人脸识别研究的背景意义现状及特征提取方法研究样本
基于深度学习的人脸识别技术研究答辩PPT
LOGO
目录
01
选题原因及背景
02
解决思路及措施
03
成效发展，人们也不满足于现在的生活水平、生活质量，对实现 便捷高效的自动身份验证的需求也日益增强。在所有身份认证的方法中，通过生物特 征来进行是最准确无误的；因为生物特征是人的内在属性，不易被外界因素影响且不 同个体之间的差异较大、好区分。
签到表、考勤发布表等增加或修改，甚至认证授权等操作） 04
03 成效及结论
➢ 成效： 利用人脸识别技术实现课堂考勤，可以改变传统的点名、签名等常规的考勤
模式，解决既耗时又不能保证数据的真实性的问题，从而提高考勤效率。 使用PythonWeb开发中的Django框架，将课堂考勤与Web服务相结合，使
一、考勤系统总体概述：（论文第四章）
考勤系统分别由管理员和用户两大模块构成；
二、数据库设计：
数据库结构描述和数据库逻辑结构设计；
03
系统实现
系统功能实现包含：（论文第五章）
1：登录注册模块（首页、注册页面和登录页面）: 2：用户模块（教师用户和学生用户），教师可以发布和查 看课程，发布和查看签到两类；学生可以人脸签到和选课； 3：管理员模块（管理员可以对用户、对发布的课程、考勤
系统分析
系统功能分析：（论文第三章）
考勤系统主要有管理员和用户（也就是教师和学生）两大板
块组成，系统采用 B/S结构。旨在为用户提供一个能缩短在
考勤方面花费的时间的人脸识别快速签到的平台。系统管理
员可以操纵所有角色的信息库，比如对某角色的信息进行更
新、删除等其他操作。
02
02 解决思路及措施
系统设计
LOGO
(完整版)开题报告-人脸检测与识别
开题报告1。
研究背景各种智能系统在生活中的应用越来越普遍。
智能系统中经常需要身份识别以便提供个性化服务。
身份识别是一个很棘手的的问题，传统方法中主要是通过一些具有个人身份特征的事物来鉴别，比如证件、钥匙等身份标识物品,或者是用户名和密码之类的身份标识知识。
在一些要求比较高的系统中，一般将这两方法结合起来使用,例如我们在使用ATM机时,只有ATM卡和密码都正确才能访问特定的用户并进行一些列操作。
但是传统的身份鉴别方法缺点是相当明显的：身份标识物品容易丢失或被伪造，身份标识知识容易遗忘或被盗取.这个时候身份鉴别就是天方夜谭了。
如果利用每个人本身的生物特征如人脸特征，指纹等等就能达到相当好的效果.这使得生物特征识别技术焕发光彩.由于微电子和机器视觉方面取得了新进展，高性能自动识别的技术可行性越来越高.近年来兴起的人脸识别在众多生物识别方法中应用最为广泛。
在国外,人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。
在国内，对于人脸识别技术的研究始于上世纪90年代,目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域.2。
研究意义人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广泛的应用意义。
人脸识别技术是一个非常活跃的研究领域，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。
如今，虽然在这方面的研究已取得了一些可喜的成果，但是FRT在实用应用中仍面临着很严峻的问题，因为人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦。
如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。
基于人脸生物特征的身份鉴别具有以下优点：（1）用户易接受:操作简单,身份识别度高，识别速度快。
（2）防伪性能好：人脸特征被伪造或被盗可能性很低.(3）使用方便：不用担心丢失或遗忘，随时随地可用。
人脸识别技术的特征提取方法
人脸识别技术的特征提取方法人脸识别技术是一种通过获取和分析人脸图像中的特征，来进行身份验证或者身份识别的技术。
而人脸识别技术的核心就是人脸特征的提取。
本文将介绍几种常用的人脸识别技术中的特征提取方法。
一、颜色信息的提取颜色信息是人脸图像中最直观的特征之一，通过对人脸图像进行色彩空间转换，即将RGB颜色空间转换为HSV颜色空间，可以提取出特定的颜色信息。
在HSV颜色空间中，H表示色调，S表示饱和度，V 表示亮度。
通过调整阈值，可以提取出人脸图像中的肤色信息，从而进行特征的提取和分析。
二、几何信息的提取几何信息是利用人脸图像中的形状和结构特征，通过计算和测量人脸各个部位之间的相对位置和大小关系来进行特征提取。
常见的几何信息包括眼睛间距、眼睛到鼻子的距离、嘴巴的大小等。
通过测量和计算这些几何信息，可以得到一个人脸的独特特征。
三、纹理信息的提取纹理信息是指人脸图像中由于皮肤质地、皱纹等因素造成的细微变化。
纹理信息的提取需要先将人脸图像进行分割，再对每个小区域进行纹理特征的提取。
常用的方法有局部二值模式（LBP）和高斯微分滤波器（GDF）等。
通过提取纹理信息，可以得到一个人脸图像的纹理特征。
四、特征融合除了单一的特征提取方法，还可以通过将不同的特征进行融合来得到更加准确的特征提取结果。
特征融合可以采用加权求和的方式，将不同特征的重要性进行评估，并根据重要性进行加权处理。
常见的特征融合方法有融合规则、融合加权和融合决策等。
五、深度学习方法近年来，深度学习方法在人脸识别技术中得到了广泛应用。
深度学习方法通过构建深层神经网络，利用多层次的特征提取和表达能力来实现人脸特征的提取。
常见的深度学习方法有卷积神经网络（CNN）和自编码器（Autoencoder）等。
总结：人脸识别技术的特征提取方法包括颜色信息的提取、几何信息的提取、纹理信息的提取、特征融合和深度学习方法。
不同的特征提取方法有不同的应用场景和优劣势，根据具体的需求选择合适的方法进行特征提取，可以提高人脸识别技术的准确度和稳定性。
人脸识别应用公众调研报告
技术安全性不足
部分公众对于人脸识别技术的安全性也表 示担忧，主要表现在技术准确性、稳定性 等方面，约有68%的受访者表示对此存在 一定的担忧或非常担忧。
04
分析讨论
人脸识别技术对公众生活的影响
方便性
人脸识别技术可以为公众生活带来便利，例如在支付、门禁、安 检等领域，大大提高了识别效率和安全性。
隐私泄露
应用于公共安全
对于将人脸识别技术应用于公共安全领域，如公安犯罪侦查、社会治安管理等，公众的接受程度有所 下降，约有65%的受访者表示可以接受或支持。
公众对于人脸识别技术安全性的担忧
数据隐私泄露
公众对于人脸识别技术最主要的担忧是 数据隐私泄露，约有78%的受访者表示 对此存在一定的担忧或非常担忧。
VS
数据可视化
将数据分析结果以图表、报告等形式进行可 视化展示，便于理解和呈现研究结果。
03
调研结果
受访者基本信息
年龄分布
受访者年龄分布广泛，主要集中在18-40岁之间 。
性别比例
男女比例大致相当，约为52%和48%。
教育程度
受访者教育程度较高，超过70%具有本科及以上学历。
公众对于人脸识别的接受程度
参考文献1
人脸识别技术及其在公共安全领域的应用，作者：张三， 出版物：科学出版社，出版年份：2018。
参考文献2
人脸识别系统的设计与实现，作者：李四，出版物：电子 工业出版社，出版年份：2019。
参考文献3
人脸识别技术在商业领域的应用及发展趋势，作者：王五 ，出版物：科技与企业，出版年份：2020。
05建议和展望来自提升公众对于人脸识别技术的认知
1 2
宣传教育
通过媒体、公益讲座、科普展览等方式，向公众 普及人脸识别技术的原理、应用和发展趋势，提 高公众的认知水平。
人脸表情识别技术研究及应用
人脸表情识别技术研究及应用一、引言人脸表情识别技术是指通过计算机视觉和模式识别技术，对人脸图像或视频中的表情进行自动识别和分类的技术。
随着人工智能和计算机视觉技术的飞速发展，人脸表情识别技术在社会生活和工业应用中得到了广泛应用。
本文将重点介绍人脸表情识别技术的研究进展和应用领域。
二、人脸表情识别技术的研究进展1. 传统的人脸表情识别方法传统的人脸表情识别方法主要基于图像特征提取和分类技术。
常用的特征提取方法有主成分分析(PCA)、线性判别分析(LDA)等，通过提取人脸图像中的纹理特征、统计特征和形状特征等进行分析。
然后，采用支持向量机(SVM)、人工神经网络等分类器进行表情分类。
2. 基于深度学习的人脸表情识别方法近年来，随着深度学习技术的广泛应用，基于深度学习的人脸表情识别方法取得了显著进展。
深度卷积神经网络(Convolutional Neural Network, CNN)成为人脸表情识别领域的主流模型。
通过多层卷积和池化操作，CNN能够自动学习人脸图像中的高层语义特征，再通过全连接层进行分类。
3. 结合多模态信息的人脸表情识别方法为了提高人脸表情识别的准确性和鲁棒性，研究者们将多个传感器的信息进行融合。
例如，可以结合声音信号、眼动追踪数据等多模态信息，通过多模态融合的方式，提高表情分类的准确率。
此外，还有一些研究结合情感词典和情感句法等自然语言处理技术，进行情感识别与表情分类的结合。
三、人脸表情识别技术的应用领域1. 智能交互人脸表情识别技术在智能交互中发挥着重要作用。
例如，智能手机可以通过识别用户的表情来自动调节屏幕亮度和音量。
此外，人脸表情识别还可以应用于虚拟现实(VR)和增强现实(AR)等领域，实现更加自然和沉浸式的用户体验。
2. 情感分析通过人脸表情识别技术，可以实现对人们情感状态的自动识别和分析。
这对于广告、市场调研等领域有着重要的意义。
例如，可以通过识别消费者的表情来评估产品的受欢迎程度，为企业决策提供参考。
《2024年基于深度学习的人脸识别方法综述》范文
《基于深度学习的人脸识别方法综述》篇一一、引言随着人工智能技术的飞速发展，人脸识别技术已成为当今社会关注的热点。
作为计算机视觉领域的重要分支，人脸识别技术在安全监控、身份认证、智能交互等多个领域得到了广泛应用。
深度学习技术的出现为人脸识别提供了新的解决方案，使得人脸识别的准确性和效率得到了显著提升。
本文旨在综述基于深度学习的人脸识别方法，分析其原理、技术特点及发展趋势。
二、深度学习在人脸识别中的应用深度学习是一种模拟人脑神经网络结构的机器学习方法，通过构建多层神经网络来提取数据的深层特征。
在人脸识别领域，深度学习主要应用于特征提取和分类识别两个阶段。
1. 特征提取特征提取是人脸识别的关键步骤，其目的是从原始图像中提取出能够表征人脸特征的有效信息。
深度学习通过构建卷积神经网络（CNN）等模型，自动学习从原始图像中提取出高维度的特征表示，这些特征对于人脸识别任务具有较好的鲁棒性和区分性。
2. 分类识别分类识别是利用已提取的特征进行人脸匹配和识别的过程。
深度学习通过构建全连接层、支持向量机（SVM）等模型，对提取的特征进行分类和识别。
在人脸识别任务中，深度学习可以有效地提高识别的准确性和效率。
三、基于深度学习的人脸识别方法基于深度学习的人脸识别方法主要包括基于深度神经网络的人脸识别方法和基于深度学习的三维人脸识别方法。
1. 基于深度神经网络的人脸识别方法该方法通过构建多层神经网络模型，对人脸图像进行特征提取和分类识别。
常见的模型包括卷积神经网络（CNN）、深度置信网络（DBN）等。
这些模型能够自动学习和提取出高维度的特征表示，提高了人脸识别的准确性和鲁棒性。
2. 基于深度学习的三维人脸识别方法该方法利用三维信息来提高人脸识别的准确性和鲁棒性。
通过构建三维模型来获取人脸的立体信息，再结合深度学习技术进行特征提取和分类识别。
这种方法对于姿态变化、表情变化等复杂场景具有较好的适应性和鲁棒性。
四、技术特点及发展趋势基于深度学习的人脸识别方法具有以下技术特点：1. 高效性：深度学习能够自动学习和提取出高维度的特征表示，提高了人脸识别的效率和准确性。
人脸识别实验报告模板(3篇)
第1篇一、实验目的1. 了解人脸识别的基本原理和流程。
2. 掌握人脸识别算法的实现和应用。
3. 分析不同人脸识别算法的性能和优缺点。
4. 评估人脸识别技术在实际应用中的可行性和效果。
二、实验环境1. 操作系统：Windows 10/Ubuntu 18.042. 编程语言：Python3. 开发工具：PyCharm/VS Code4. 库：OpenCV、dlib、TensorFlow、Keras等5. 硬件要求：CPU：Intel Core i5以上；内存：8GB以上三、实验内容1. 人脸检测2. 特征提取3. 人脸识别4. 性能评估四、实验步骤1. 人脸检测- 使用OpenCV或dlib库实现人脸检测功能。
- 预处理输入图像，如灰度化、缩放、裁剪等。
- 运用人脸检测算法（如Haar cascades、SSD、MTCNN等）进行人脸定位。
- 输出检测到的人脸位置信息。
2. 特征提取- 使用深度学习或传统方法提取人脸特征。
- 深度学习方法：使用卷积神经网络（CNN）提取人脸特征，如VGG、ResNet 等。
- 传统方法：使用LBP、HOG、PCA等算法提取人脸特征。
- 将提取到的特征进行归一化处理。
3. 人脸识别- 使用训练好的模型进行人脸识别。
- 将提取到的人脸特征与数据库中的特征进行比对。
- 根据比对结果判断是否为同一个人。
4. 性能评估- 使用测试集评估人脸识别算法的性能。
- 计算识别准确率、召回率、F1值等指标。
- 分析不同算法的性能和优缺点。
五、实验结果与分析1. 人脸检测- 比较不同人脸检测算法的检测速度和准确率。
- 分析算法在不同光照、姿态、表情等条件下的表现。
2. 特征提取- 比较不同特征提取方法的提取效果。
- 分析特征提取对识别性能的影响。
3. 人脸识别- 计算识别准确率、召回率、F1值等指标。
- 分析不同算法的识别性能。
1. 总结实验过程中遇到的问题和解决方法。
2. 分析实验结果，得出实验结论。
多光谱图像人脸识别方法的性能评估的开题报告
多光谱图像人脸识别方法的性能评估的开题报告一、选题背景及意义人脸识别技术是一种应用广泛的生物认证技术，其应用领域涉及安全、金融、医疗等多个方面。
但是，传统的人脸识别方法存在一些缺陷，比如光照、遮挡等因素会影响识别精度。
为了提高人脸识别的性能和鲁棒性，多光谱图像人脸识别方法逐渐被广泛研究。
多光谱图像人脸识别方法不仅可以获取更多的信息，还可以对不同波段的图像进行处理和融合，提高人脸识别的精度。
二、主要内容及实施方案本文将重点研究多光谱图像人脸识别方法的性能评估。
具体内容包括以下几个方面：1.收集多光谱人脸图像数据集。
为了对多光谱图像人脸识别方法的性能进行评估，需要建立一个包含多种不同肤色、性别、年龄等因素的人脸图像数据集。
2.研究多光谱图像人脸识别算法及其性能评估方法。
目前多光谱图像人脸识别算法包括基于特征提取的方法、基于神经网络的方法等。
研究这些算法及其性能评估方法对于评估多光谱图像人脸识别方法的性能具有重要意义。
3.实现多光谱图像人脸识别算法，并进行实验评估。
使用收集的多光谱人脸图像数据集进行实验评估，比较不同算法的性能。
4.对实验结果进行分析，总结多光谱图像人脸识别方法的优缺点，并提出改进的建议。
实施方案如下：1.收集人脸图像数据集：在公共静态场所，如电影院、超市、图书馆、餐厅、机场等，使用多光谱图像采集设备采集人脸图像数据，采集范围至少涵盖不同肤色、性别和年龄的500人左右。
2.研究多光谱图像人脸识别算法及其性能评估方法：分析多光谱图像人脸识别算法的特点、优缺点和适用范围，重点研究算法的性能评估方法。
3.实现多光谱图像人脸识别算法，并进行实验评估：实现基于特征提取、基于神经网络等多种多光谱图像人脸识别算法，并使用收集的数据集进行实验评估。
4.对实验结果进行分析总结：比较不同算法的性能，分析其优缺点，提出改进的建议。
三、研究计划及进度安排1.前期准备（2019.9-2019.12）1）收集多光谱人脸图像数据集2）阅读文献，熟悉多光谱图像人脸识别算法及其性能评估方法2.算法实现及实验评估（2020.1-2020.11）1）实现多光谱图像人脸识别算法2）使用收集的数据集进行实验评估3.结果分析与总结（2020.12-2021.2）1）统计实验结果数据，比较不同算法的性能2）分析算法的优缺点3）提出改进的建议四、可行性分析1.数据采集：多光谱图像人脸识别方法需要大量的数据集进行实验评估，但在现有的数据集中很难获取大量的多光谱人脸图像数据，因此我们需要自己搜集数据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。
人脸识别研究的背景意义现状及特征提取方法研究
1研究背景与意义 ............................
错误!未定义书签。
2国内外研究现状 ............................
错误!未定义书签。
2.1 人脸识别的研究现状 ...................
错误!未定义书签。
2.2 人脸识别中稀疏编码的研究现状 .........
错误!未定义书签。
3人脸的特征提取方法概述 ....................
错误!未定义书签。
3.1 基于局部特征的方法 ...................
错误!未定义书签。
3.2 基于整体特征的方法 ...................
错误!未定义书签。
基于特征脸方法 ........................
错误!未定义书签。
基于弹性匹配的方法 ....................
错误!未定义书签。
基于神经网络的方法 ....................
错误!未定义书签。
基于不变性的方法 ......................
错误!未定义书签。
基于Fisher线性判别方法 ...............
错误!未定义书签。
1研究背景与意义
人脸识别技术具有广泛的应用前景, 在国家安全、 军事安全
和公共安全领域, 智能门禁、 智能视频监控、 公安布控、 海关
身份验证、 司机驾照验证等都是典型的应用; 在民事和经济领域,
各类银行卡、 金融卡、 信用卡、 储蓄卡的持卡人的身份验证, 社
会保险人的身份验证等具有重要的应用价值; 在家庭娱乐等领域,
资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。
人脸识别也具有一些有趣有益的应用, 比如能够识别主人身份的
智能玩具、 家政机器人, 具有真实面像的虚拟游戏玩家等等。
近年来许多神经生理学家在视觉系统上已展开了全面深入的
研究, 而且取得了一些有重要意义的研究成果。这就使得在工程上
利用计算机来模拟视觉系统成为可能。基于这一认识, 利用已有的
生物学科研成果, 联系信号处理、 计算理论以及信息论知识, 经
过对视觉系统进行计算机建模, 使计算机能在一定程度上模拟人
的视觉系统, 以解决人工智能在图像处理领域中碰到的难题。神经
稀疏编码算法正是这样一种建模视觉系统的人工神经网络方法。这
种算法编码方式的实现仅依靠自然环境的统计特性, 并不依赖于
输入数据的性质, 因而是一种自适应的图像统计方法。
传统的人脸识别系统中, 不论是基于整体的或者局部特征的
人脸识别方法, 都需要建立很好的模型来提取特征, 而稀疏编码
理论对特征的选取方面要求相对较低, 因此结合特征提取方法再
对稀疏编码算法进行深入研究, 并应用到人脸识别中, 扩展了人
脸识别的方法理论, 将会对该领域的研究起到一定的促进作用,
因此具有很重要的学术意义。当前, 稀疏编码SC方法在盲源信号
分离、 语音信号处理、 自然图像特征提取、 自然图像去噪以及
模式识别等方面已经取得许多研究成果, 具有重要的实用价值,
是当前学术界的一个研究热点。进一步研究稀疏编码技术, 不但会
积极地促进图像信号处理、 神经网络等技术的研究, 而且也将会
对相关领域新技术的发展起到一定的促进作用。
资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。
2国内外研究现状
2.1 人脸识别的研究现状
人脸识别的研究历史比较悠久, Galton早在1888年和19 就分
别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章,
对人类自身的人脸识别能力进行了分析, 但当时还不可能涉及到
人脸的自动识别问题。最早的关于人脸识别问题的研究论文见于
1964年Bertillon在Panoramic Research Inc.发表的技术报告, 和
1965年Chan在Panoramic Research Inc.发表的技术报告, 到现在
已有四十余年的历史。近年来, 人脸识别研究得到了诸多研究人员
的青睐, 涌现出了诸多技术方法。特别是1990年以来, 人脸识别更
得到了长足的发展, 每年都有大量的学术论文发表。现在, 几乎所
有知名的理工科大学和IT产业的主要公司都有研究组在从事人脸
识别的研究。
人脸识别的研究大致可分为四个阶段。第一个阶段以
Bertillon, Allen和Parke为代表, 主要研究人脸识别所需要的面
部特征。该阶段是人脸识别研究的初级阶段, 非常重要的成果不是
很多, 也基本没有获得实际应用。
第二个阶段是人机交互识别阶段。该阶段代表性工作是
Goldstion, Harmon和Lesk等用几何特征参数来表示人脸正面图
像。她们用21维特征矢量表示人脸面部特征, 并设计了基于这一特
资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。
征表示的识别系统。在这个阶段, Kanade博士于1973年在京都大学
完成了第一篇人脸识别方面的博士论文。该阶段的方法仍摆脱不了
操作员的干涉。
第三个阶段是真正的机器自动识别阶段。这一阶段时间相对短
暂, 但却是人脸识别研究的高潮期, 不但诞生了主成分分析、 线
性判别分析、 弹性图匹配、 局部特征分析、 独立分量分析、 支
持向量机、 神经网络、 隐马尔可夫模型、 柔性模型
(FlexibleModels)(包括主动形状模型(ASMs)和主动表观模型
(AAMs))等若干代表性的人脸识别算法, 美国军方还组织了著名的
FERET人脸识别算法测试, 并出现了若干商业化运作的人脸识别系
统, 最为著名的是Visionics(现为Idenfx)的Facelt系统。这一阶
段的人脸识别技术发展非常迅速, 所提出的算法在较理想图像采
集条件、 用户配合、 中小规模正面人脸数据库上达到了非常好的
性能。从技术方案上看, 2D人脸图像线性子空间判别分析、 统计
表观模型、 统计模式识别方法是这一阶段的主流技术。
第四个阶段是鲁棒的人脸识别技术的研究阶段。近几年来, 研
究人员针对影响人脸识别的一些主要因素, 例如光照、 姿态、 表
情、 年龄、 遮挡、 低分辨率等变化因素, 提出了很多解决方法。
如对于光照变化的处理方法主要有熵图像法、 光照锥法、 球谐波
函数法、 九点光源法等。对于姿态变化的处理方法主要有多视角
法、 局部到整体几何特征变换匹配法、 通用3D模型法、 3D形变
模型法、 光流场法[7]等。
资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。
总体而言, 当前非理想成像条件下(特别是光照和姿态)、 用
户不配合、 大规模人脸数据库上的人脸识别问题逐渐成为研究的
热点。解决这类问题的方法的特点是经过描述和补偿变化因素, 从
而提高算法的性能。非线性建模方法、 基于Boosting的学习技术、
基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发
展趋势。
当前, 国外对人脸识别问题的研究很多, 比较著名的有
CMU( 卡耐基· 梅隆大学)、 MIT( 麻省理工学院)、 YALE( 耶鲁
大学) 等机构; 国内的清华大学、 中国科学院自动化研究所、 上
海交通大学、 南京理工大学、 哈尔滨工业大学等单位都有人员从
事人脸识别相关工作的研究。关于人脸识别研究的重要国际会议有
IEEE 的FG(IEEE International Conference Automatic Face and
Gesture Recognition)、 ICIP(International Conference on
Image Processing)、 CVPR(Conference on Computer Vision and
Pattern Recognition ) 等。
2.2 人脸识别中稀疏编码的研究现状
① 假设条件
稀疏编码模型能够表示初级视觉皮层简单细胞编码外界视觉
刺激图像的过程和特征,这种动态映射和表示层细胞的发放特性导
致了细胞发放的稀疏分布。由于哺乳动物的视觉生理过程是很复杂
的, 在用稀疏编码模型模拟初级视觉系统神经元的感受野特性时,