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用的区域特征分析算法，它融合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行分析建立数学模型,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行特征分析，根据分析的结果来给出一个相似值。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分离出来，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移动时自动地对其进行跟踪。
三、人脸识别比对：
人脸识别分核实式和搜索式二种比对模式。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行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。在进行人脸搜索时(搜索式)，将指定的人像进行建模，再将其与数据库中的所有人的模板相比对识别，最终将根据所比对的相似值列出最相似的人员列表。
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还是一幅照片。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：
图像质量的好坏直接影响到识别的效果，图像质量的检测功能能对即将进行比对的照片进行图像质量评估，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
如果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！
单选题
1. E-Learning应用平台的核心是： √
A
B
C
D
知识管理系统 学习社区 考试系统 学习管理系统
正确答案： D
2. 下列学习管理系统中，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. 下列选项中，不属于学习技术体系基础设施的是： √ 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
多选题
5. 学习管理系统中常见的角色包括： √ A
学习者 B
HR经理 C
培训管理员 D
课程管理员
正确答案： A B C D
6. 下列选项中，属于在线学习社区的辅助应用的是：
A
微博/博客 B
辅助知识库建设 C
辅助培训项目 D
辅助业务应用
正确答案： A B C D
7. 关于虚拟教室系统，下列表述正确的是： √ A
虚拟教室系统又称同步教学系统 B
能够通过网络提供远程师生同步授课 √
C
以视频传输为主
D 能够满足语音、视频、PPT讲义、文字等的同步交流
正确答案： A B D
判断题
8.
人力资源管理方向是学习管理的最佳状态。此种说法： √
正确
错误
正确答案： 错误
9.
学习管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，属于典型的课堂型结构。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、人脸识别发展
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、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、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。
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. 人脸的规范化：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知人脸比较，得出相关信息。
人脸识别流程
二、人脸识别过程及其技术
人脸识别问题是指:对输入的人脸图像或者视频,首先判断其中是否存在人脸,如果存在人脸,则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,并依据这些信息,进一步提取每个人脸中所蕴含的身份特征,并将其与已知人脸库中的人脸进行对比,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部分:
1)人脸检测:判断输入图像中是否存在人脸,如果有,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:根据面部特征定位的结果,与库中人脸对比,判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
研究发现，虽然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行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，如下式所示
.
2.1.2彩色图转化为灰度图
根据(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，因此采用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.虽然这种增加速度有逐渐减缓的趋势，但当阈值取到一个很小值以至于部分非肤色区域被保留下来时，分割出的区域数目会产生一个跳变，此时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.经过上述处理后，得到一幅二值图.
2.1.4判断保留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，对于人脸而言，Ｅ应大于１.然后根据欧拉数E判断区域中是否存在洞，若是，则根据下列公式计算矩、质心和倾角
.
再利用人脸的几何特性进一步判断：计算区域的长、宽，若长宽比过大则丢弃；将标准人脸模板和区域重合，计算十字相关性.若关联性大于一个即定值，则该区域为人脸.
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，它们就是人脸的左右边界.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”.人脸左右边界部分的小波系数较大，所以具有较大的值.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行垂直积分投影、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，所以无法准确定位人脸上下基线.根据人脸的形状，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，对区域中的黑点进行区域膨胀.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：寻找满足下列条件并位于脸的下方的区域即唇色
.
嘴到两眼中心的距离为(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人脸对比
国内人脸对比技术已取得了一定的成果.BP神经网络是应用较为广泛的一种特征提取和对比方法.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赋予每个人的标识号.每人多张照片参加训练，根据训练人数的多少，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，容易陷入局部极小.
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，形成了多分类器结合的方法进行人脸对比，并在已有的几种分类器结合方法的基础上，对投票法作一些改进：不同分类器给予不同的“说话权重”，增加“第二候选人”，并根据“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”.实验结果表明，采用多分类器结合方法后的识别率比单一分类器要高，改进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、存在的问题及部分解决
3.1现存的难题
目前,人脸识别技术已经取得了长足的进步,但也存在许多亟待解决的问题。
(1)采集设备问题。采集设备的性能和采集时的设置使得获取的人脸图像数据的变化更大,如何解决这些问题也是值得关注的。
