超声波人脸识别方法研究

超声波人脸识别方法研究（15篇）

1.超声波人脸识别方法研究 篇一

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

2.超声波人脸识别方法研究 篇二

计算机人脸识别技术是利用计算机通过对人脸图像的分析、特征的提取,从中提取出有效的识别信息,进而实现(自动)辨识人脸,并进行自动身份验证的技术。

2 方法归类

人脸识别的方法大致可以分为基于几何特征的方法、基于模板匹配的方法、特征脸方法、隐马尔可夫模型的方法,基于神经网络的方法。

2.1 基于几何特征

几何特征的识别方法首先将人脸用一个几何特征矢量表示,用模式识别中的层次聚类思想设计分类器来对人脸进行识别。几何特征矢量是以人脸器官的形状和几何关系为基础的特征矢量,其分量通常包括人脸指定两点间的欧氏距离、曲率、角度。人脸器官的关键点分别对应于不同的积分投影方式产生的波峰波谷,根椐人脸结构的先验知识,可得出人脸各器官之间的几何位置关系。

2.2 基于模板匹配

基于模板匹配的方法大多是用归一化互相关,直接计算两幅图像之间的匹配程度。由于这种方法要求两幅图像上的目标要有相同的尺度、取向和光照条件,所以预处理要做尺度归一化和灰度归一化的工作。最简单的模板匹配方法是每个人作为数据库中的一个条目,它的字段包含一个从正面人脸像抽取的二维点阵。图像必须经过归一化。识别时,未分类的图像跟数据库中的所有图像数据进行比较,采用相关作为典型的匹配函数[1]。

2.3 特征脸方法

特征脸识别方法是一种非常常见的方法。它本质是基于特征的方法,只不过它的特征是在抽取代数特征的基础上完成的。这里的代数特征是与几何特征相对而言的,是指经过数字变换得到的特征。主分量分析(PCA)是一种常用的方法,PCA实质上是K-L展开的网络递推实现,K-L变换是图像压缩中的一种最优正交变换,其生成矩阵一般为训练样本的总体散布矩阵。由于高维图像空间K-L变换后可得到一组新的正交基,因此可通过保留部分正交基,以生成低维人脸空间。而低维空间的基则是通过分析人脸训练样本集的统计特性来获得,K-L变换的生成矩阵可以是训练样本集的总体散布矩阵,也可以是训练样本集的类间散布矩阵,即可采用同一人的数张图像的平均来进行训练,这样可在一定程度上消除光线等的干扰,且计算量也得到减少,而识别率不会下降。将子空间的正交基按照图像阵列排列,则可以看出这些正交基呈现人脸的形状,这些正交基也被称作特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像,可以进行人脸识别和合成。识别过程就是将人脸图像映射到由特征脸张成的子空间上,比较其与已知人脸在特征脸空间中的位置。

2.4 隐马尔可夫模型

人脸面部特征的分布都依照一种自然的顺序,即从上到小、从左到右,即使人脸在平面和垂直方向上发生旋转,这种顺序也不会变化。如果给人脸的每一个小区域分配一个描述和识别[2]。

2.5 基于神经网络

基于神经网络的方法是近年来比较活跃的一个研究方向.人工神经网络(ANN)是一种以大的量处理单元(神经元)为节点,处理单元之间实现加权值互联的拓扑结构,处理单元是人类大脑神经单元的简化。Cottrell等人使用级联BP神经网络进行人脸识别,对部分受损的人像、光照有所变化的人像,个人识别能力较好。

2.6 弹性图匹配

弹性图匹配方法(Elastic Matching)是一种基于动态链接结构的方法,是动态匹配中的一种。弹性匹配方法用网格作为模板,将图像间的比较变为网格间的比较。对于网格上的每一点抽取一定的特征信息,如灰度值、梯度值、傅里叶变换系数值、小波变换系数等,形成一组特征矢量,并用这些特征矢量来代表图像进行匹配。在将一幅图像的网格同另一幅图像的网格进行匹配时,一般先规定一个能量函数或代价函数,然后在一定范围内对网格进行逐点变形搜索,找出每一点对应的能量函数最小点的位置。这种利用弹性形变实现图像之间最佳匹配的方法称之为弹性匹配法。弹性图匹配能够容忍表情的变化,并在一定程度上能够容忍视角的变化。而这也是弹性图匹配方法优于特征脸方法的原因。

3 结语

人脸识别是利用人脸各器官(例如眼、鼻、口等)的几何特征和位置来区分被识别者,虽然人脸识别的准确性要低于虹膜、指纹的识别,但由于它的无侵害性和对用户最自然、最直观的方式,使人脸识别成为最容易被接受的生物特征识别方式。

参考文献

[1]OsamuNakamura,Shailendra Mathur,Toshi Minami,Identifica-tion of human faces based on isodensity maps Pattern Recog-nition,24(1991)3263-272

3.超声波人脸识别方法研究 篇三

【基金项目】

符振艾，湖南省科技厅计划项目；基金项目编号：2014GK3040基于生物特征提取的人脸识别系统设计技术研究

赵微。湖南省科技厅计划项目；基金项目编号：2014GK30401智能银行视频监控系统设计与研究

刘绪崇。湖南省科技厅重点项目：基金项目编号：2013GK2014骨干互联网安全检测与态势评估预警系统

基于人脸图像的性别识别、年龄估计在相关领域已经形成研究热潮，而且以往是研究也都取得了不错的成效。虽然在日常生活中我们根据人脸判断其年龄、性别很容易，但若使计算机有此能力还面临巨大的挑战，文章将重点探究基于人脸子区域的性别识别和基于人脸图像的年龄估计。

一、基于人脸子区域的性别识别

脸部子区域分割。进行脸部的子区域分割，首先是要将给定的人脸图像转换成灰度图像，然后在对灰度图像进行处理——缩放、平移和旋转，要使图像中人的双眼处于固定的位置，再从背景中分离、切割出整个包括头发在内的人脸区域，最后降低关照影响，可用直方图均衡化来处理。对于初步处理的人脸区域图像，再将六个子区域切割出来，主要包括：脸部区域，脸上下半区域，嘴巴、鼻子和左眼区域。

由于人双眼的对称性，可选取左眼为眼睛部分的子区域。主要分析研究的是性别识别受到各人脸区域的影响大小，并进一步探讨提高性别识别准确性的方法，可以进行贡献较大的脸部子区域的融合。因而要手工切割出人脸图像中的子区域。在实际应用的过程中，进行性别的自动识别，可对视频采集到的图像用Adaboost 快速人脸检测算法快速检测出图像中的人脸，从背景中将人脸切割出来。继而进行双眼的定位，可用眼睛定位法来确定位置，寻找脸部主要特征点可以采用AAM算法。寻找出脸部特征点之后，再根据这些位置进行各子区域图像的进一步切割。

基于子区域融合的性别识别。有关研究证明，相比较整张人脸来说，脸部是局部区域受人脸表情变化的影响更小一些。该文原载于中国社会科学院文献信息中心主办的《环球市场信息导报》杂志http：//www.ems86.com总第543期2014年第11期-----转载须注名来源就微笑这个表情来说，往往人脸的下半部分变化较大，特别是嘴巴和脸颊的变化，而上半部分尤其的鼻子的变化相当小。因此，实现性别识别可以通过脸部子区域特征的融合来进行。

对于脸部子区域对性别识别的贡献大小的研究，进行的实验采用的是基本不带表情的正面人脸图像即，这一实验也就是研究与性别相关的信息在脸部子区域包含了多少内容。而基于子区域融合的性别识别方法的验证要通过在表情变化情况下进行实验，这样相对于用整个人脸图像进行性别识别来说，具有更高的准确率。

二、基于人脸图像的年龄估计

人脸年龄特征。随着年龄的增长，人脸的外观也会发生变化，在皮肤、颅骨形状、肌肉松弛度方面都有主要的体现。Narayanan Ramanathan 等人就对人的颅骨骨骼形状进行了研究，分析观察其随年龄增长而产生的变化，因而由此提出了颅面成长模型。通常而言，颅骨骨骼会随着年龄增长而变化，但变化往往只会持续到 18 岁，人脸颅骨在人18岁之后基本不会有太大的变化。由此可以发现脸部变化在18岁以前脸部特征点和比例变化是主要的体现。而18岁之后主要是通过脸部纹理的变化来体现年龄脸部的变化。

研究表明，人脸各个部位对于人脸识别的贡献率大小不同。我们根据日常生活来看，似乎通过对眼周围区域的直观感觉更容易识别人脸，下半部分人脸和鼻子、嘴巴对人脸识别的作用更小一些。但人脸的年龄估计不同于人脸识别，而关于人脸年龄自动估计技术自然也是不同于人脑的直观判断。那么哪个区域在人脸自动年龄估算中具有更强的信息表达能力。所以，首先进行人脸各局部区域在机器识别中的贡献率的研究，将有助于在识别中有效地选择局部特征。

脸部特征提取。与依据人脸图像来进行表示不同，既是策略上的不同，又是重点的不同。进行模拟识别时，提取人脸特征的提算方法可分为：一类是基于全局特征的算法，这种算法更倾向于把人脸视为一个整体，再进行计算分析，但由于受表情、光照等一些因素的影响，人脸的识别结果会因此受到很大的影响。还有一类是基于局部特征的算法，这也是人们针对前者存在的弱点提出的方法，顾名思义就是提取人脸图像的局部特征，继而进行针对性的分析计算，对局部特征的利用，得到的人臉表示更加鲁棒，表现出更明显的进行识别的优势。研究发现，对于某些人脸图像的识别结果，基于全局特征进行的分析不正确，而基于局部特征进行的分析却是正确的。基于人脸图像的年龄估计，具体方法可先采用 2DPCA 将人脸图像的全局特征提取出来，然后对脸部的局部特征进行用Gabor小波的变换提取，加之以眼睛区域——与年龄特征关联最紧密，最后的融合在决策级进行。

性别识别与年龄估计的级联。事实表明，同一年龄段的男性和女性，他们的脸部在年龄特征上有很大的差异，实际生活中，人们自然也不会把男女放在一起进行年龄的估算。性别信息作为一种先验信息，因而对于年龄估计非常的重要，可以使人脸年龄估计的准确率大大提高。可在性别信息作为先验信息的前提下，来进行年龄分类的任务分解。可以根据性别将不同年龄类别中的人脸图像分为两个子集，任务分解之后再集合训练样本，将其输入SVM中再进行学习。可以先判断新人脸图像的性别再进行年龄估计。

人脸作为人最重要的生物特征之一，包含了年龄、性别在内的很多重要信息。计算机技术的迅猛发展使得基于人脸的识别技术成为研究的重要内容，人脸识别、表情识别、年龄估计等都是其研究的重要识别技术。本文研究了基于人脸的年龄识别和年龄估计等方面的内容，也就是对输入的人脸图像利用计算机来进行其性别的识别与年龄的估计。文中依旧有不足的地方，希望为以后的研究提供一定的借鉴。

4.人脸识别技术应用在铁路系统 篇四

由于铁路系统部门众多、地点分散，现场环境复杂，日常维护非常困难。随着铁路系统信息化改革的不断深入，智能人脸识别技术已经广泛的应用在铁路系统。本铁路人脸识别技术监控方案可让操作员和各部门领导可利用铁路系统现有的计算机网络和办公微机，在调度中心或者当地机务段实现对全部监控现场或者当地的道口，车站和铁路沿线环境的监控，大大减轻日常人员巡视的工作量，便于及时发现危险隐患，保障安全运行。

智能人脸识别技术的功能，主要体现在以下几个方面：

1.通过智能人脸识别技术能及时了解站内的人流量（高、中、低），另外根据客户需求还可以增加计数功能，对站内的进出人员进行统计。

2.站内轨道检测，对于铁轨上的异常物体或人员跳入铁轨现象检测，如发现情况，及时报警。3.站台安全线功能，对于一些候车乘客候车不守规，跨越安全线候车，现场警告。4.路段检测，对于非法人员盗窃铁轨或破坏轨道设施先行检测。5.站内出现突然加速和倒地现象检测。6.与铁路其它系统配合使用，实现无缝整合。

其它监控的功能，主要是前段使用摄像机或云台和编码器配合使用，实现数字化传输和存储。主要监控一般性场所。

华天成人脸识别技术功能特点： 1.监视和录像功能

利用安装在监视目标区域的摄像机对生产设备和环境进行监控和录像，并将被监视目标的动态图像传输到监控中心，监控中心可通过网络控制实现对监控主机的各种控制。

监控中心、铁路站运行维护人员通过业务台或监控主机对站内监控范围的目标区域中设备或现场进行监视，同时在业务台或监控主机上完成对前端设备的控制（左右、上下、远近景、调焦等），画面切换的控制和录像控制。

监控中心可通过系统的浏览功能查看监控中心或下属的管理的录像或图片。

2．报警功能

报警类别：消防报警、防盗报警、动态检测、智能分析报警系统实现告警录像，同时传送报警信息和相关图像至监控中心，并自动在地理区域图上或相关表格进行提示，显示报警的内容和具体位置。

系统告警时能联动相关设备，如灯光、警笛等。当发生报警时，能把报警信息发送到指定的移动电话上。

3．控制功能

对系统被授权的用户，可以进行对应权限的操作（设备和系统设置、云台控制等）。如被授权的网上任一操作人员能对任一摄像点进行控制，实现对摄像机视角、方位、焦距、光圈、景深的调整，进行云台的预置和控制。

5.超声波人脸识别方法研究 篇五

人脸识别布控系统方案

北京众智益华科技有限公司

北京市海淀区清河三街同源大厦12层0926室

电话：010-62919824

网址：http://

一、项目背景及系统介绍

火车作为人们主要的出行工具，通过火车逃串的逃犯也较多。火车站作为人们乘坐火车的唯一进出口，在进出站行人中藏匿着各类特殊人群。当有需要对这些人员进行辨别、防范时，如何准确、有效地发现他们就成为车站公安，安保部门迫切希望解决的问题。

根据目前国内多数火车站进出站管理流程的模式来看，火车站的进站口、出站口、售票口都是旅客必经之地，在这类地区旅客的流动速度会放慢，就为拍摄照片及人脸比对提供了有利的条件。通常相关部门会在进出站口和售票处安装录像监控设备，利用这些地点的特殊性，通过人工进行辨认方式进行比对；或者直接排人员进行现场身份证抽查辨认。但人工查找和比对有很大的局限性，例如：面对大量的客流量导致的人工成本问题，人的记忆力有限，通常不能清楚地记住短时间接触的对象的面部特征；不能同时辨认多个对象；不能长时间保持注意力和辨认力等等。因此在这些主要地方迫切需要引入人脸智能识别比对系统，来提高安全防范的效率和效果。

北京众智益华综合智能视频联网监控管理平台（Integrated Intelligent Video Surveillance Network Management Platform，简称IVS）是分布式、智能化、网络化的视频智能识别分析、图像监控和集中信息管理平台。IVS利用现有的各种形式的数字网络，对监控前端经数字化压缩的视频信号，通过标准的TCP/IP联网协议，传输到监控中心进行智能化人脸检测分析识别比对，并结合分析结果与报警预案进行联动，从而达到智能化布控防范的作用。因此，IVS是集成了人工视觉/生物识别技术、计算机系统、软件、网络、通信、控制以及安全防范技术的综合技术平台。

本文将详细叙述通过北京众智益华科技有限公司的综合智能视频联网监控管理平台对28个车站，38个安检通道实现人脸识别布控的实现方案。

二、组网结构及系统构成

2.1 组网结构

（图一）

由“图一”可见我们采用了网络比对的方式把28个车站通过内部星形2M的网络进行连接，设置一个中心控制室，在中心控制室设置比对服务器，数据服务器，流媒体服务器等设备把火车站传来的视频进行分析比对，并把分析比对结果分别传送给中心客户端及火车站本地客户端，由客户端执行预警方案（比如声音报警，发生手机短信等）。

2.2 硬件产品构成

由“图一”可以看出，我们在拥有四个通道或三个通道的火车站采用模拟高清摄像机+四路CIF视频服务器的方式进行的原始视频采集，在两个或者只有一个通道的火车站采用标清的IP摄像机进行采集原始视频。

在中心我们设置数据服务器一台，比对服务器两台（比对服务器的台数来自于需要比对的图片个数及整个比对系统的速度，两台服务器能支持1秒2万张图片的比对），一台流媒体及存储服务器，大屏显示客户端，N个客户端。

28个火车站，38个通道具体设备列表如下： 模拟高清摄像机：7个 四路视频服务器：2个 标清IP摄像机：31个 服务器：4台

客户端机器：根据实际使用客户端的数量决定 2.3 软件产品构成

（1）综合智能视频联网监控管理平台一套，其中包括：数据服务器软件，流媒体/存储服务器软件，智能分析服务器软件，客户端（带电子地图）管理系统，大屏电视墙系统，人脸图库管理系统五部分组成。

（2）SQL SERVER数据库一套。

三、系统各模块详细说明

数据服务器

数据服务器需要连续工作，建议采用高稳定服务器，要求较高的场合建议采用双硬件冗余；WINDOWS2000以上操作系统，SQL数据库。(一)功能

设备的登录注册。设备冷启动、热启动或注销后，用设备唯一的ID号登录，合法设备（在配置管理服务器中配置）注册成功后，获取设备的硬件配置和工作参数，进入正常工作状态，非法用户拒绝登录。

用户的登录注册。用户采用用户名、密码和唯一的软件ID号登录，合法用户（在配置管理服务器中配置）注册成功后，获取用户可管理的前端对象，及操作权限，用户的级别。

认证服务器在收到用户布防请求后，进行权限判别，若请求合法，命令设备执行，否则拒绝，并给出相应的提示信息。(二)特点

集中权限管理。任何用户的权限改变能够即时反映到任何一个用户对任何系统的操作。

身份认证采用双因子认证，即口令与ID认证。

网络信息采用了SSL认证体系，保证了网络信令的安全。

用户的帐号支持一次性认证，即用户在访问不同子系统时，无需反复进行帐号认证。所有认证操作（包括成功的和失败的）都被日志系统记录并安全地保留，以备查阅。

用户的角色具有流动性。即用户操作的设备，权限只与用户名和密码有关，与具体的设备无关。

流媒体服务器/集中存储服务器

北京众智益华科技有限公司研制的流媒体/集中存储服务器，用于大型监控联网的企业级创新型的解决案，系统的硬件采用高端的服务器，兼备高端功能与可承受价格的先进存储系统，是经过验证的先进体系架构，连续的数据可用性和完整性，高级信息复制功能，功能强大的管理工具。从高、中、低端产品共享通用架构，可实现跨产品型号的平滑升级。(一)功能

流媒体转发。当网络中有多个用户访问同一个视频流时，虽然访问的是同一个视频流，但各自占用一个带宽资源，容易造成网络拥挤，影响视频的接收效果。众智益华在有质量（Qos）的多媒体网络传输上拥有独创性的核心技术，采用高效率UDP传输协议，自动穿透各种网络设备，根据网络结构自动启用单播技术，组播技术，也可强制制定，自适应网络流量控制，配合独创的编码，解码算法，在丢包率低于20％的情况下，仍然保证清晰流畅的视频效果，网络延时短，成功地解决了带宽资源和网络拥挤问题。设置流媒体转发服务器的目的在于缓解网络带宽紧张的区域，对该区域内的视频访问全部通过流媒体转发服务器软件模块来进行转发，使得该视频服务器的视频服务只占一个通道。流媒体网关。主要是实现异构设备和嵌入式设备接入，把不同设备的信令转化为统一的信令；把不同编码格式的流媒体数据转化为统一的流媒体格式；把不同的硬件控制协议转化为统一的控制协议从而实现异构设备的互连互通。

流媒体路由。支持双网卡或多网卡，实现跨网段联网监控系统。与不同的网络路由器相比，北京众智益华的流媒体路由设备，转发的效率高，在丢包率低于20％的情况下，视频仍然比较流畅，采用保护的语音数据延迟小，无噪声。

1．支持定时录像，报警联动实时录像。

2．支持前端分布式录像和后端集中录像的综合性方法。3．支持多路径数据存取，支持动态负载均衡与故障切换。4．存储服务器可选择DAS、NAS或SAN结构。

(二)特点

效率高。在普通P4，1G内存，双1000M网卡配置下，对1M的单路码流，单播转发300路的情况下，CPU占用的比例约为20％以下，音视频清晰流畅。网络功能强大。能根据交换机的性能，网络结构，服务的质量，自动启动单播或组播转发，无需人工干预，也可指定单播或组播。

支持异构设备多。众智益华的流媒体服务器支持主流板卡（海康、汉邦、恒亿、金鹏）的PC系列监控设备的接入；支持主流嵌入式（海康、大华、大立）监控设备的接入。

能实时根据不同的网络情况，自适应地选择合适的传输协议（TCP、UDP单播、UDP组播），调节视频包大小来优化网络传输，适应不同的网络环境。特有的NDU升级方式，无须数据迁移即可对存储系统进行硬件、软件升级，达到最安全的投资保护。

可从最小配置起始，因需而动，支持从5个硬盘驱动器到240个硬盘驱动器的灵活扩展，可伴随业务和需求的增长而进行扩容或升级。

系统高的可靠性，稳定性。屏蔽单点故障的高可用设计，为关键应用提供可信赖的系统和信息可用性；独立的双存储控制器，具有镜像式缓存；多种级别的RAID数据保护；自动系统诊断和全局热备盘技术（Hot-spare）。

高性能的检索信息保存和获取，采用专用的内嵌数据库，特别适合对录像资料进行检索。高可用性和容错系统提供三个层次上的容错，首先系统体系结构上的容错技术，系统支持分布式的集群技术，每台服务器正常执行当前的存储任务，但是同时又作为其他服务器的后备集群节点。第二个层次上的容错是在整个中心集群都和图像源断开，不能进行实时录像，系统通过计划和实际的录像执行情况进行补录。第三个层次的容错是在录像分包时，每一个录像文件结束和一个新的录像文件开始，系统都被冗余一部分数据，以保证没有任何图像帧丢失。

录像计划和补录根据预定计划和实际的执行情况的差异性，可以计算出需要补录得时间段，自动从合时的DVR下载缺少的录像信息。

清盘策略和录像优先保留权当系统发现存储的容量超过系统规定的最高警戒线，将开始启动清盘任务，这个工作是由挂接的认证中心服务器来管理的，认证中心服务器将定时检查磁盘的情况，进行磁盘的清理、自动导出等功能。系统提供集中清盘策略，包括先进先出、最近访问、最多访问、以及保留优先权。

对比服务器

(一)功能

通过流媒体视频进行视频分析

提取图像特征值与数据库中的预存进行比对 将设定阀值以上的结果发送给需要的各个客户端 将比对结果存入数据服务中心(二)特点

比对速度快，一台服务器支持百路视频小于等于1秒 采用国际先进人脸比对算法，比对结果准确。独有的人像搜索、跟踪、定位、捕捉技术，人脸抓拍率在98%以上，角度能达到35度的偏移不会影响抓拍效果。针对有多个人像张的照片，系统会自动检测人像并分割出多张独立的照片，识别准确度高识别准确度高，1:1识别准确率97%；1:N识别准确率95%以上。独有的图像三维建模技术，每张人脸图像预处理后的特征值大小只有2K左右，识别速度能达每秒2万张以上。

采用独有的组播技术，在节约最少带宽情况下，把比对结果发送给各个客户端模块。

强大的日志功能，通过与数据服务器的配置，将比对结果完整的保存到数据库方便日后查看。

具有很好的容错功能，保证服务出错后，3秒内自动恢复运行。采用C/C++开发，核心层稳定可靠。

网络分控

(一)功能

树形视频选择，声音监听与视频图像同步。连接视频后可进行图像抓拍操作。支持单分屏、四分屏、六分屏、七分屏、九分屏、十分屏、十三分屏、十六分屏、二十五分屏显示。

支持视频轮巡,分组轮巡等多种视频观看方式 可实现电子地图与视频联动

报警自动地图定位，具有缩略图功能

可回放前端设备录像分为硬盘录像机本地存储、流媒体/集中存储服务器录像。支持报警提示, 系统中一旦有报警产生，界面上有明显提示。支持报警联动, 报警后可联动地图，联动报警声音，联动视频录像，联动视频显示，联动分组及轮巡，联动手机短信，可以联动外围IO设备。可查看历史报警记录并进行人工确认赛选。具有用户注销锁定功能，安全方便。

电视墙中心管理系统

(一)功能

可选择任意一路主要视频的实时视频，并形象显示人脸截图 实时显示比对结果。(二)特点

支持1280×720高分辨率 实时显示最近四对报警结果 支持比对声音提示

四、技术特点

本系统具有很好的开放性，可以很容易兼容现有设备，并能很好的和其他平台形成互动。

本系统人脸识别速度快，准确率高，一台对比服务器可以完成100路的视频实时识别，并完成与数据库内图片特征值的实时比对。本系统人脸比对采用独有的人像搜索、跟踪、定位、捕捉技术，比对技术，人脸抓拍率在98%以上，角度能达到35度的偏移不会影响抓拍效果。针对有多个人像张的照片，系统会自动检测人像并分割出多张独立的照片；识别准确度高，1:1识别准确率97%；1:N识别准确率95%以上。独有的图像三维空间建模技术，每张人脸图像预处理后的特征值大小只有2K左右，识别速度能达每秒万张以上。

本系统具有很友好的界面操作，一旦发生报警，用户可以根据电子地图得到位置，可以看到实时视频，并能看到报警时比对服务器抓拍的照片以及图库中原照片，方便用户进行再次的确认。

6.超声波人脸识别方法研究 篇六

本报通讯员 雍黎 本报记者 冯竞

在线支付不用再输入密码、验证码，直接刷“脸卡”。中科院重庆绿色智能技术研究院在国内率先开发出人脸识别支付系统，使在线支付只需使用移动设备拍张照即可。

人脸识别准确率高达99.8%

人脸识别支付系统是一款基于脸部识别系统的支付平台，国外在2013年已经有类似系统推出。去年，中科院重庆绿色智能技术研究院智能多媒体技术中心启动了对这一支付方式的研究。

据中心主任周曦介绍，该中心与美国伊利诺伊大学图像生成与处理实验室、新加坡国立大学共建，在人脸识别系统方面有比较成熟的技术。他告诉记者，他们全球首创的人脸数据采集阵列，能够91个角度人脸同步采集，已经形成了有5000万张人脸的全球最大亚洲人人脸特征训练数据库。同时建立了基于深度学习的视觉对象解析架构，有效地提升了在动态环境下人脸识别的稳定性和准确性，能对人脸识别影响最大的多变光照、多角度、遮挡等状态进行最优的识别效果。

“人脸识别不仅要认得准而且要速度快。”周曦说，他们的人脸识别系统在美国卡内基梅隆国际标准人脸识别测试库上达到了99.8%的识别率，而国际上其它算法的最好结果为97.6%。目前，他们的人脸识别系统已经应用在边检站自动通关系统、动态人脸识别考勤机、多属性动态人脸识别系统等。

在此基础上，他们通过1年的时间完成了对人脸识别关键技术的研发，

系统识别支付者身份只需要1秒

周曦说，人脸识别是一种基于人的相貌特征信息进行身份认证的生物特征识别技术，技术的最大特征是能避免个人信息泄露，并采用非接触的方式进行识别。由于人脸具有不可复制性，相比指纹识别不容易被复制，也不存在密码遗忘、泄露等风险，因此安全性更高。

“这套系统确认支付者的身份只需要1秒钟。”周曦介绍，目前该中心正在研发人脸识别移动支付APP，届时用户只需要在终端(手机、平板电脑)上安装这个APP，并将银行账户或信用卡与人脸识别支付系统关联。使用时，用户仅需对着摄像头拍一张照片，系统在1秒钟内就能完成身份确认，实现快捷支付，预计整个支付过程仅需要4—6秒钟的时间。

该系统通过对数据库里的人脸进行分析，采集了2百万个面部特征进行组合分析，已经形成了一套智能化的分析算法。平常人不能分辨的双胞胎，系统却可以一眼分辨，因此刷错脸的可能性非常小。同时，系统能够对活体进行检测，使用照片或录像来“刷”，一眼就会被系统识破。

此外，该系统具有在线学习的功能，每次刷脸时，都会自动学习人体的可变特征，比如长胖或者变瘦等，用户完全可以不用担心自己胖瘦会影响系统的识别。

移动支付APP明年推出

“预计2015年下半年就将推出人脸识别移动支付系统的识别移动支付APP。”周曦介绍，目前他们正在和部分在线支付公司、电商进行合作洽谈，届时用户在网上购物支付时只需下载终端，按照程序拍摄各个角度的照片设置，就可以享受方便快捷的“刷脸卡”支付方式。

7.人脸识别特征提取算法研究 篇七

特征提取是人脸识别中一个非常重要的环节, 目的是为了降低人脸图像的维数。目前, 常用的基于统计的特征提取方法有主成分分析 (PCA) [1]和线性判别分析 (LDA) [2]等。独立元分析 (ICA) [3]是近年来发展起来的一种新的多维数字信号处理技术, 其基本思想是在最大程度保持信息量的前提下, 从高维数据空间中提取出低维数据的特征分量, 是一种基于人脸全局特征的识别方法。但ICA算法在获取独立分量的过程中需要获取人脸图像的先验知识, 这影响了识别的准确率。有效减少了后续工作的计算量, 取得了较高的识别率。

基于上述讨论, 本文将一个人脸图象矩阵视为一矢量, 通过引入模糊数学中的隶属度概念, 定义矢量隶属函数, 提出一种新的基于隶属度函数的独立成分分析特征抽取和识别方法。有效减少了后续工作的计算量, 取得了较高的识别率。本文称该方法为模糊ICA (Fuzzy ICA) 。

1、独立成分分析的基本理论

ICA最初是对盲信号的分离。利用独立成分分析 (ICA) 方法可以在不知道信号源和传输参数的情况下, 根据输入信号源的统计特性, 仅由观测信号恢复或提取源信号。独立成分分析已经成为盲信号处理中最主要的方法之一, 并在模式识别、数据压缩、图像分析等方面得到广泛的应用。

对于一组盲源信号S= (s1, s2, …sm) T, 有N路观测信号X= (x1, x2, …, xN) T, 每一路都是一维行向量的形式。存在系数 (混合) 矩阵A, 使得独立源信号S与观测信号X可以用线性关系来表示:

式中A∈RN×M, 称为混合矩阵。

存在分离矩阵W∈RM×N, 使其满足下式:

式中WA=I, I为单位阵, Y为统计独立的未知源信号S的最佳估计。

在独立成分分析中求解分离矩阵是关键。目前已提出很多求解分离矩阵的算法。本文采用FastICA方法来实现独立分量的提取【8】, 该方法是基于负熵的固定点算法, 是目前效率较高, 应用较广泛的一种ICA算法。该算法的具体描述为:

(1) 对数据进行中心化处理, 使其均值为零。

(2) 白化数据, 令白化后的数据为z。

(3) 初始化W (0) , 令其模为1, 置k=1;

(4) W (k) =E{zg (W (k-1) Tz) }-E{g′ (

W (k-1) Tz}W (k-1) ;

(5) W (k) =W (k) /||W (k) ||;

(6) 如果不收敛, 令k=k+1, 返回 (4) 继续, 否者输出W (k) 。

其中g (u) =uexp (-u2/2)

该算法最后得到的向量W, 其线性组合WTz给其中的一个独立分量。要计算n个独立分量就要重复上述算法n次, 但每提出一个分量后要从混合信号中减去这一分量。

2、基于Fuzzy ICA的特征提取和识别

2.1 算法设计的基本思想

自1965年Zadeh提出模糊概念以来, 模糊数学已被用于很多领域, 将其应用于模式识别, 形成了模糊模式识别。模糊模式识别方法是利用模糊数学中的概念、原理与方法解决分类识别问题。模糊模式识别将待识别类别、对象作为模糊集和其元素, 因此应根据实际问题需要进行特征提取或特征变换, 建立模糊集的隶属函数, 然后运用有关模糊数学的原理和方法进行分类识别。

2.2 特征提取和识别算法

ICA是PCA从二阶统计分析向高阶统计分析的拓展, 基于数据的高阶统计信息提取数据的独立特征, 能够更好的表示人脸的局部特征。具体算法为:

(1) 特征提取和变换

假设人脸图像训练集样本图像有n类人脸图像, α={α1, α2, …, αn}, 且第i类有Ni个人脸图像。

对人脸图像训练集样本图像α, 首先通过PCA算法对图像进行去二阶相关和降维处理, 然后通过ICA算法对图像进行处理, 获得由独立影像基构成的一个低维子空间:S={S1, S2, …, Sm} (m<n)

计算出此低维子空间的特征向量为:

假设Xj (j=1, 2, …, Ni) 为已知αi类人脸图像矩阵Aj (i) (j=1, 2, …, Ni) 的特征向量, Y为未知人脸图象矩阵C的特征向量, 计算Xj和Y在低维子空间中的投影向量, 即Zj=ST﹒Xj, φ=ST﹒Y。

(2) 建立矢量隶属函数。

模糊集合隶属函数的建立, 无论在理论上还是在应用上都是非常重要的。由于造成模糊不确定性的原因多种多样, 因而模糊集的种类是复杂的。实际应用中, 确定隶属函数的方法有不少, 如专家确定法、统计法、对比排序法等。

在本文中, 我们将模糊数学中建立隶属函数、隶属度的方法引入矢量空间中, 从而定义未知人脸图像矢量归属于αi类的模糊隶属度函数为:

其中, λj为任意实数, ‖﹒‖为向量范数, Zj和φ为 (1) 中得到的特征向量。

(3) 模糊结果处理及人脸分类识别。

使用模糊技术进行分类的结果不再是一个模式明确地属于某一类或不属于某一类, 而是以一定的隶属度属于各个类别。如果分类识别系统是多级的, 这样的结果有益于下一级的决策。如果这是最后一级决策, 而且要求一个明确的类别判决, 可以根据模式相对各类的隶属度或其他一些指标, 如贴近度等, 进行硬性分类。在本文中, 我们利用最大隶属度原则进行人脸分类识别, 即首先计算每个输入人脸图像 (测试样本) 对各类人脸图像的图像隶属度μai, 若, 则判别测试样本为αi类人脸图像。

3、试验结果及分析

试验中采用ORL标准人脸数据库验证该算法, 该数据库包括从1992年4月到1994年4月剑桥大学实验室拍摄的一系列人脸图像, 具体为40个人, 每个人有不同表情或不同视点的10幅图像, 共400幅图像所构成, 倾斜角度不超过20度, 这些人脸图像的分辨率为92×112, 人脸数据库中每个人的图像都是不同角度、不同时间且受一定光线和一些饰物 (如眼镜等) 影响。图1是ORL人脸数据库中部分图像:

本实验使用Matlab7.1在windows XP系统下, 为了更好地证明算法的有效性, 我们随机选取其中10个人, 每人前3幅 (共30幅) 图像作为训练样本, 其余的30幅图像作为测试样本的做法。如此重复10次试验, 最后结果取其平均值。分别采用传统的ICA方法、PCA方法和本文的Fuzzy ICA方法, 进行了人脸识别仿真实验

由图2可知, 识别率随着特征维数的增加而成上升的趋势, 本文的方法识别率高于传统PCA方法和ICA方法, 该方法识别率最高可达95.1%, 但当特征数接近100时, 识别率略有下降的趋势, 说明并不是所有的特征向量都是有效的投影空间, 有些刚好是与人脸本身无关的噪声因素干扰。

4、结束语

本文在研究采用ICA提取的具有局域特点的独立分量表示人脸基础上, 将基于模糊ICA的人脸图像特征提取和识别算法与传统的PCA和ICA人脸识别算法进行了比较, 对ORL标准人脸数据库的测试表明, 该算法的性能优越, 而且识别率较特征脸法更高。但是, 算法的计算量很大, 当样本数很多的时候, 训练时间是个问题。因此, 算法仍需进一步的改进和提高。

参考文献

[1]余晓梅, 徐丹。基于外观的子空间人脸识别方法研究[J], 计算机应用研究。2007, 24 (5) :10-12

[2]Belhumeur P N, Hespanha J P, Kriengman D J.FishedacesIRecognition using class specific linear projection[J].IEEETransaction on Pattern Analysis and MachineIntelligence.1997.19 (7) :771-720

[3]张贤达, 保铮。盲信号分离[J], 电子学报, 2001。29 (12) :1767-1771

[4]王展青, 刘小双等.基于PCA与ICA的人脸识别算法研究[J].华中师范大学学报, 2007, 41 (3) :373-376

[5]邢国。人脸识别中两种特征提取算法的性能比较[J].信息与电脑, 2011, 1 (6) :115-117

[6]龙际珍, 陈沅涛, 邓冬梅.基于模糊隶属度的人脸识别应用[J].计算机应用研究, 2011, 28 (7) :2789-2792

[7]Yuen PC, Lai JH.Face representation using independentcomponent analysis[J].Pattern Recognition, 2002, 35 (6) :1247-1257.

8.人脸识别过四关 篇八

1.“人脸识别过四关”是专为新成立的初中集体打造的“交往类”破冰游戏。

2.在游戏中通过互动、竞猜、交流的形式，了解新同学、结识新朋友，从而提高初中少先队员的交往能力，培养集体主义精神。

二、游戏时间

40分钟

三、游戏对象和人数

初中新生，全中队

四、活动道具

1.每位新同学准备一张小学一年级的单人清晰正面照片，在照片反面写上四个自己最突出的特征，其中三个特征为真，一个特征为假（假的特征用于“干扰”，以增加游戏难度）。

2.准备一个抽奖箱（抽取照片用）。

3.如果条件许可，可以准备投影仪或带有照片的PPT展示。

4.“笑脸贴”（用于过关奖励）。

五、活动准备

1.根据中队人数分成5-6个小队。

2.由中队辅导员担任主持，将照片打乱后投入抽奖箱。

六、活动规则和步骤

1.第一关：每个小队派一位代表上台，抽取一张照片，队员们相互交流一分钟，然后在现场找到照片上的队员，并站到他身边向主持人举手示意。正确即过第一关，获得“笑脸贴”。

2.第二关：小队代表依次上台描述照片上的队员是谁，并在黑板上写出他的名字。名字写对即过第二关，获得“笑脸贴”。

3.第三关：每个小队的队员依次讲出该照片上这个队员的一个优点，相互间不能重复。得到掌声最响亮的小队获胜，即过第三关，获得“笑脸贴”。

4.第四关：辨析照片背面四个特征里哪一个为假，并说明理由。获得照片上这个队员本人认可即过四关，获得“笑脸贴”。

通关活动可以反复进行，被抽中的队员照片不得再放入抽奖箱。各小队比赛获得“笑脸贴”最多的即为获胜小队。

该游戏不受场地限制，操作简单，尤其适合新成立的中队开展。

七、设计说明

该游戏关注到初中生形成自我意识的关键时期，从第一关感性的“人脸识别”开始，激发队员主动交往的意识；第二关“写出新同学的名字”是对新朋友的一种尊重；第三关是关注“新伙伴的优点”，尝试欣赏他人，友善相处；第四关则是从理性认知的层面出发，通过辨析特征排除“干扰项”，学会全面地认识和了解他人。

该游戏最具有趣味性和激励性的特点是：每个人都有可能成为游戏参与的主角和被关注的对象，每次随机抽取照片的时刻都会令人紧张、兴奋和期待。当游戏的四个环节逐一被攻破后，也就是队员们相互增进友谊的开始。游戏过程中充满积极的正能量，符合中学生期待被关注的心理需求，有助于中队集体的和谐建设。

9.超声波人脸识别方法研究 篇九

各管理处、职能部门：

为确保正常工作秩序，增强员工组织纪律观念，提高工作效率，树立企业良好形象。经公司研究，决定启用人脸识别考勤系统。根据《员工手册》及《公众制度汇编》关于《考勤管理》之规定，再次严明考勤管理工作。

一、适用范围：公司全体员工（公司领导除外）

二、人脸识别考勤系统使用方法及注意事项

1、管理员统一为员工设置人脸识别图像。

2、考勤机全天开机，所有员工只要上班，都必须录入面像考勤。

3、考勤时，将面部置于考勤机前方，对准屏幕，待语音提示“谢谢”后，即操作成功。考勤结束后，应立即离开考勤机，不得重复、随意录入面像考勤。

4、考勤机已设定管理员，其他人员不得随意操作考勤机界面。

5、严禁恶意破坏考勤机，如发现人为损坏，由当事人双倍赔偿。

6、因停电或设备故障导致考勤机无法运行的，临时使用签到表。

7、启用时间：2013年2月26日。

三、考勤管理

1、由于公司行业特性所定，各类人员上班时间不尽相同，请严格按照公司及各管理处的规定时间上下班，不迟到，不早退，不无故旷工。

2、考勤时间：

（1）实行上下午上班制度的员工，每日考勤三次：

上午上班前60分钟内签到，中午：12：00—13：00，下午下班后30分钟内签退。（2）实行倒班制的员工，按交接班时间进行签到和签退。

无故不考勤或因其他原因未考勤且没有及时上报的一律按迟到、早退或旷工计。

3、迟到、早退5分钟未超过30分钟（含）扣罚10元。

迟到、早退超过30分钟，未满半天的，视为旷工半天；满半天不满一天的，视为旷工一天。旷工一天扣罚三天工资，连续旷工三天以上（含三天），年累计旷工七天以上者视为其自动离职。

4、员工外出办理公务的，原则上应到公司签到后再外出；无法先签到或当天需要外出办理公务的，应事先进行外出登记。

各管理处员工在客服部登记，职能部门员工在人事部登记。未经允许私自外出一律视为旷工。

5、任何类别的请假（事假、病假、婚丧假、产假、护理假等）都须填写《请假单》，换休填写《换休单》，经同意后方可休假。未经同意私自休假一律视为旷工。

6、因工作需要加班者，一律凭公司领导签批的《加班申请表》核计加班时间，无申请表一律不予认定加班。

7、主管级以上员工对所属员工的考勤及请假审核，应严格执行各项规定，若有不按规定或其他隐瞒事项，一经查明，予以连带处分。

以上各项考勤制度的重申望引起全体员工重视，并自觉遵守、执行。

特此通知。

10.仅仅是人脸识别?你OUT了! 篇十

暗光环境

DC从来没有如此强大

如今，许多DC都在使用背照式CMOS传感器，它有什么性能优势呢?单就索尼TX9C而言，其使用的Exmor R CMOS背照式传感器由于其全新谢十带来的技术优势，对于亮度的敏感度是以往传统CMOS的2倍，而噪点的产生也仅为后者的50％，简单来说，就是这类传感器拥有着不凡的夜景拍摄性能。提到夜景拍摄，许多用户通常都会打开闪光灯以避免光线过暗造成的低速快门，其实利用闪光灯拍摄人像并不是万能的，失去真实的环境再现和死白的肌肤都让人对这样的拍摄画面颇为失望。TX9C由于使用了Exmor R CMOS背照式传感器，因此手持夜景模式也应运而生。在该模式下我们并不需要使用三脚架或者闪光灯，只需按下快门，相机即可自动连拍6张图片并合成1张清晰画面，轻松捕捉美丽夜景。如同MI所拍样张一样，清晰锐利的人像搭配昏暗的灯光，一切看起来都是那样的自然，具有美感。看来以后在夜晚的咖啡馆或者昏暗的酒吧，就再也不用担心闪光灯打扰到旁人了。

智能扫描全景

只玩风景太浪费

除了时尚华丽的外观设计外，只需左右或者上下移动相机就能拍到大视角的全景照片，想必是许多米饭被索尼Cyber-shot相机吸引的原因之一吧。以往我们拍摄全景照片时，需要繁琐的拼接方式，不仅操作不够方便而且成像画质也不理想，而索尼独创的扫描全景模式却用一种最为简单的方式让我们能够保存下精彩的全景照片。在索尼TX9C上，扫描全景模式得到了进一步的升级，新的智能扫描全景模式让这一功能并不单单能够拍摄美不胜收的近态美景，而且拍摄人像时也能够得到意想不到的乐趣。以前我们拍摄全家福或者集体照时，大家都是一层一层贴得紧紧的排列，总担心镜头不够广。现在有了这一功能，我们在拍摄集体照时，每个人并排站都不怕，是不是很爽?除此之外，随着镜头摆动，我们还能通过改变站位就能轻易获得两次甚至是多次的曝光影像。

背景虚化不再是单反大光圈的专利

浅景深、大光圈……太复杂了，我们只需使用索尼TX9C内置的背景虚化功能，这些看似专业的影像效果就能轻松实现。它有什么用呢?模糊虚化的背景，凸显出清晰的主体影像。应用于人像拍摄时，背景虚化营造出的类似于专业沙龙照的效果，想不爱都难。TX9C实现背景虚化的奥妙在于，依靠Exmor R CMOS传感器的高速连拍性能，相机能同时拍下两张照片，一张保证人物清晰，另一张是虚化的背景，最后再合成在一起。要更好发挥该模式的优势，有两点小窍门：首先，最好选择和人物肤色反差较大的背景。此外，在拍摄时对焦主体的前方最好不要出现前景物体，不然有可能会出现报错的情况。比如霓虹灯下的大街、层次斑驳的街巷中都是这一功能最好的应用场所。值得一提的是，在使用索尼TX9C背景虚化功能拍摄时，还能选取美肤模式，让人像脸部的皮肤显得更加柔和动人。

高速连拍铭刻动感的精彩

11.超声波人脸识别方法研究 篇十一

一、Adaboost算法

AdaBoost是一种迭代算法, 其核心思想是针对不同的训练集训练同一个基本分类器, 然后把这些在不同训练集上得到的分类器集合起来, 构成一个更强大的最终的分类器。每一层分类器都对特征值f进行判断, 当特征值f大于阈值v时表示是人脸, 否则不是人脸。

对每一个弱分类器进行相加得到最终的强分类器F, 每个特征向量根据是否被正确分类来改变权值。当样本分类正确时降低权值, 分类错误则增大权值。从而更加关注那些没有正确分类的样本。

多级分类器的结构如图1所示。

在Adaboost算法中首先提出了“积分图”的概念, 如图书2所示。积分图就是坐标点 (x, y) 左上角的所有像素的和。其中ii (x, y) 表示像素点 (x, y) 的积分图, i (x, y) 表示像素点 (x, y) 的像素值。通过迭代方式进行计算使特征检测器中特征的计算速度大大提高。

如图2所示, 积分图中点1的积分图值为矩形框A所有像素值之和;点2的积分图值为矩形框A和B的像素值之和;点3的积分图值是矩形框A和C的像素值之和;点4的积分图值是矩形框A、B、C、D的积分图值像素值之和。由此可以使用积分图计算任何矩形中所有值和的像素。

可以很明显地看出, 2个矩形构成的特征, 其像素和之差可通过6个参考矩形求得;由3个矩形构成的特征可以通过8个参考矩形求得;由4个矩形构成的特征可以通过9个参考矩形求得。这样每个特征都能很快的计算出来, 再通过试验选出一小部分作为特征以形成一个有效的分类器。从而得到最终的强分类器。

二、Opencv算法实现

实验中的主要图像采集设备选择了常用的USB接口摄像头, 视频图像帧的大小为320×240。在VC6.0下使用Opencv1.0版本, 添加了所需要的lib (cxcore.lib、cv.lib、ml.lib highgui.lib、cvaux.lib、cvcam.lib) 。采用“积分图”特征提取方法快速准确地从视频图像中提取出了正面和左右侧面人脸, 并用红色边框排除了非人脸部分的图像。

12.超声波人脸识别方法研究 篇十二

1 人脸识别系统设计

本系统研究的主要是针对简单背景下的正面人脸识别,采用的是基于肤色的人脸识别方法。由于人脸的肤色与背景颜色具有很大的区别,在色彩空间的分布与背景色彩有差异而呈现出一定的色彩聚类性。本系统利用这一特点,利用肤色分割的方法把人脸区域与非人脸区域分割出来,最后定位出人脸。肤色分割的方法识别人脸的优点是速度快而且对姿态不敏感,其缺点是难以区分类似肤色的非人脸区域,使用于特定的环境。

1.1 系统构架

下面介绍系统的具体实现过程。系统的整个过程可以看作由图像的输入和预处理、肤色分割、人脸定位四个功能模块组成。图1为系统结构图。

1.2 系统算法流程

图2为系统算法流程图。

2 系统实现

系统是在VC++6.0的环境下编程实现的。系统用到的关键技术包括图像的读取、色彩空间转换、图像建模、相似度的计算、图像二值化、直方图以及人脸区域的定位。下面介绍相似度计算,图像二值化,以及人脸定位的编程实现过程。

2.1 相似度计算

相似度计算是本系统关键的技术之一。将输入的图像从RGB空间转换到YCbCr空间得到色度值(Cb,Cr),通过公式(1)计算像素点属于肤色的概率。

得到每一个像素点的肤色概率值后,找到概率最大的点,每一像素点的概率除以最大像素点的概率,重新得到一个灰度值,以灰度值的大小来表征这个点属于皮肤的概率,从而得到一个肤色相似度图。相似度值大小表明该像素点属于肤色区域概率大小,相似度值越大,则属于肤色区域的可能性越大。主要有以下几部分来实现:1)构造函数;2)相似度数组的初始化;3)相似度的计算;4)找到最大的相似度值;5)已经得到每个像素的相似度值除以最大的相似度值,得到新的相似度值。

2.2 二值化

二值化是在相似度计算完成后才能进行。图像的二值化是为了能够更好的分割出肤色区域,对于简单背景的单人正面人脸图像,在得到其肤色相似度图后再进行二值化,就能基本确定出人脸区域。将图像二值化,需要确定一个阈值作为分割的依据。以这个阈值作为分类标准的典型的区域分类器为:

N(i,j)是经过转换后的图中任意一点像素点的肤色概率值,通过与阈值T得比较后,划分成了服色与非肤色点M(i,j),构成二值图像。其实现功能主要有:1)根据Fisher准则确定动态阈值的大小;2)相似度值与动态阈值的比较,如大于阈值,则在二值化数组中该点的值为1,小于阈值的像素点在二值化数组中为0。流程图如图3。

2.3 标记人脸区域

图像分割是一种重要的图像分析技术。在对图像的研究和应用中,人们往往只对图像的某些部分感兴趣。这些部分被称为目标或前景区域,其它部分称为背景。要对目标区域进行辨别和分析,首先就要把它从背景中提取出来,在此基础上才能进一步对目标进行分析。在人脸识别中,图像分割就是把人脸与背景区域分割出来,减少目标的搜索区域。标记人脸区域是通过扫描二值化数组来实现的。先在水平方向不变的情况下扫描纵轴,统计出1最多时的纵坐标的值,并以其纵坐标为中心,先往左扫描纵轴上为1的点,满足某一条件认为找到左边框,跳出循环,接着往右扫描纵轴上的为1的点,满足某一条件,找到右边框,跳出循环。然后在竖直方向不变的情况下扫描左右边框范围内横轴为1点,满足条件,找到上边框值,跳出循环。

3 实验分析

通过对采集的50幅图片的进行实验,表1为本系统的实验数据。

实验发现系统对光线均匀的图片和背景简单的图片具有很高的识别成功率,而对有些光线较暗、光线太强和背景复杂的图片不能进行有效的识别,会产生误检或是漏检的情况。造成这些结果的原因有:

1)阈值大小的选取

在光线较暗的图像中,如果阈值选取的过大,二值化后的图像中属于人脸的

域就会变小,识别时人脸光线较暗的部分就难以识别出来,造成只能识别出一部分的人脸。而在光线太强的图像中,如果阈值取得太小,就会造成识别出来的人脸区域过大,把部分背景区域也识别为人脸区域。这一缺点可以通过光纤的补偿来减少光线强弱对其的影响。

2)背景的复杂性

在复杂背景图像中,如果背景色彩与肤色很相近,就会导致二值化后的图像中属于人脸的区域变大,识别出来的人脸就会包括背景区域。更严重的是,图像中不存在人脸,而识别出的结果却仍然标出了一块与人脸色彩相近的区域,这就造成了误检。通过人脸模板匹配可以剔除误检区域,也可以剔除非人脸肤色区域。

3)人脸的装饰

人脸上的装饰也是导致识别系统出错的一个原因。人脸上的眼镜、胡须、化妆等到会导致人脸肤色发生一定的变化,从而影响二值化图像,导致识别成功率下降。

4 结束语

作为21世纪的一个朝阳产业,人脸识别技术已经开始进入到人们生活的各个方面,本文介绍了基于实时视频的人脸识别技术,提出了一种解决方案,着重叙述了人脸识别和识别算法分析及应用程序开发等,最后,结合具体图像进行了测试,结果表明效果良好。

参考文献

[1]方旭.基于BP神经网络人脸识别方法的研究与改进[J].电脑知识与技术,2011(4).

[2]俞燕.基于特征的弹性图匹配人脸识别算法改进[J].计算机工程,2011(5).

[3]张彩甜.人脸识别技术研究[J].电脑知识与技术,2009(20).

[4]杨颖娴.基于PCA算法和小波包变换的人脸识别技术[J].微电子学与计算机,2011(1).

13.超声波人脸识别方法研究 篇十三

他是第一代大学生创业者；他是在新加坡主板上市的中国第一家科技企业领军者；他是智能安防和智能化轨道交通应用领域龙头企业的掌舵人；他是人脸识别技术的践行者；他还是全国人大代表、“广东十大经济人物”……

面对这一连串的头衔和身份，刘伟说：“其实我就是一个技术男，一直有颗技术的心。”

正是因为那颗不变的技术心，才有了刘伟和佳都科技的持续创新，以及不断地把科技创新成果产业化，让这个IT“倒爷”，变身为融合信息、通信和技术（ICT）的现代信息服务业“大腕”。

第一代大学生创业者

时间倒回到1992年。那一年，邓小平发表南方谈话，改革开放进入新阶段。那一年，刘伟27岁，他与其他6个刚入职场不久的大学生选择了辞职创业，成为改革开放后的第一批大学生创业者。

“那个时候，不叫创业，叫个体户。”出身书香门第的刘伟坦言当时人们的思想远未有今天这么开放。

作为大学教师的父母对他的行为也不太理解，父亲甚至为此整晚睡不着觉。尽管如此，刘伟还是坚持自己的选择。

收入稳定、专业对口，刘伟大学毕业后的工作令不少同龄人羡慕。20多岁的刘伟却因一个偶然的场景改变了人生轨迹。

那晚，他在广东省轻工设计院加班，如往日一样埋头画设计图的他猛然一个抬头，看到前面一位头发花白的老工程师，也在伏案作图。

这一刻，刘伟看到的是30年后的自己。他坚定了一个想法：年轻人需要改变。

经过一夜思考，刘伟辞职了。

在市场上摸爬滚打3年后，由刘伟领头，7个年轻人摩拳擦掌，用20万元启动资金创办了公司，从事电脑和绘图仪的批发。

此后，刘伟带领着佳都集团在IT分销领域一路“高歌猛进”：从广州一家区域性公司到亚洲IT电子产品分销亚军；2005年，也就是他创业的第13个年头，公司营业额超过100亿元。

靠货物一进一出赚取贸易利润，刘伟因此曾被称为IT“倒爷”。尽管合作伙伴尽是微软、IBM、惠普等高科技企业，经手的产品也都是高科技产品，但刘伟明白，“这些都不是自己的”。

技术男有颗技术心

有一件事让刘伟一直印象深刻，当年他把打印机的一个软件稍作改进，产品立即就升值了几倍。这是他第一次亲身感受到产品技术升级的魅力和价值。

2005年，在公司电子分销业务营业额达到100亿元时，刘伟带领佳都集团攻入国际巨头垄断的智能化轨道交通应用领域，开始了他的创业第二季。

为什么在企业蒸蒸日上、业绩飘红的巅峰时刻选择转型？在许多人眼里，这是放着好日子不过，自讨苦吃。

“我是学技术出身的，一直有颗技术的心，没有核心技术，业务发展得再大也没有底气。”刘伟说。

在“自有品牌、自有技术、自有产品”的愿景感召下，佳都集团开始了长达6年的国际合作、引进消化吸收再创新之路。从2005年开始，他们每年投入3000万元用于技术研发。那时，科技企业在市场融资并不容易，刘伟和他的创业伙伴们不得不通过其他业务的收入和股票套现来支撑技术研发。

持续的技术研发投入让刘伟团队最终掌握了智能化轨道交通关键系统的核心技术。2009年，刘伟拿到了新业务的第一张订单——中标广州地铁四号线的自动票检系统，金额超过1亿元。

凭什么敢这么去拼？

有人说，刘伟有一个望远镜，能捕捉瞬息万变的市场机会，能洞见未来潜藏的危机，顺势而变，转危为机。

刘伟说，在电子分销业务达到顶峰时，实际上也就到了它的发展瓶颈，必须主动谋变。之所以认定智慧城市应用这个细分领域，是因为认准了城市化是未来中国30年发展的新引擎，这个产业必然会迎来爆发式增长。

让刘伟更有信心的是他身后的专业团队，1000多名高学历、年轻的研发人员。

在当下最炙手可热的人脸识别领域，他们引入了师承“计算机视觉之父”的周曦团队。这位由中科院“百人计划”引进的教授、博士生导师也是一名80后。

在位于广州市天河软件园的佳都科技公司展厅，记者看到的是地铁自动售票机、进站闸机、屏蔽门等一个个大型科技设备。然而，这家企业却没有一间工厂。

刘伟说，在智能化设备领域，佳都科技的业务模型与苹果公司一致，只负责技术、软件和设计。在他的周围，有300家企业为其配套生产。

“这一批研发人员就是我们公司最贵的资产。”刘伟说，专业团队对技术有感觉，他们的软件设计和研发能力很强，最终实现了从学习模仿者变身为超越者。“只有技术团队强，才有可能让中国企业成长为世界级企业。”

在接受记者采访的两个星期前，佳都科技击败对手成功竞标了洛杉矶地铁系统解决方案。

“我们当初没想到可以与国际巨头同场竞争，因为过去一直是仰视它们，现在我们有能力在细分领域超过它们。”刘伟说。

自主创新10年，佳都科技在智能安防和智能化轨道交通领域拥有发明专利400多项，是国内唯一一家同时掌握综合监控、屏蔽门系统和自动售检票系统解决方案三大核心技术的企业。

通过掌握核心技术，佳都科技不仅打破外国厂商的技术垄断，在一些技术上已经远超对手。例如，在轨道交通中央控制系统，他们应用了自主研发的“并发多进程控制技术”，将系统的关键技术指标“全线停送电时间”由国外产品的1800秒大幅缩短至40秒。

社会同样分享了佳都科技自主创新的成果。在轨道交通领域，过去由于依赖国外厂商，地铁每公里造价高达12亿元，如今已降至6亿元左右。而一条线的自动票检系统也从5000万元降至2000万元。

核心技术才是企业发展根源

“10年前，没人相信我们可以跟西门子等国际巨头同场竞争。如今在细分市场上，我们能跟国际巨头竞争，靠的就是自有核心技术。”刘伟说。目前国内智能轨道交通、智能安防等系统建设项目上，佳都科技已从无到有、从小到大，抢占了部分外资企业的市场。

2005年，佳都集团投资5000万元成立国内第一家专业从事智能化轨道交通的公司，2007年全面启动智能化技术和服务业务转型。

2009年，刘伟带领佳都集团拿到了转型后的第一单业务——广州4号线票检系统。“拿到订单对公司来说有着革命性的影响。”刘伟说。2005年到2009年的4年间，公司每年投入两3000万元在核心模块的研发上，“这都是在没有任何项目情况下的投入，没有国家或其他机构一分钱投资，如果不成功就打了水漂。”刘伟说，“我们成功中标广州4号线的票检系统时，确实有扬眉吐气之感，因为打破了一批国外知名厂商在轨道交通智能领域的技术垄断。我认为真正在市场上把国外对手PK下来，得到客户的认可才是科技创新的根本出路和关键的衡量标准。”

“虽然一开始做电子产品分销，但我们的团队都是大学生，本身对技术、产品有自己的理念和感觉。”这是刘伟成功的第一个“秘诀”。另外一个不可忽视的原因是：收购整合的新太科技公司技术底子厚，拥有很强的技术研发能力，是他们进入智能化研发的强大支持。

发展到现在，刘伟专注于两个主要领域：一是智能化轨道交通领域，以自动票检系统为代表；另一个是智能安防领域，以大数据平台和智能算法技术为代表。例如人脸识别技术，“现阶段用于银行办证开户业务，将来还可应用到支付上”。

刘伟在资本市场的操作保证了研发资本的持续投入，而人才的引进和培养让技术创新可持续。

“我们的固定资产并不多，人才是最大的资产。”刘伟深有体会地说，“好的股权激励很重要，去年我们发了2000万股给104位员工。去年股价13元左右，现在是40多元，我们就是要在人才上舍得投资。”

这一举措正好契合了刘伟带领的佳都科技的理念——“共同进步，共享丰盛”。

科技创新的前途在产业化

持续投入技术创新和产品研发，让佳都科技得以承担“核高基”等数十个国家及省部级重大科研项目，其人脸识别核心算法处于世界领先水平，视频智能分析系统获得广州市科学技术一等奖，大型轨道交通综合监控系统达到国内领先水平。

这些技术和科技成果均得到了广泛应用。

继广州多条线路之后，佳都科技又中标东莞至惠州城际轨道交通屏蔽门系统解决方案，其自动售检票系统已应用在青岛、成都和天津地铁；在智能安防领域，已获得克拉玛依平安城市项目等。

作为技术派，佳都科技公司建有1家技术规划研究院，1家国家级联合实验室和2个省级工程技术中心，还与中科院、中山大学等科研院所紧密合作。

作为企业掌舵人，刘伟更注重将科研成果进行产业化布局。“科技创新最终的检验标准就是产业化，在市场上把国外竞争者PK下去才是硬道理。”

作为人大代表，他建议在产学研上，政府应更注重产业的发展，特别是财政资金的支撑和配套不应以传统的固定资产规模为依据，应该更加重视人的创新价值，更多的扶持应面向人。

如今，佳都科技公司正在朝着自主创新的第二个100亿元迈进，成为“ICT”的现代信息服务业高科技企业。

在刘伟看来，中国巨大的市场为企业的科技创新提供了源源不断的动力。随着中国成为世界第二大经济体，中国市场已成为全球最大的市场之一，这给科技企业带来了巨大的发展空间。

“从这个角度看，个人创业、企业创新与国家经济发展的脉络是一致的。”刘伟说。

人脸识别是万亿市场

近几年，随着智能手机的兴起，刘伟看到了一个广阔的市场——人脸识别技术。

“现在静态人脸识别技术的识别率高达99.5%，而人眼的识别率只是80%，受过特殊训练的人眼识别率可以达到95%，人脸识别领域应该是一个万亿级别的市场。”刘伟日前接受记者采访时表示。

技术出身的刘伟谈及佳都科技的核心业务及技术创新时，更像是技术员或工程师，而不仅仅是实际控制人或董事长，正如在两会期间建言“加大科技创新成果的产业化转换”一样，刘伟对佳都科技的科技创新及市场拓展充满信心。谈及未来发展时，刘伟说，快速提升产品及项目交付能力是佳都科技亟待解决的瓶颈问题。

人脸识别技术起源于上世纪60年代，基于较高的技术难度及推广问题，人脸识别技术并未广泛进行商用。相关数据显示，人脸识别技术在全球范围内的市场规模已达千亿美元级别，2014年国内的市场规模不到20亿元。

佳都科技在人脸识别领域涉足时间较早，去年4月份，佳都科技更与关联方新余卓安投资共同出资5000万元，取得广州云从信息科技有限公司27%的股权，后者专注于人脸识别等智能分析算法及产品研发。在佳都科技看来，人脸识别技术具有重要的入口价值，其市场规模将随着商业模式的创新而超预期发展。

“佳都科技两大基础业务智慧城市、智能化轨道交通，都有生物识别的内容，涉及可视化大数据，腾讯、华为、阿里等巨头在这方面均有所涉猎。”刘伟指出，可视化大数据有一个非常好的入口，即人脸识别或者生物识别，在互联网金融、安保、教育、医疗领域都有广泛的应用场景，“可视化大数据有领先基础的公司不多，有市场积累的公司也不多，佳都科技处于领先地位。”

据悉，今年1月中旬中央政法委有关领导视察佳都科技就是考察可视化大数据与人脸识别在建立立体防控体系上的应用。去年5月份，中宣部有关领导同志也曾视察佳都科技，对佳都科技人脸识别技术、智能安防、智能轨道交通业务也表现出了较高的兴趣。

经过一系列技术上的创新，佳都科技人脸识别技术的识别率已达到99.5%，尤其是去年入股广州云从后，佳都科技掌握了全球领先的算法，加上在广东的人脸识别库，佳都科技在动态人脸识别和静态人脸识别商用方面已经取得突破。

以互联网金融为例，人脸识别技术可应用于远程开户、远程支付等具体业务。“目前央行尚未完全放开通过人脸识别远程开户、支付等，一旦放开，银行网点的作用就减掉了一大半，相当一部分网店就可以直接搬到写字楼，用于必须进行面对面交流的业务，一般的开户、转账等不需要去网点，这会对金融业产生革命性的影响。”刘伟说。

据了解，老一代人脸识别技术是通过面部的物理特征，如五官之间的距离等物理结构进行识别，新一代的人脸识别技术将人脸设置成360个点进行比对。

“智能手机包括大量的摄像头都是高清的，可以看到人的脸纹，通过深度学习的方法进行比对识别。人脸识别领域应该是一个万亿市场。”刘伟说。

智能轨道业务大增

去年10月份，佳都科技出资2亿元并购广东华之源信息工程有限公司51%的股权，后者是全国轨道交通公安通信系统和视频监控系统的领军企业，已经形成以华南为根据地并辐射全国的业务格局。

这其实是佳都科技在智能交通方面的其中一个布局，近来来，以城轨为代表智能交通业务已逐渐成为佳都科技的核心业务之一，并且在未来两三年之内或将以更快的速度发展。数据显示，中国的地铁等智能交通业务占据全球85%以上的市场，此前该领域基本上是西门子等国外的产品，国内仅有少数几家企业进入该市场。

截至目前，全国范围内共有38个城市拥有地铁或正在修建地铁，二线城市的地铁规划方案普遍是10条以上的地铁线路，一线城市则是数百公里以上。以一线城市为例，北京地铁线路已经规划至河北境内，广州地铁直达佛山，深圳地铁则有望与东莞、惠州连成一片。

“38个城市中，佳都科技已进入了15个城市，掌握了29条在建地铁线路。”刘伟说，地铁项目一般是两年完成交付，意味着两年的业绩可以锁定。另据了解，佳都科技轨道交通智能化系统可细分为四大系统，分别是自动票检系统、屏蔽门系统、中央控制系统、通信系统，目前佳都是国内唯一一家掌握轨道交通智能化系统的企业。

刘伟坦言，佳都科技能快速占领智能轨道交通领域除与技术储备有关外，还与该领域一般不会受到经济下行影响有关，这是佳都科技良性发展的重要条件。对于未来的发展瓶颈，刘伟指出，交付能力是佳都科技亟待解决的问题。

2014年，佳都科技智能轨道交通合同金额约为30亿元，去年则增至42亿元左右，今年预计将超过60亿元，2017年则计划达到100亿元级别。

14.超声波人脸识别方法研究 篇十四

您还在为每年一次的领取养老保险待遇资格认证而烦恼吗?据悉，柳州市社会保险事业管理局将于今年9月在全市(含六县)全面推行养老保险“人脸识别”认证办法。该办法借助高科技的“人脸识别”新技术进行认证，将进一步提高领取养老保险待遇资格认证的准确性和便捷性。

“人脸识别”认证方法，俗称“刷脸”，是一种运用“人脸识别”技术开展的领取养老保险待遇资格认证方式。那么，如何“刷脸”呢?首先，必须让“刷脸”设备“认识”您。柳州市凡符合领取养老保险待遇资格的人员，需要首先通过“刷脸”建模记录下面部特征信息。这样，“刷脸”设备就“认识”了您。之后，“刷脸”设备需要每年和您见一面。您只需每年一次到指定网点或通过网络客户端“刷脸”――用“人脸识别”设备照个相，“人脸识别”设备就可以自动识别是否您本人在进行认证。如果“人脸识别”设备认出是您本人前来认证，将继续为您及时足额地发放养老保险待遇;如果不是您本人在认证，为保障您养老待遇的安全，将暂停发放您的养老待遇。“人脸识别”技术相比肉眼识别技术，能更准确地判断是否本人进行认证，是更科学的认证方式;而且，“刷脸”不需要本人进行任何操作，简单易行;另外，“刷脸”可以通过网络完成，让您足不出户就能认证，解决了异地认证和行动不便人员认证两大难题。“人脸识别”认证的开展标志着柳州市领取养老待遇资格认证工作走在了全国前列。

目前，“人脸识别”认证工作正在积极地筹备中。今年9月，柳州市将正式启动“人脸识别”信息采集工作。届时，请所有在柳州市社保机构领取养老保险待遇的人员前往所在社区的指定网点进行人脸建模。如有特殊原因无法前往，也请委托他人到指定网点进行情况登记。

15.超声波人脸识别方法研究 篇十五

人脸识别是目前模式识别和计算机视觉领域的研究热点,它在身份认证、人机交互和智能信息处理等方面有着广泛的应用[1]。Turk等人提出主成分分析(Principal Component Analysis,PCA)的人脸识别方法[2],把图像矩阵转化成图像向量,但造成图像向量维数非常大,计算样本协方差矩阵很困难,耗费大量运行时间。

针对这些问题,Yang等人于2004年提出了二维主成分分析(2DPCA)的人脸识别方法[3],直接以图像矩阵进行特征提取,可以降低计算的复杂性,提高人脸识别的准确率[4,5,6],但在小样本的人脸识别情况下(或者样本中存在异常的边缘样本时),不能保证各类训练样本的均值就是本类样本分布的中心点,以训练样本的均值作为该类样本中心求出的投影矩阵不能保证是最优的。2010年,韩晓翠等人基于样本中间值改进了2DPCA的人脸识别方法[7],可以减小训练样本均值偏离类中心对求取最优投影矩阵的影响,但提取出的人脸特征维数大[7,8],运行时间较长,识别率提高不明显。

鉴于上述原因,本文提出了基于样本中间值的双向二维主成分分析(Two-Directional Two-Dimensiona Principal Component Analysis Based on Sample the Median,(M(2D)2PCA)的

人脸识别方法,它将训练样本的中间值代替训练样本的平均值,以此重建总体散布矩阵,改进传统的(2D)2PCA算法。同时,本文采用支持向量机(SVM)替代最近邻(NN)分类器进行分类识别,其方法明显优于传统人脸识别方法。

1(2D)2PCA算法

假设模式类别有C类,每一类有ni个训练样本图像组成。训练样本集由组成,且每个训练图像都是m×n矩阵。

设有N个训练样本图像,Ak(k=1,2,…,N)表示第k个训练样本图像,且Ak∈Rm×n,则所有训练样本图像的平均值为

训练样本的行方向的总体散布矩阵为

求解G的特征值和特征向量,根据主成分的贡献率

选择G的前d个最大特征值λ1,λ2,…,λd所对应的特征向量X1,X2,…,Xd构成的最优投

影矩阵Xopt,即Xopt=[X1,X2,…,Xd]。

图像列方向的总体散布矩阵矩阵

其中,和分别是和的第j个列向量。求解G'的前q个最大特征值γ1,γ2,…,γq对应的特征向量Z1,Z2,…,Zq,得到最优投影矩阵Zopt=[Z1,Z2,…,Zq]。

由上面计算得到n×d维投影矩阵Xopt和维投影矩阵Zopt,将m×n的图像矩阵A同时向Xopt和Zopt投影,产生一个q×d的图像识别矩阵

2 基于样本中间值的(2D)2PCA算法

2.1 样本中间值的概念

对于给定的有限数列{x1,x2,…,xn},对其排序,当n为奇数时,数列的中间值为n为偶数时,数列的中间值为。

假设人脸图像有C类,每一类有ni个图像组成。样本集由组成,且每个样本图像都是m×n矩阵。由以下步骤计算得到样本图象中间值:

(1)将所有训练样本先转化成列向量Zi1,Zi2,…,Zini,其中,Zini∈Rl×1,l=m×n,取第i类人的n个训练样本图像组成矩阵:

列向量组的中间向量:

其中,是每行的中间值。

(2)再将转化成m×n矩阵M:

(参见右栏)(8)

矩阵M∈Rm×n,M为人脸图像第i类的类内中间值。

2.2 基于样本中间值的(2D)2PCA(M(2D)2PCA)算法步骤

基于样本中间值的(2D)2PCA算法步骤如下:

(1)把图像样本转换成列向量,取每个人的n个样本,按照式(6)、(7)、(8)计算训练样本每一类的中间值Mi(1≤i≤c)。

(2)用样本中间值代替样本平均值构建图像行和列的总体散布矩阵。

其中,Mi为第i类的类内中间值。

(3)计算G和G'的特征值和特征向量,选取G的前d个最大特征值所对应的特征向量作为投影轴Xopt=[X1,X2,…,Xd],G'的前q个最大特征值所对应的特征向量作为投影轴Zopt=[Z1,Z2,…,Zq]。由式(5)求得图像特征矩阵。

(4)应用支持向量机(SVM)分类器对人脸图像的特征矩阵进行分类识别。

3 实验结果与分析

3.1 Yale人脸数据库上的实验

Yale人脸数据库有15个人,每人11幅不同的图像。这11幅图像在表情、姿态和光照上有很大区别。每幅图像大小为100×100,灰度级为256。

实验1,不同的训练样本数和测试样本数,应用支持向量机分类识别,研究训练数目对不同算法识别准确率和识别速度的影响,通过对比验证本文算法在识别表情、姿态和光照有很大区别的人脸图像时的有效性。

实验中,训练样本数目为n=3,5,7,SVM的参数设置为―c=5,―g=0.1。实验设计过程中采用2DPCA+NN、M2DPCA+NN、(2D)2PCA+NN、M(2D)2PCA+NN以及本文方法(M(2D)2PCA+SVM)进行实验,结果取50次实验结果的平均值,如表1所示。

表1不同训练样本数目下的准确率和时间比较

(参见下页)

从表1可以看出,随着每类人训练样本数的不断增加,五种方法的识别率都随之提高,而且基于样本中间值的方法比从传统的方法识别率提升得快。此外,当n=5或n=7时,基于样本中间值方法的识别率不低于采用平均值的传统方法,且本文方法识别率明显高于其他四种方法。另外,(2D)2PCA识别时所需的系数比2DPCA少,分类和识别时间短。

图2中通过比较不同特征矢量维数下的识别率发现,随着特征矢量维数的不断增加,2DPCA、(2D)2PCA以及本文方法的识别率逐渐升高,且本文方法的识别率增加的速率远大于另外两种方法。并且当维数≥7时,三种方法的识别率都趋于稳定。

3.2 ORL人脸数据库上的实验

ORL人脸数据库是基于表情和姿态变化的人脸数据库,该数据库有40个人,每个人有10幅不同的图像,共400幅。图像为黑色拍摄背景,且在光照强度、拍摄角度、面部表情(笑或不笑)以及面部细节(戴眼镜或不戴眼镜)等方面有很大区别。这些图像大小均为112×92。

实验2,选择不同识别算法,在ORL人脸库上进行实验,通过对比验证本文算法在识别表情、姿态有很大区别的人脸图像时的有效性。

每人任选5幅人脸图像用作训练样本,其余5幅作为测试样本,选择支持向量机参数为―c=5,―g=0.1。应用2DPCA+NN、Alternative 2DPCA+NN、M2DPCA+NN、(2D)2PCA+NN、M(2D)2PCA+NN和本文算法M(2D)2PCA+SVM进行对比实验,结果取50次实验结果的平均值,如表2所示。(参见右栏)

从表2可以看出,(2D)2PCA的识别率比2DPCA的识别率高,而M(2D)2PCA的识别率又比(2D)2PCA高,本文方法的识别率明显高于其他五种方法。可见,样本中间值更接近训练样本的分布中心,采用类内中间值构建的特征矩阵更准确地表示了原图像在行和列两方面的信息。此外,M(2D)2PCA的识别时间比其他方法的识别时间都短。

4 结束语

本文提出了基于样本中间值的双向二维主成分分析的人脸识别方法。此方法应用训练样本的类内中间值代替平均值构建行和列的总体散布矩阵,提取特征向量作为最优投影轴,采用SVM分类器进行分类识别。

在Yale和ORL人脸数据库上实验,并取得了较为理想的效果,识别性能明显优于传统的2DPCA、M2DPCA、(2D)2PCA和M(2D)2PCA算法,且识别时间大大缩短。同时,在样本数较少且存在边缘样本的情况下,样本的类内中间值比总体的平均值更接近训练样本的分布中心,更具有鲁棒性。

参考文献

[1]李武军,王崇骏,张炜.人脸识别综述[J].模式识别与人工智能,2006,19(1):58-66.

[2]Turk M,PentlandA.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience,1991,3(1):71-86.

[3]Yang Jian,David Z.Two-dimensional PCA:Anewapproach to appearance-based face representationand recognition[J].IEEE Trans on Pattern Analysisand Machine Intelligence,2004,26(1):131-137.

[4]Zhang Daoqiang,Zhou Zhihua.(2D)2PCA:Tow-directional tow-dimensional PCA for efficient facerepresentation and recognition[J].Neurocomputing,2005,69(1-3):224-231.

[5]杨万扣,吉善兵,任明武.基于增强的2维主成分分析的特征提取方法及其在人脸识别中的应用[J].中国图像图像学报,2009(2):227-232.

[6]万鸣华,刘中华,金忠.一种基于2DPCA和SVM的人脸识别方法[J].通信技术,2009,42(5):100-102.

[7]韩晓翠.一种改进的2DPCA人脸识别方法[J].计算机工程与应用,2010,46(25):185-187.