学习治理的最正确状态。此种说法： √ 正确 错误 正确答案： 错误 9. 学习治理系统的模块化是小范围的功能的实现。此种说法： √ 正确 错误 正确答案： 错误 10. 会议型的虚拟教室系统以授课为主，属于典型的课堂型构造。此种说法： 正确 错误 正确答案： 错误 √ 篇三：人脸识别技术综述作业 人脸识别技术综述 教师： 姓名： 学号： 人脸识别技术综述 一、人脸识别开展 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、方式识别、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开展共经历了如下四个阶段： 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绘人脸。但由于人脸器官没有明显的边缘且易遭到表情的阻碍，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开展阶段。探究可以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有用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，到达较好的识别效果，同时适应更宽敞的应用需求。 4、三维人脸识别 为了获得更多的特征信息，直截了当利用二维人脸图像合成三维人脸模型进展识别，立即成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的标准化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已经明白人脸比较，得出相关信息。 人脸识别流程 二、人脸识别过程及其技术 人脸识别征询题是指:对输入的人脸图像或者视频,首先推断其中是否存在人脸,假设存在人脸,那么进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息,并按照这些信息,进一步提取每个人脸中所包含的身份特征,并将其与已经明白人脸库中的人脸进展比照,从而识别每个人脸的身份。人脸识别的过程可以分为以下三个局部: 1)人脸检测:推断输入图像中是否存在人脸,假设有,给出每个人脸的位置,大小; 2)面部特征定位:对找到的每个人脸,检测其主要器官的位置和形状等信息; 3)人脸比对:按照面部特征定位的结果,与库中人脸比照,推断该人脸的身份信息。 2.1人脸的检测和定位 2.1.1人脸的色彩特性 研究觉察，尽管不同种族的肤色差异较大，但在色彩空间中的分布相对集中，因此可以充分利用皮肤的色彩特点进展脸部肤色和五官的分割.这种肤色的分布服从高斯分布N(m,C)，其中：均值(Mean):m=E{x}，x=(r b)T，协方差(Covariance):C=E{(x–m)(x–m)T}.由高斯分布可得到图像中任一像素的值为肤色的概率Likelihood[3]，如下式所示 . 2.1.2彩色图转化为灰度图 按照(1)可将原彩色图转化为灰度图.灰度图中的像素值表示该像素为肤色的概率.灰度图中肤色区域和非肤色区域存在着明显的差异，肤色区域要亮一些. 2.1.3灰度图转化为二值图 肤色区域和非肤色区域存在着明显的差异，因此可以用阈值法去除非肤色区域.由于固定阈值法不适用于色彩差异较大的各种人脸图像，因此采纳自适应阈值选取法来获取最优阈值.自适应阈值选取法的原理如下：随着阈值的逐步减小，观察分割出的区域数目的增加情况.尽管这种增加速度有逐步减缓的趋势，但当阈值取到一个特别小值以致于局部非肤色区域被保存下来时，分割出的区域数目会产生一个跳变，现在的阈值即为最优阈值.用该阈值对灰度图做二值化处理，即 : 其中，gi(x,y)为灰度图中的像素值，T为自适应阈值选取的最优阈值.通过上述处理后，得到一幅二值图. 2.1.4推断保存下的各个区域是否是人脸区域 首先计算该区域的欧拉数Ｅ＝Ｃ－Ｈ，其中Ｃ为区域连通数，Ｈ为洞的数目，关于人脸而言，Ｅ应大于１.然后按照欧拉数E推断区域中是否存在洞，假设是，那么按照以下公式计算矩、质心和倾角 . 再利用人脸的几何特性进一步推断：计算区域的长、宽，假设长宽比过大那么丢弃；将标准人脸模板和区域重合，计算十字相关性.假设关联性大于一个即定值，那么该区域为人脸. 2.2人脸特征提取 2.2.1利用小波多分辨特性对人脸做降维表达 对人脸图像做一阶小波分解,再对高频图做积分投影.图像积分投影定义如下：给定N×M大小的图像I(x,y)，分别定义水平函数量H(y)和垂直投影函数V(x)，图像区域为Ψ(x1＜x＜x2，y1＜y＜y2＝： 2.2.2确定人脸带区 在垂直细节图作积分投影，得到积分投影函数V(x)，寻找V(x)的两个极值点，它们确实是人脸的左右边界.这两个点的位置确定了一个垂直带区，命名为“人脸外接带区〞.人脸左右边界局部的小波系数较大，因此具有较大的值.利用两个峰值，可以确定人脸的垂直带区. 2.2.3特征基线确定 在人脸外接带区范围内，对水平细节图作水平积分投影，得到H(y).在眼睛、鼻子、嘴的位置附近，小波系数的值比较大，寻找H(y)中极值点，它们分别对 应眼睛、鼻子和嘴的基线.对水平细节图中基线的区域分别进展垂直积分投影、检测结果、确定基线.眼睛基线附近应得到两个突起的峰值，鼻子和嘴应在两眼的峰值中间有一个长的峰值.最后，定义人脸的外接矩形.由于头发、胡须和衣服等在多数方向上具有较高的小波系数，因此无法准确定位人脸上下基线.按照人脸的形状，一般确定人脸的长宽比大约为1.5：1，将人脸的上下基线定义为与鼻子的基线等距. 2.2.4基于特征基线提取特征 眼：在眼睛基线附近做边沿检测，对检测结果做水平投影，确定眼睛的范围.做垂直投影，对区域中的黑点进展区域膨胀.取黑点的均值作为瞳孔的位置. 鼻子：设两眼瞳距为1，在双眼下方(0.7,1)范围内寻找颜色较深的区域即鼻孔.两鼻孔的1/2处的亮度最高点 即为鼻尖. 嘴：寻找满足以下条件并位于脸的下方的区域即唇色 . 嘴到两眼中心的间隔为(1.0,1.3).用类似眼睛的方法找到左右嘴角和嘴的中心. 2.3人脸比照 国内人脸比照技术已获得了一定的成果.BP神经网络是应用较为广泛的一种特征提取和比照方法.例如，可将标准化后人脸图像各点的灰度值作为特征提取网络的输入，其隐层输出作为识别网络的输入.识别网络的期望输出为给予每个人的标识号.每人多张照片参加训练，按照训练人数的多少，可适当增减输出层结点数.该方法的优点是识别速度快、识别率高、自适应性强，但训练和收敛速度慢，容易堕入局部极小. 另一种有效方法是将本征脸、协同算法和自联想神经网络等单一分类器结合起来，构成了多分类器结合的方法进展人脸比照，并在已有的几种分类器结合方法的根底上，对投票法作一些改良：不同分类器给予不同的“说话权重〞，增加“第二候选人〞，并按照“第一候选人〞与“第二候选人〞的可信度差，给“第一候选人〞加“附加选票〞.实验结果说明，采纳多分类器结合方法后的识别率比单一分类器要高，改良后的投票法较其他多分类器结合方法有较好的识别率(可高达95%). 三、存在的征询题及局部处理 3.1现存的难题 目前,人脸识别技术已经获得了长足的进步,但也存在许多亟待处理的征询题。 (1)采集设备征询题。采集设备的功能和采集时的设置使得获取的人脸图像数据的变化更大,如何处理这些征询题也是值得关注的。