人脸识别实验报告
人脸识别——特征脸方法
贾东亚 12346046
一、 实验目的
1、学会使用PCA主成分分析法。
2、初步了解人脸识别的特征法。
3、更熟练地掌握matlab的使用。
二、 原理介绍
1、 PCA（主成分分析法介绍）
引用一个网上的例子。假设有一份对遥控直升机操作员的调查，用x1(i)表示飞行员i的
飞行技能，x2(i)表示飞行员i喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些
非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x1(i)和x2(i)相关性是非常强的。
我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示，数据散
布在u1两侧，有少许噪声。
现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢？
由图中的点的分布可知，如果我们找到一个方向的U，所有的数据点在U的方向上的投影之
和最大，那么该U就能表示数据的大致走向。而在垂直于U的方向，各个数据点在该方向
的投影相对于在U上的投影如果足够小，那么我们可以忽略掉各数据在该方向的投影，这
样我们就把二维的数据转化成了在U方向上的一维数据。
为了将u选出来，我们先对数据进行预处理。先求出所有数据的平均值，然后用数据与
平均值的偏差代替数据本身。然后对数据归一化以后，再代替数据本身。
而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。而XTu
就是投影的距离。故我们要求下式的最大值：
1m∑(x(i)Tu)2=uT(1
m
∑x(i)x(i)Tmi=1)mi=1u
按照u是单位向量来最大化上式，就是求1m∑x(i)x(i)Tmi=1 的特征向量。而此式是数据集
的协方差矩阵。
在实际应用中，我们不止面临二维的数据。因此不能使用几何的形式呈现，但原理也是
一样。就是找到一组相互正交的单位向量uk，然后根据贡献率考虑选择其中的部分作为考量
的维数，这也就实现了数据的降维。
三、 实验步骤
1、 将库里的400张照片分成两组。一组作为训练，一组作为库。每个人的前五张照片作为
训练，后五张作为库。训练的照片按照顺序的数字重命名。库的照片名字不变。
2、 库照片处理。
① 将每一张库的照片转化成N维的向量。（库里的照片是112*92，故将转化成的矩阵按列
或行展开，就是个10304维的向量）我们稍后要对如此多维的向量用PCA进行降维。然后
把这些向量存入一个矩阵里。而我是将这200个向量以列的形式存在了矩阵里。
即
Z={Γ1，Γ2，Γ3，Γ4…Γ200}
② 将这200个向量的每个元素相加起来求出平均值。再用Z里的每一个向量减去这个平均
值得到每个的偏差。
平均值Γ̅=1200∑Γk200k=1，每个向量的偏差
ϕk=Γk−Γ̅
即最后
Z={ϕ1，ϕ2，ϕ3，ϕ4…ϕ200}
③ 接下来我们就要针对这些预处理后的数据进行降维。我们要求的N个相互正交的向量就
是协方差矩阵ZZT的特征向量，而对应的特征值就是各个向量所占的比重。但是Z是个
10304*200的矩阵，那么ZZT就是个10304*10304的矩阵。使用matlab直接求其特征值与特
征向量不太实际。
所以我们考虑一个简单的运算方法：
协方差矩阵的秩受到训练图像的限制：如果有 N 个训练样本，则最多有 N − 1 个对应非零特
征值的特征向量，其他的特征向量对应的特征值都是0。如果训练样本的数目比图像的维数低，
则可以通过如下方法简化主成份的计算。
设 Z是预处理图像的矩阵，每一列对应一个减去均值图像之后的图像。则，协方差矩阵为S=
TTT ，并且对 S 的特征值分解为
Sνi=TTTνi=λiν
i
然而，TTT 是一个非常大的矩阵。因此，如果转而使用如下的特征值分解。
TTTui=λiu
i
此时，我们发现如果在等式两边乘以T，可得到
TTTTui=λiTu
i
这就意味着，如果ui是TTT的一个特征向量，则 νi=Tui是S 的一个特征向量。我们的库
里有200张112 * 92像素的图像，则 TTT是一个200*200的矩阵，这就比原先的 10304 * 10304
的协方差矩阵要容易处理许多。
需要注意的是，上面的特征向量 νi 没有进行归一化，如果需要，应该在后面在进行处理。
④ 降维处理。上面的步骤已经求到了所有的特征向量与特征值。而特征值就是各数据点在该特
征向量上的方差。跟据PCA，我们要选出占主要比重的特征向量即可，而判定标准就是特征值。
先把方差（特征值）降序排列，并把对应的特征向量也排列好。依次选择方差，使选出的方
差和占所有方差和大约95%左右。然后选择对应的特征向量。其余的特征向量与特征值可以抛
弃不用了。这就完成了降维。（③中一共有200个不为零的方差（特征值））
⑤ 归一化处理。数据归一化处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量
纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行
数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于
同一数量级，适合进行综合对比评价。
我使用的是Z-score法。经过处理得数据符合标准正态分布，即均值为0，标准差为1，转化
函数为
x∗=
x−μ
σ
其中μ为所有数据的均值，σ为所有样本数据的标准差。
在③里求得的特征值就是方差。所以我们要用1√λk乘上每一个对应的特征向量。
本来这个归一化处理应该放在第一步的数据预处理那里。但由于那里的计算还没有涉及到协
方差矩阵，而我们需要的方差在后面才出现，故把归一化处理放在这里。
即③中，
νi=1√λiTu
i
这些特征向量都是10304*1的大小，跟我们一开始处理后的照片向量的大小一样。这些就
是特征脸。特征脸可以线性组合成所有库里的脸。
⑥ 用特征脸对库里的脸进行标示，也就是将库里的每张脸图数据转化成各个特征脸所占的比重。
即
ωk=νkTϕi,i=1,2,3…200,k=1,2,3…n，
n是最后选出的方差数量
ΩiT={ω1,ω2,ω3,ω4…ωn}
⑦ 人脸识别。先对训练的脸图进行预处理。预处理即①②中所说的求偏差。求到训练图的
偏差向量后，如⑥那样用特征脸对训练图进行标示。
即求得
Ω∗T={ω1,ω2,ω3,ω4…ωn}
然后求Ω∗T与ΩiT的欧式距离，此距离表明两图的接近度。即
ε=‖Ω∗T−Ω
i
T
‖
2
该距离越小，则这两张图越接近，则越有可能是同一个人。
四、 编程实现
代码:
函数：[zz，y，tzl]=circ(),对库图像的处理，并求出处理训练图像需要的特征脸和数据平均值。
函数：[ws]=ld(zz,y,tzl) 这三个自变量都是上面的函数的输出变量。Ws是200张训练人脸识
别的正确性。
运行结果：
200张训练图片的识别率为91.5%
加了显示代码后显示的图片结果：
五、 实验总结
收获：
这次实验让我更加熟练地应用了matlab。对矩阵的运算也理解地更加的透彻。学习了
PCA主成分分析法，这个方法在分析较多的数据时是非常有用的。在如今的大数据时代，PCA
是个非常实用的分析手段。
这次在做实验的过程中，上网查阅了许多关于人脸识别的资料，发觉虽然自己完成了初
步的人脸识别的功能，但远远没有达到现实生活的需求。我们做实验的orl库的像素不仅非
常低，而且每张人脸的位置与大小也非常接近，这都大大降低了难度。这个方向还有着许多
可学习的东西。
实验中遇到的难题：
一开始最难理解的莫过于特征脸法的原理。原理中涉及到许多的线性代数知识，需要花
时间去回忆，并用已经掌握的初步的知识去理解更深刻的知识。在咨询过程与上网查阅资料
的过程中才慢慢解决了问题。
后来代码完成后，识别率一直非常低。与完成了的同学对照时，发现代码的原理几乎一
样，当时一直不知道怎么办。后来经过旁人的提醒，发现协方差矩阵的特征向量没有按照特
征值排序后的顺序重新排列。这个小问题困扰了我很久。细节很重要。
嵌入式人脸识别实训报告
一、实训背景随着科技的飞速发展，人工智能技术在我国得到了广泛的应用。
其中，人脸识别技术凭借其高精度、高效率、非接触式识别等优势，在安防、支付、智能家居等领域具有广阔的应用前景。
为了让学生更好地了解和掌握嵌入式人脸识别技术，我们开展了为期一个月的实训课程。
二、实训目标1. 熟悉嵌入式系统基础知识，了解嵌入式人脸识别系统的基本原理；2. 掌握人脸检测、人脸识别算法的实现方法；3. 能够独立完成嵌入式人脸识别系统的设计与开发；4. 培养团队合作精神，提高实际动手能力。
三、实训内容1. 嵌入式系统基础知识实训期间，我们学习了嵌入式系统的基本概念、硬件平台、软件平台和开发工具。
主要内容包括：处理器、存储器、外设、嵌入式操作系统、开发环境等。
2. 人脸检测人脸检测是人脸识别系统的第一步，其目的是从图像中定位出人脸的位置。
实训中，我们学习了Haar特征分类器、基于深度学习的卷积神经网络（CNN）等人脸检测算法，并使用OpenCV库实现了人脸检测功能。
3. 人脸识别人脸识别是指通过分析人脸图像，提取人脸特征，并将提取的特征与数据库中的人脸特征进行比对，从而实现身份认证。
实训中，我们学习了基于特征脸、基于神经网络的人脸识别算法，并使用OpenCV库实现了人脸识别功能。
4. 嵌入式人脸识别系统设计与开发结合实训内容，我们以STM32微控制器为硬件平台，设计并开发了一个嵌入式人脸识别系统。
系统主要包括以下模块：（1）图像采集模块：使用摄像头采集人脸图像，并将图像数据传输到微控制器。
（2）图像处理模块：对人脸图像进行预处理，包括人脸检测、人脸对齐、特征提取等。
（3）人脸识别模块：将提取的人脸特征与数据库中的人脸特征进行比对，实现身份认证。
（4）用户界面模块：通过液晶显示屏显示系统状态、人脸识别结果等信息。
5. 系统测试与优化在系统设计与开发完成后，我们对系统进行了测试与优化。
主要测试内容包括：人脸检测速度、人脸识别准确率、系统稳定性等。
python实现人脸识别的实训报告
python实现人脸识别的实训报告如何使用Python实现人脸识别的实训报告。
1. 引言(150-200字)人脸识别是一种通过计算机视觉技术来识别和验证人脸的技术。
它在现代社会的安全监控、身份验证和人机交互等方面有着广泛的应用。
Python是一种功能强大且易于学习的编程语言，通过使用Python的人脸识别库，我们可以实现一个简单而高效的人脸识别系统。
本文将介绍如何使用Python来构建一个人脸识别系统，并提供详细的步骤和代码示例。
2. 背景介绍(200-300字)人脸识别是一种基于生物特征的识别技术，通过提取人脸的特征并与已知的人脸进行比对，从而实现对人脸的认知和识别。
人脸识别技术广泛应用于许多领域，包括安全监控、个人身份验证、社交媒体等。
随着深度学习和计算机视觉技术的快速发展，人脸识别的准确率和速度得到了显著提高。
3. 所需技术和工具介绍(200-300字)为了使用Python实现人脸识别，我们需要使用一些特定的技术和工具。
首先，我们需要一个人脸识别算法。
常用的人脸识别算法有Eigenface、Fisherface和LBPH（Local Binary Patterns Histogram）。
另外，我们需要使用Python中的OpenCV（Open Source Computer Vision Library）库来处理图像和视频，并使用其内置的人脸识别功能。
除此之外，我们还需要使用NumPy库来进行数值计算，并使用Matplotlib库来可视化结果。
4. 实验环境与数据准备(200-300字)在开始实验之前，我们需要设置Python开发环境并安装必要的库。
我们可以使用Anaconda来安装Python，并使用conda或pip来安装OpenCV、NumPy和Matplotlib库。
同时，我们需要一些人脸图像数据来训练我们的人脸识别模型。
可以使用公开的数据集如AT&T Faces Database或LFW数据集。
人脸识别实训课程学习总结
人脸识别实训课程学习总结人脸识别是一项具有广泛应用前景的技术，而人脸识别实训课程则提供了一个系统性学习的平台。
在这个课程中，我通过理论学习和实践操作，熟悉了人脸识别的基本原理、算法和应用。
在课程的总结中，我将回顾我的学习经历，并提出一些建议，以此加深对人脸识别的理解和应用能力。
学习过程中，我首先了解了人脸识别的概念和基本原理。
人脸识别是一种通过比较和分析人脸图像的唯一性特征，将之与数据库中已有的人脸信息进行匹配，从而实现身份认证和个体辨识的技术。
这项技术的发展给社会带来了诸多便利，例如人脸解锁、人脸支付等。
接下来，在实训课程中，我学习了多种人脸识别算法和模型，如特征提取、人脸检测和人脸识别。
通过对这些算法的理论学习和实践操作，我掌握了它们的原理、应用场景以及优缺点。
在特征提取方面，我了解了主成分分析法（PCA）和线性判别分析法（LDA）等算法，并学会了使用OpenCV等开源工具包进行实现。
在人脸检测领域，我掌握了基于 Haar 特征和卷积神经网络（CNN）的方法，并在实验中对不同算法的性能进行了对比。
同时，我还研究了基于深度学习的人脸识别算法，如深度迁移学习和卷积神经网络模型（CNN）。
通过对这些算法的学习和实践，我对人脸识别的算法原理和技术细节有了更深入的理解。
除了理论学习，实训课程还为我们提供了丰富的实践机会。
我们利用开源工具和实际数据集进行人脸识别的实验，如使用OpenCV进行人脸检测和识别、使用深度学习框架TensorFlow进行模型训练等。
这些实践操作不仅加深了对理论知识的理解，还培养了我们的动手能力和解决问题的能力。
通过自己的实践，我更加深入地了解了人脸识别技术的实际应用和局限性。
在整个学习过程中，我也遇到了一些挑战和困惑。
例如，在实践操作中可能会遇到数据集不完整或质量不佳的问题，这会直接影响到人脸识别算法的准确性和性能。
此外，人脸识别技术还面临着隐私和安全性等方面的问题，如何在保证便利性的同时确保个人隐私得到有效保护，是一个待解决的难题。
人脸识别嵌入式实训报告
一、引言随着人工智能技术的飞速发展，人脸识别技术作为生物识别技术的一种，因其高准确性、非接触性和易用性等优点，在安防、金融、医疗、教育等领域得到了广泛应用。
为了深入了解人脸识别技术，我们进行了人脸识别嵌入式实训，通过实际操作，掌握了人脸识别系统的设计与实现方法。
二、实训目的1. 熟悉人脸识别技术的原理和流程。
2. 掌握人脸识别嵌入式系统的设计与实现方法。
3. 培养动手能力和团队协作精神。
三、实训内容1. 人脸检测人脸检测是人脸识别系统的第一步，主要目的是从图像中检测出人脸区域。
实训中，我们使用了OpenCV库中的人脸检测算法，通过Haar级联分类器进行人脸检测。
2. 人脸特征提取人脸特征提取是将人脸图像转换为可用于识别的特征向量。
实训中，我们使用了Local Binary Patterns Histograms (LBPH) 算法进行人脸特征提取。
3. 人脸识别人脸识别是将提取的特征向量与数据库中的人脸特征进行比较，从而识别出目标人脸。
实训中，我们使用了Nearest Neighbor (NN) 算法进行人脸识别。
4. 嵌入式系统设计我们选择了STM32微控制器作为嵌入式系统平台，利用其丰富的片上资源，实现了人脸识别系统的硬件设计。
主要包括以下模块：- 图像采集模块：采用OV7670摄像头模块进行图像采集。
- 图像处理模块：使用STM32的片上资源进行图像预处理、人脸检测和特征提取。
- 存储模块：使用SD卡存储人脸特征数据库。
- 显示模块：使用TFT LCD显示屏显示识别结果。
5. 软件设计软件设计主要包括以下部分：- 图像处理程序：使用OpenCV库进行图像处理，包括人脸检测和特征提取。
- 识别程序：使用NN算法进行人脸识别。
- 用户界面程序：使用Qt库开发跨平台用户界面，实现系统功能。
四、实训结果通过实训，我们成功设计并实现了一个基于STM32的人脸识别嵌入式系统。
系统能够实时检测人脸、提取特征并进行识别，识别准确率达到90%以上。
基于matlab的人脸识别系统实验报告
基于MATLAB的人脸识别系统小组成员：徐艺达、莫子韬邹明宇、罗远挥、周宁基于MATLAB的人脸识别系统第一部分绪论如图一个人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。
现在已有实用的计算机自动指纹识别系统面试，并在安检部门得到了相应的应用。
人脸图像的自动识别较之于指纹识别系统、DNA鉴定等具有更加方便的性能，其取样方便，可不接触目标进行识别，从而具有更大意义的开发效应。
然而，与指纹成像技术不同的是，人脸图像受很多因素的干扰：人脸表情的多样性，以及外在成像过程中的关照、图像尺寸、旋转、姿势变化等方面，使得同一个人在不同的环境下拍摄所得到的人脸图像不同，有时往往会有很大的差别，给识别带来了很大的难度。
因此，人脸识别也更具有挑战性。
除了具有重大的理论价值及极富挑战性外，人脸识别还具有很多潜在的应用前景，利用人脸图像进行身份验证，可以不与目标接触就取得样本图像，而使用其他的身份手段，如指纹、眼睛虹膜等必须通过与目标接触或相当接近来取得样本，因此此类识别手段也具有很多不便之处。
本文通过使用PCA和NMF两种算法及MATLAB软件对所取图像进行预处理与识别，应用该工具箱对图像进行了经典图像处理，进而应用与人脸识别系统。
主要涉及到图像选取、脸部定位、特征提取及图像处理识别几个过程。
第二部分基于NMF算法的人脸识别系统一、摘要作为一种基于人的脸部特征信息进行身份识别的一种生物识别技术,人脸识别逐渐成为了计算机视觉领域的一个热门研究课题。
NMF就是其中一种主流算法，但由于人脸识别所存在光照、角度、遮挡等问题仍未解决，因此NMF算法仍存在局限性，该算法没有引入任何对空间的位置的约束，所以最小化目标函数很难产生揭示数据X的局部特征的因子分解。
本文以NMF算法为基础，结合LNMF算法来求解人脸问题。
二、实验目的运用NMF算法对数据库中的数据进行人脸识别分析三、实验原理 1.非负矩阵分解法NMF 1.1NMF 定义非负矩阵分解定义为：找到非负矩阵W 与H 得到下式 V ≈WH （1-1）在计算中等式两者很难完全相等。
人脸识别实训报告
一、实训背景随着计算机视觉和人工智能技术的飞速发展，人脸识别技术已经广泛应用于安防、支付、门禁等领域。
为了提高学生对人脸识别技术的理解与应用能力，我们开展了为期一个月的人脸识别实训课程。
本次实训旨在让学生了解人脸识别的基本原理、常用算法，并能够将人脸识别技术应用于实际项目中。
二、实训内容1. 人脸识别技术概述首先，我们对人脸识别技术进行了简要的介绍，包括人脸识别的发展历程、基本分类以及应用领域。
人脸识别技术主要包括人脸检测、人脸特征提取和人脸比对三个环节。
2. 人脸检测人脸检测是人脸识别的基础，其目的是从图像中定位人脸的位置。
在实训中，我们学习了基于Haar特征的Adaboost算法和基于深度学习的卷积神经网络（CNN）进行人脸检测。
通过实验，掌握了使用OpenCV库进行人脸检测的方法。
3. 人脸特征提取人脸特征提取是将人脸图像转化为可以用于识别的特征向量。
在实训中，我们学习了基于局部二值模式（LBP）特征、局部二值模式直方图（LBPH）特征以及深度学习（如VGGFace）提取人脸特征的方法。
通过实验，掌握了不同特征提取方法的应用。
4. 人脸比对人脸比对是将待识别的人脸与数据库中的人脸进行相似度比较，从而实现人脸识别。
在实训中，我们学习了基于距离度量（如欧氏距离、余弦相似度）的人脸比对方法。
通过实验，掌握了OpenCV库中的人脸比对函数的使用。
5. 人脸识别项目实战为了让学生更好地将所学知识应用于实际项目，我们选择了一个人脸识别门禁系统项目进行实战。
在项目中，我们需要完成以下任务：（1）采集人脸图像数据：从网上下载公开的人脸数据集，并进行预处理，如归一化、裁剪等。
（2）训练人脸识别模型：使用训练集数据训练人脸识别模型，包括人脸检测、特征提取和人脸比对。
（3）测试模型性能：使用测试集数据评估人脸识别模型的准确率、召回率等指标。
（4）构建门禁系统：使用训练好的模型构建门禁系统，实现人脸识别、权限控制等功能。
面部表情识别实验报告
面部表情识别实验报告一、实验背景面部表情是人类情感和心理状态的重要外在表现形式。
准确识别面部表情对于理解他人的情绪、改善人际交往、以及在医疗、教育、娱乐等多个领域都具有重要的意义。
在本次实验中，我们旨在探索有效的面部表情识别方法和技术。
二、实验目的本次实验的主要目的是：1、研究不同面部表情的特征和模式。
2、比较和评估现有的面部表情识别算法和模型。
3、提高面部表情识别的准确率和可靠性。
三、实验设备与材料1、高性能计算机：用于运行面部表情识别算法和处理大量的数据。
2、摄像头：用于采集实验参与者的面部图像。
3、面部表情数据库：包含了各种不同表情的图片和视频，如开心、悲伤、愤怒、惊讶、恐惧等。
四、实验方法1、数据采集招募了_____名志愿者作为实验参与者，年龄范围在_____岁至_____岁之间，涵盖了不同的性别和种族。
要求参与者在摄像头前做出一系列指定的面部表情，每个表情持续_____秒，并采集了大量的面部图像。
2、数据预处理对采集到的面部图像进行了裁剪、旋转、缩放等操作，以确保图像的一致性和规范性。
对面部图像进行了灰度化和归一化处理，以便于后续的特征提取和分析。
3、特征提取采用了多种特征提取方法，包括基于几何形状的特征（如眼睛、嘴巴的形状和位置）、基于纹理的特征（如局部二值模式 LBP）以及基于深度学习的特征（如卷积神经网络 CNN 提取的特征）。
4、模型训练使用了常见的机器学习算法，如支持向量机 SVM、决策树 DT 以及深度学习中的卷积神经网络 CNN 等。
将预处理后的数据集分为训练集、验证集和测试集，比例分别为_____、＿____和_____。
5、模型评估使用准确率、召回率、F1 值等指标来评估不同模型的性能。
五、实验结果与分析1、不同特征提取方法的比较基于几何形状的特征提取方法在简单表情（如开心、悲伤）的识别上表现较好，但对于复杂表情（如惊讶、恐惧）的识别准确率较低。
基于纹理的特征提取方法在不同表情的识别上表现较为均衡，但整体准确率不如基于深度学习的特征提取方法。
面部表情识别实验报告
面部表情识别实验实验报告小组成员：面部表情识别实验西南大学重庆400715摘要：情绪认知是一种复杂的过程，它包含观察、分析、判断、推理等，是借助于许多线索，特别是借助面部那些活动性更大的肌肉群的运动而实现的。
所以，情绪认知的准确度受多种因素的影响。
当我们与他人相互交往的时候，不管是不是面对面。
我们都正在不断的表达着情绪，同时又正在观察，解释着的对方做出的表情，在人际交往过程中，情绪的表达和认知是十分的迅速和及时，那么人是借助于哪些表情来认知他人的情绪的呢？情绪识别实际上并不是针对表情本身的，而是针对这它背后的意义。
例如：皱眉可能是一种情绪的表现，我们见到这种面部表情就试图解释潜在于它背后的情绪。
尖锐，短促，声音嘶哑可能是一种情绪表现，我们听到这种语言表情就试图解释潜在于它背后的情绪捶胸，顿足可能是一种情绪的表现，我们见到这种动作表情就是试图解释潜在于它背后的情绪。
对于这个复杂的问题，心理学家曾经做过许多的研究。
面部表情认知的研究可分为两个步骤：第一步是面部表情刺激物的制作或选择，这可以用专门拍摄(录像)或图示来描画，也可以用完全装扮出的活生生的表情或自发的表情等。
第二步时对表情进行识别评定。
也可以用多种方法，如自由评定法，即让被试自由地对表情给出情绪词汇；或限制评定法，即向被试提供各种提供各种情绪词汇或情绪情境，要求被试只能根据所提供的情绪词汇或者情绪情境进行分类或者匹配等；或参照自由评定法，即向被试提供参考线索（如情境，人格特征等），让其说出所表达的情绪的词汇等。
关键词：情绪表情认知线索1 前言传统心理学把情绪列为心理现象的三大方面之一。
情绪也是心理学理论体系中一个不可缺少的研究环节。
情绪（emotion）是体验，又是反应；是冲动，又是行为；它是有机体的一种复合状态。
情绪的表现有和缓的和激动的，细微的和强烈的，轻松的和紧张的等诸多形式，广泛地同其他心理过程相联系。
自古以来，科学家们十分注意探讨情绪之奥妙，但与情绪的重要性不相适应的是，长期以来情绪研究一直是心理学尤其是实验心理学研究中的一个薄弱环节。
人脸识别系统-开放实验报告范文
开放性实验报告《人脸识别系统》小组成员：姓名李宏利学号 *********指导老师：*** 2011 年12 月【实验名称】人脸识别系统【实验目的】 1.对人脸识别系统的图像预处理有一定的掌握；2.对后续操作只简单了解；3.通过功能模块实现人脸识别系统。
【实验内容】 1.系统需求分析；2.系统设计；3.系统实现。
【实验步骤】一、系统需求分析1、目的与背景当前社会上频繁出现的入室偷盗、抢劫、伤人等案件的不断发生，鉴于此种原因，防盗门开始走进千家万户，给家庭带来安宁；然而，随着社会的发展，技术的进步，生活节奏的加速，消费水平的提高，人们对于家居的期望也越来越高，对便捷的要求也越来越迫切，基于传统的纯粹机械设计的防盗门，除了坚固耐用外，很难快速满足这些新兴的需求：便捷，开门记录等功能。
广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
人脸识别生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。
人脸识别主要用于身份识别。
由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。
人脸识别技术无疑是最佳的选择，采用快速人脸检测技术可以从监控视频图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别二．系统设计1)理论知识fisher概念引出在应用统计方法解决模式识别问题时，为了解决“维数灾难”的问题，压缩特征空间的维数非常必要。
基于神经网络的人脸识别实验报告
基于神经网络的人脸识实验报告别一、 实验要求采用三层前馈BP 神经网络实现标准人脸YALE 数据库的识别。
二、BP 神经网络的结构和学习算法实验中建议采用如下最简单的三层BP 神经网络，输入层为],,,[21n x x x X =，有n 个神经元节点，输出层具有m 个神经元，网络输出为],,,[21m y y y Y =,隐含层具有k 个神经元，采用BP 学习算法训练神经网络。
BP 神经网络的结构BP 网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对BP 网络加以训练，网络就具有输入输出对之间的映射能力。
BP 网络执行的是有教师训练，其样本集是由形如（输入向量，期望输出向量）的向量对构成的。
在开始训练前，所有的权值和阈值都应该用一些不同的小随机数进行初始化。
BP 算法主要包括两个阶段： (1) 向前传播阶段①从样本集中取一个样本(X p ,Y p )，将X p 输入网络，其中X p 为输入向量，Y p 为期望输出向量。
②计算相应的实际输出O p 。
在此阶段，信息从输入层经过逐级的变换，传送到输出层。
这个过程也是网络在完成训练后正常运行时执行的过程。
在此过程中，网络执行的是下列运算： (1)(2)()21(...((())...))n p n p O F F F X W W W =(2) 向后传播阶段①计算实际输出O p 与相应的理想输出Y p 的差； ②按极小化误差的方法调整权矩阵。
这两个阶段的工作一般应受到精度要求的控制，定义211()2mp pj pj j E y o ==-∑ (1)作为网络关于第p 个样本的误差测度（误差函数）。
而将网络关于整个样本集的误差测度定义为p E E =∑ (2)如前所述，将此阶段称为向后传播阶段，也称之为误差传播阶段。
为了更清楚地说明本文所使用的BP 网络的训练过程，首先假设输入层、中间层和输出层的单元数分别是N 、L 和M 。