Python实现基于深度学习的人脸识别
基于深度学习的StyleGAN2合成人脸识别系统
式中：y 表示样本的标签，真实人脸为 1，合成人脸为 0，p 表示样本预测为合成人脸的概率。 4.6 全连接层
本次设计中加入了三层全连接网络层 , 不同卷积层的滑 动卷积，全连接网络每一层的所有神经元与上一层完全连接。 对于第 l+1 层的第 i 个神经元，它的输出方式为：
2 卷积神经网络的概念
卷积神经网络（convolutional neural networks,CNN）
1. 广东理工学院信息技术学院 广东肇庆 526020 [ 基金项目 ] 广东省 2020 年大学生创新创业训练计划项目（项 目编号：S202013720009，基于深度学习的高仿真合成人脸 图片识别系统）
（1）
图 1 系统架构图
图 2 模型的网络结构图
（1）(3×3)×3×8 的卷积网络层 → (1×1)×8×6 的 卷积网络层 → 极大池化网络层；
（2）(1×1)×6×12 的卷积网络层 → (3×3)×12×16 的卷积网络层 → 极大池化网络层；
（3）(3×3)×16×16 的卷积网络层 → (1×1)×16×8 的卷积网络层 → 极大池化网络层；
（3）
定该层不能达到提取特征值的目的，而是尝试利用现存的高 阶特征去完成学习目标。全连接神经网络层和输出层构成一 个二元分类器，输出是否为 AI 合成人脸图片。分类器结构见 图 3。
图 3 分类器结构 5 系统测试及验证 5.1 交叉验证
在本次交叉验证 [12] 中，使用未参加训练的 300 张图片 对系统进行验证 [13]。由于本次验证的图片数量比较大，所以 将本次的 150 张合成人脸图片和 150 张真实人脸图片直接上 传至服务器上，使用脚本分别进行提交识别，识别完后查询 数据库便可知道识别结果。
face_recognition用法
face_recognition用法人脸识别技术在近年来越来越受到关注，它已经在许多领域得到了成功的应用，比如安全监控、人脸门禁系统、人脸支付等。
而face_recognition是一个非常好用的Python库，可以快速轻松地进行人脸识别。
本文将详细介绍一下face_recognition的使用方法。
1. 安装环境在使用face_recognition进行人脸识别之前，需要先安装相应的Python环境。
在安装Python之后，我们需要使用pip命令安装face_recognition库。
在终端中输入以下命令即可完成：pip install face_recognition2. 获取训练数据为了让face_recognition库能够识别出某一个人的人脸，我们需要提供该人的图片数据。
在这里，我们需要用到dlib库中的一个命令行工具，即face_recognition命令。
这个命令可以根据训练数据集来训练模型，提取人脸特征，识别出某一个人的人脸。
首先，我们需要准备好训练数据集。
训练数据集应该包括多张该人的照片，这样我们才能够让模型学习到该人的多种表情和角度，在不同的环境下进行准确的人脸识别。
将人脸图片放在一个文件夹中，然后在终端中输入以下命令进行训练：face_recognition ./img_folder/ -o ./know_data/其中，./img_folder/代表人脸图片所在的文件夹，./know_data/代表生成的训练数据集所存放的文件夹。
3. 进行人脸识别在训练了模型之后，我们就可以使用face_recognition库进行人脸识别了。
首先，我们需要导入face_recognition库：import face_recognition接下来，我们需要使用face_recognition库的load_image_file 函数加载要识别的图片：image = face_recognition.load_image_file("test.jpg")然后，我们需要使用face_recognition库的face_locations函数获取到图片中每个人脸的位置：face_locations = face_recognition.face_locations(image) 在获取到人脸的位置信息后，我们就可以使用face_recognition 库的face_encodings函数来提取每个人脸的特征：face_encodings = face_recognition.face_encodings(image, face_locations)现在，我们可以开始对图片中的人脸进行识别了。
deepfacelab使用方法
deepfacelab使用方法DeepFaceLab是一种基于深度学习的人脸合成工具，可以用于将一个人的脸部特征合成到另一个人的脸上。
本文将介绍DeepFaceLab 的使用方法，帮助读者了解如何使用这个强大的工具。
一、DeepFaceLab安装与环境配置1. 首先，从DeepFaceLab的官方网站上下载最新的版本，并解压到本地的目录中。
2. 安装Python环境，并确保安装了必要的依赖包，如TensorFlow、OpenCV等。
3. 确保你的电脑具备一定的硬件配置要求，如显卡、内存等。
二、数据准备1. 收集源脸和目标脸的图像数据集。
源脸是需要提取特征的人脸，目标脸是将要合成的人脸。
2. 确保数据集中的人脸图像质量较高，并且清晰可见。
三、模型训练1. 打开DeepFaceLab的GUI界面，点击"Extractor"选项卡。
2. 在"Data"栏中选择源脸的数据集路径，在"Model"栏中选择模型路径。
3. 点击"Extract"按钮，开始特征提取过程。
这个过程会根据源脸的特征训练一个模型。
四、模型转换1. 在GUI界面上点击"Training"选项卡。
2. 在"Data"栏中选择目标脸的数据集路径，在"Model"栏中选择之前训练得到的模型路径。
3. 点击"Train"按钮，开始模型转换过程。
这个过程会根据目标脸的特征调整之前训练得到的模型。
五、合成与导出1. 在GUI界面上点击"Merger"选项卡。
2. 在"Data"栏中选择目标脸的数据集路径，在"Model"栏中选择之前训练得到的模型路径。
3. 在"Output"栏中设置输出路径和文件名。
4. 点击"Merge"按钮，开始合成过程。
基于深度学习的人脸识别系统设计与实现
基于深度学习的人脸识别系统设计与实现人脸识别技术是一种基于计算机视觉和模式识别理论，通过对图像或者视频中的人脸进行检测、识别和验证的技术，具有广泛的应用前景。
随着深度学习算法的不断发展，基于深度学习的人脸识别系统成为当今最先进的方法之一。
本文将介绍基于深度学习的人脸识别系统的设计与实现，包括数据准备、网络架构、训练过程和应用场景。
一、数据准备人脸识别系统的性能很大程度上依赖于训练数据的质量和数量。
因此，准备一个高质量的人脸数据集至关重要。
一个典型的人脸数据集应该包含大量不同人的人脸图像，且图像应该具有多样性，包括不同的姿势、光照条件和表情。
此外，还需要为每个人标注正确的人脸边界框和对应的人脸类别标签。
这些标注信息将在训练阶段用于构建训练样本。
二、网络架构深度学习的关键是设计一个合适的神经网络架构。
在人脸识别任务中，通常使用卷积神经网络（Convolutional NeuralNetwork，CNN）来学习人脸特征表示。
一个经典的CNN架构是卷积层、池化层和全连接层的串联。
这种架构可以通过多层的非线性变换来提取图像的高级特征。
在人脸识别任务中，还常使用一种叫做人脸验证网络的结构，其中包括两个并行的卷积神经网络，一个用于提取人脸特征，一个用于计算人脸特征之间的相似度。
三、训练过程在训练阶段，首先需要从准备好的数据集中加载样本。
然后，将加载的样本输入到网络中进行前向传播。
通过前向传播，网络将学习到图像中的特征表示，并输出一个特征向量。
接下来，计算损失函数来衡量网络输出的特征向量和真实标签之间的差异。
常用的损失函数包括欧式距离和余弦相似度。
最后，使用反向传播算法来调整网络的权重，使得损失函数最小化。
这个过程需要循环多次，直到网络收敛。
四、应用场景基于深度学习的人脸识别系统在各个领域都有广泛的应用。
在人脸识别技术的研究方面，可以通过调整网络架构、训练数据和损失函数等参数来改进人脸识别的性能。
在人脸识别的实际应用中，可以将其应用于人脸解锁、身份验证、安全监控等场景。
基于卷积神经网络的人脸识别系统
2019.011概述随着信息技术的发展，人工智能和计算机视觉等技术近年来进步巨大。
身份认证问题一直是国家、社会和公司等大小机构所关注的头等大事，它关乎国家、集体及个人的信息安全等问题。
为了快速高效地进行身份识别，生物特征识别技术应运而生。
人脸识别技术借助计算机视觉技术来处理获取的图像，依靠大量训练数据集的训练来提高识别准确度，以此来实现高精度的身份认证。
开发人脸识别A I 系统，首要问题是对获取的图像进行处理，可通过O pencv 技术来对图像进行目标检测并提取人脸特征，通过构建神经网络来进行人像识别并通过训练来提高识别准确度。
2系统策划2.1名词介绍人脸检测：人脸检测是指对于一幅图像通过对人脸特征点的检测，来判断图中是否存在可能的人脸，如果存在则标记其范围信息。
人脸识别：人脸识别，是一个以人脸检测为基础的技术，将检测到的人脸信息与已存储的人脸信息进行算法运算比较，判断是否为已认证的人脸信息并返回结果，这项技术可以通过摄像头进行实时识别，通常也叫做人像识别、面部识别。
O penCV ：O penCV 是一个开源图像处理工具包，里面封装好了和计算机视觉有关的函数库，可以实现很多图像的基本处理，如膨胀、二值化处理、模糊、平滑等。
工具包中包含的有关人脸检测的函数库，对于检测人脸位置和范围有着很高的正确率，通过调用实现图像处理等功能可以很大地降低编程人员的工作量。
O penCV 的版本包含了C ，C++，Java ，Pyth on 。
卷积神经网络：是一种有深度的前馈神经网络，包括卷积层和池化层，人工神经元可以响应周围单元，可以进行大型图像处理。
卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。
一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别[2]。
2.2基于卷积神经网络的人脸识别A I 的设计卷积操作有3大特点：特征不变性、特征降维以及防止过拟合。
python3利用Dlib19.7实现人脸68个特征点标定
python3利⽤Dlib19.7实现⼈脸68个特征点标定0.引⾔利⽤Dlib官⽅训练好的模型“shape_predictor_68_face_landmarks.dat”进⾏68点标定，利⽤OpenCv进⾏图像化处理，在⼈脸上画出68个点，并标明序号；实现的68个特征点标定功能如下图所⽰：图1 ⼈脸68个特征点的标定1.开发环境 python:3.6.3 dlib:19.7 OpenCv, numpy需要调⽤的库： import dlib #⼈脸识别的库dlibimport numpy as np #数据处理的库numpyimport cv2 #图像处理的库OpenCv2.设计流程⼯作内容主要以下两⼤块：68点标定和OpenCv绘点68点标定：借助官⽅的Demo（face_landmark_detection.py，在之前另⼀篇博客⾥⾯介绍过）实现；OpenCv绘点：介绍了⽤到的画圆函数cv2.circle() 和输出字符串函数 cv2.putText() ；流程： 1.调⽤dlib库来进⾏⼈脸识别，调⽤预测器“shape_predictor_68_face_landmarks.dat”进⾏68点标定 2.存⼊68个点坐标 3.利⽤cv2.circle来画68个点 4.利⽤cv2.putText()函数来画数字1-683.源码# 68-points# 2017-12-28# By TimeStamp# #cnblogs: /AdaminXie/import dlib #⼈脸识别的库dlibimport numpy as np #数据处理的库numpyimport cv2 #图像处理的库OpenCv# dlib预测器detector = dlib.get_frontal_face_detector()predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')path="********************"# cv2读取图像img=cv2.imread(path+"test.jpg")# 取灰度img_gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)# ⼈脸数rectsrects = detector(img_gray, 0)for i in range(len(rects)):landmarks = np.matrix([[p.x, p.y] for p in predictor(img, rects[i]).parts()])for idx, point in enumerate(landmarks):# 68点的坐标pos = (point[0, 0], point[0, 1])# 利⽤cv2.circle给每个特征点画⼀个圈，共68个cv2.circle(img, pos, 5, color=(0, 255, 0))# 利⽤cv2.putText输出1-68font = cv2.FONT_HERSHEY_SIMPLEXcv2.putText(img, str(idx+1), pos, font, 0.8, (0, 0, 255), 1, cv2.LINE_AA)dWindow("img", 2)cv2.imshow("img", img)cv2.waitKey(0)note：OpenCv的画图函数1. 画圆 cv2.circle( img, (p1,p2), r, (255,255,255) ) 参数1： img- 图⽚对象； 参数2： (p1,p2)- 圆⼼坐标； 参数3： r- 半径； 参数4： (255,255,255)- 颜⾊数组； 2. 输出字符 cv2.putText( img,"test", (p1,p2), font, 4, (255,255,255), 2, cv2, LINE_AA ) 参数1： img- 图像对象； 参数2： "test"- 需要打印的字符text（数字的话可以利⽤str()转成字符）; 参数3： (p1,p2)- 坐标textOrg； 参数4： font- 字体fontFace（注意这⾥ font = cv2.FONT_HERSHEY_SIMPLEX）; 参数5： 4- 字号fontScale； 参数6： (255,255,255)- 颜⾊数组； 参数7： 2- 线宽thickness； 参数8： LINE_AA- 线条种类line_type；*关于颜⾊数组： (255,255,255), (蓝⾊，绿⾊，红⾊)，每个值都是0-255； ⽐如：蓝⾊(255,0,0)，紫⾊(255,0,255) 可以调整cv2.circle()函数和cv2.putText()函数中的半径、线宽等参数使得输出满⾜需求⽅便查看；结果：图2 测试结果1图3 测试结果2以上就是本⽂的全部内容，希望对⼤家的学习有所帮助，也希望⼤家多多⽀持。
《智慧园区人脸识别系统的设计与实现》
《智慧园区人脸识别系统的设计与实现》一、引言随着科技的飞速发展，智慧园区已经成为现代城市发展的重要方向。
人脸识别技术作为智慧园区的重要组成部分，在提升园区安全、便捷、高效管理方面发挥着越来越重要的作用。
本文将详细阐述智慧园区人脸识别系统的设计与实现过程，以期为相关研究与应用提供参考。
二、系统设计（一）设计目标本系统设计旨在实现以下目标：1. 提升园区安全：通过人脸识别技术，实现对园区人员的有效监控与身份验证。
2. 便捷管理：为园区管理人员提供高效、便捷的管理手段，提高工作效率。
3. 保护隐私：确保系统在保障安全的前提下，遵循用户隐私保护原则。
（二）设计原则系统设计遵循以下原则：1. 安全性：确保系统数据安全，防止数据泄露与非法访问。
2. 可靠性：确保系统稳定运行，降低故障率。
3. 用户友好性：界面简洁明了，操作便捷。
（三）系统架构设计本系统采用C/S（客户端/服务器）架构，主要分为前端、后端和数据库三部分。
前端负责与用户进行交互，后端负责数据处理与存储，数据库用于存储用户信息与识别结果。
（四）功能模块设计1. 人脸信息采集模块：用于采集园区人员的人脸信息，并进行预处理与存储。
2. 人脸识别模块：利用人脸识别算法对采集到的人脸信息进行比对与验证。
3. 用户管理模块：用于管理用户信息，包括添加、删除、修改等操作。
4. 数据存储模块：将人脸信息与识别结果存储在数据库中，以便后续查询与比对。
5. 监控与报警模块：对异常情况进行实时监控与报警，保障园区安全。
三、系统实现（一）硬件设备选型与配置选用高清摄像头作为人脸信息采集设备，配置高性能计算机作为服务器，保障系统的稳定运行。
（二）软件开发环境搭建采用Python作为开发语言，使用TensorFlow等深度学习框架进行人脸识别算法的实现。
同时，搭建数据库管理系统，用于存储用户信息与识别结果。
（三）算法实现与优化采用深度学习算法进行人脸识别模型的训练与优化，提高识别的准确性与效率。
Python编程语言在人工智能中的应用
Python编程语言在人工智能中的应用人工智能（AI）作为一种新兴的技术，正在改变着人们的生活和工作方式。
作为AI应用的重要组成部分之一，Python编程语言因其简单易学，开源免费等特点，使得AI应用开发者大力采用此语言进行开发。
在此篇文章中，我将以Python编程语言在人工智能中的应用为主题，详细介绍Python在如下领域中的重要应用。
一、机器学习机器学习是AI应用开发的核心技术之一，Python编程语言早已被人们广泛使用来实现机器学习算法。
作为一个高级编程语言，Python拥有丰富的数据处理库，如NumPy、Pandas、Scrapy等开源库，这些库为Python语言提供了强大的数据处理和数据分析功能。
在机器学习中，Python的Scikit-learning、Keras、TensorFlow等深度学习框架也是非常常用的，可以方便地实现深度学习算法中的各种复杂计算。
二、自然语言处理自然语言处理是一种在计算机上进行自然语言语义处理的领域，Python编程语言在自然语言处理领域中的应用也是非常广泛的。
Python的Natural Language Toolkit（NLTK）库是自然语言处理领域的一个非常重要的开源库，包括了自然语言处理中的各种工具和算法，比如斯坦福实体识别、词性标注等。
Python还提供了各种基于网络爬虫的自然语言处理工具，在获得训练数据方面比其他语言更加方便。
三、人脸识别作为AI领域中的重要技术之一，人脸识别技术的发展非常迅速。
Python编程语言在人脸识别领域也有着广泛的应用，比如Python的OpenCV库就是一款被广泛使用的人脸识别库。
OpenCV库可以通过Python来实现人脸检测、人脸识别等多种功能，Python的simplecv模块也可以方便地实现这些功能。
四、智能机器人Python编程语言的应用不局限于机器学习和自然语言处理等领域，它的应用还涵盖智能机器人。
Python的ROS（Robot Operating System）库是一款重要的机器人控制库，可以实现智能机器人的控制、调度和任务管理等多种功能。
- 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)。
47
摘要：近年来，人脸识别技术已经由弱人工智能向强人工
智能转化，随着人脸识别算法的不断改进，人脸识别技术已经
在公安、金融等部门得到了广泛应用。本文提出了一种Python
语言利用Dlib第三方库实现基于深度学习的人脸识别方法。
关键词：Python；Dlib；人脸识别
1、人脸识别技术概述
人脸识别技术是一种基于图像识别，是根据人脸的特征信
息进行身份判定的技术，它经过了几十年的发展已经由弱人工
智能向强人工智能转化，随着人脸识别算法的不断改进，人脸
识别技术已经成为人工智能领域的重要应用。目前人脸识别技
术已经比较成熟，得到了公安金融等部门的广泛应用。（1）公
安部门：通过相片匹配户籍数据，寻找目标对象。（2）安防领
域：通过人脸识别对重点管控区域人员的身份识别，在公共场
所对人群进行监视，以达到身份识别的目的，例如在机场、车
站等人流量大的场所，通过智能监控系统识别犯罪分子。（3）
金融领域：利用人脸识别实现交易支付，例如支付宝实名认证
用户可通过刷脸支付。
2、人脸识别的过程
人脸识别是一个比较复杂的过程，归纳起来可以由五个步
骤组成：人脸检测、人脸关键点检测、人脸规整、人脸特征提
取、人脸识别，人脸识别的过程如图1所示。不同技术会采用不
同的方法来实现人脸面部特征的抽象，比如Harmon和Lesk采
用多维特征矢量来表示，而Kaya和Kobayashi则采用欧氏距离
来表示，本文第三部分提到的Dlib库则是基于深度学习，利用已
经训练好的人脸关键点检测器和人脸识别模型，得到人脸面部
特征值。
图1 人脸识别的过程
3、Dlib库介绍
近些年，Python语言发展迅猛，在很多开发语言排行榜名
列前三名。Python语言能够得到这么快的发展，得益于其源代
码开源性和代码开发的高效性。Python社区提供了大量的第三
方库，它们能够实现科学计算、数据可视化、数据分析等多个
领域，Dlib库就是一个知名的第三方库，能够实现人脸检测和
识别，其算法采用HOG特征与级联分类器，算法的实现大概过
程有：（1）将图像灰度化。（2）采用Gamma校正法对图像
进行颜色空间的标准化。（3）对每个图像像素进行梯度计算。
（4）对图像进行小单元格划分。（5）生成每个单元格的梯度
直方图。（6）把单元格组合成大的块，块内归一化梯度直方
图。（7）生成HOG特征描述向量。
4、Python利用Dlib库实现人脸识别
4.1前期准备
(1)安装好Dlib第三方库。
(2)下载人脸识别模型和人脸关键点检测器，分别保存为文
件1.dat和2.dat（可从网址http://dlib.net/files/下载）。
(3)准备好已知人脸相片和待识别人脸相片，本例准备已
知人脸相片20张存放在Faces文件夹中，待识别人脸2张，其
中test01.jpg和Faces文件夹中的第19张相片是同一个人，
test02.jpg和Faces文件夹中的第7张相片是同一个人，主程序
为testface.py，整个文件夹如图2所示。
图2 文件夹组成示意图
4.2实现过程
实现过程主要有三个步骤：根据人脸识别模型和人脸关键
点检测器，得到已知人脸相片的特征值库；根据人脸识别模型
和人脸关键点检测器，得到待识别人脸相片的特征值；计算待
识别人脸相片的特征值和特征值库的欧式距离，距离最小者就
是参考识别结果。程序的实现主要包括以下三个子函数，fun1
函数功能是得到一张相片的特征值，fun2函数功能是得到多张
相片的特征值库，fun3函数功能是计算待识别人脸相片的特征
值和特征值库的欧式距离，输出距离最小者为参考识别结果。
（1）fun1函数代码如下，例如执行fun1(test01.
jpg)就可
以得到以下128个特征值，结果如表1所示。
★基金项目：2016年国家级大学生创新创业训练计划项目(201610398005）。
Python实现基于深度学习的人脸识别
文／张枝令
（下转第96页）
96
者的威胁、供应商的威胁、替代品的威胁等而产生的经营风
险。第三，巨额资金投入以后，收回成本和继续融资而产生的
财务风险。第四，存在着人才流失的风险，大学城社区电子商
务平台诞生伊始就是新事物，而新事物被接受需要时间，人才
在这个过程中可能会不断流失，这些都会成为发展大学城社区
电子商务的风险点。这就需要未雨绸缪，制定各种风险防范措
施。当企业经营不利的时候，需要考虑各种风险退出机制。
结论
目前，云南昆明的呈贡大学城已经有十多万的学生规模，
学生的规模还在继续扩大，为开展大学城社区电子商务奠定了
消费者基础。而且由于整体社会经济的快速发展，每个家庭给
子女的生活费也在增加，学生的购买力在增强，这又奠定了购
买力基础。学生的消费需求增加，同时呈现多样化和个性化的
趋势。针对学生的消费市场发展迅速。社区电子商务项目为开
发相对封闭的大学城学生需求提出了商业解决设想，针对大学
生需求多样化，追求个性化的特点，满足这一特定目标群体的
需求。而且，电子商务行业正处于高速发展阶段，特别是社区
电子商务的竞争环境相对宽松，这为项目开展提供了有利的环
境，是进入项目的合适时期。
参考文献：
[1] U网社区电子商务有限公司，《大学城电子商务公司商业计划
书》，广东
[2] 樊凡.大学城——电子商务的新绿洲.经济论坛.2009年6月.总第
461期
作者简介：张毅春，云南开放大学经济与管理学院电子商务教师，
主要研究方向：电子商务、市场营销。
（2）fun2函数代码如下。（3）fun3函数代码如下。（4）主程序代码如下。-0.06067708 0.05491785 0.04358019-0.00228785-0.11051986-0.00885675-0.0594133-0.17766482 0.16641264-0.11492105 0.20486003-0.05209041-0.15645099-0.07989543-0.03770057 0.13279372-0.1685966-0.1612604 0.0194744 0.03997719 0.0956379 0.04852592 0.06971404 0.06035744-0.21592438-0.28055468-0.10536811-0.14045475 0.002177-0.06649419-0.09323834 0.04962908-0.16564938-0.02843478 0.0225071 0.1225128-0.00164149-0.04246017 0.21640894 0.01253311-0.29805127 0.12256139 0.03464127 0.2395356 0.15748492 0.00633634 0.02007715-0.18592209 0.15028094-0.12585704 0.12219223 0.12969898 0.08979687 0.0214437 0.03211956-0.16321716 0.02102639 0.10323574-0.15390047 0.05299322 0.12709126 0.00037981 0.05194067-0.01664194 0.14683554 0.09333332-0.03698205-0.2243558 0.10798404-0.17273846-0.13260648 0.16389364-0.16246633-0.18517867-0.31235704-0.02038487 0.37838674 0.07149985-0.23413838 0.0251862 0.00331256-0.01296887 0.17732799 0.1603229 0.02463814 0.03644212-0.14944822-0.01331509 0.27305359-0.05355597-0.04471258 0.21414861 0.07178532 0.04279644 0.07113632 0.04687062-0.07894394 0.05616479-0.17733322-0.03067786 0.00994198 0.03698565-0.05537423 0.14161417-0.17954493 0.15607749-0.00927642-0.05502605-0.04443779-0.02701304-0.08278593-0.01123366 0.14126351-0.24058387 0.17525555 0.11593568 0.08492461 0.09809982 0.07115273 0.05519094-0.03253176 0.00604932-0.24120952-0.01842352 0.10044494-0.05944556 0.09836705 0.02780742表1 test01. jpg相片128个特征值主程序分别用test01.jpg和test02.jpg相片进行测试，测
试结果均正确，都能识别出与test01.jpg和test02.jpg匹配的相
片，测试结果图3所示。
图3 测试结果
5、结束语
本方法实现了人脸识别的功能，但由于每张相片有128个特
征值，如果已知人脸相片较多，特征值库较大，计算欧式距离
所用时间较长，还要改进算法，需要引进并行计算等技术，提
高人脸识别效率。
作者简介：张枝令，宁德师范学院信息与机电工程学院，副教授，
研究方向：计算机网络、数据挖掘和大数据。
（上接第47页）