深度学习在人脸识别中的应用优图祖母模型的「进化」
序言——“弱弱”的人工智能说到人工智能（Artificial Intelligence, AI）人们总是很容易和全知、全能这样的词联系起来。大量关于AI的科幻电影更给人工智能蒙上一层神秘的色彩。强如《黑客帝国》、《机械公敌》中的AI要翻身做主人统治全人类。稍弱点的《机械姬》里EV A懂得利用美貌欺骗中二程序员，杀死主人逃出升天。最不济也可以蠢萌蠢萌的像WALL·E能陪玩、送礼物还能谈个恋爱。其实人工智能这个词在1956年达特茅斯会议上正式诞生时，目标就是想要让机器的行为看起来像是人所表现出的智能行为一
样的“强”人工智能。然而人工智能的研究是高度技术性和专业性的，各分支领域都是深入且各不相通的，因而涉及范围极广。正是这种复杂属性，导致人们对人工智能的研究进程总是磕磕碰碰，反复地经历过分乐观的浪潮与极度悲观的寒冬。时至今日，想要完成全知、全能的强人工智能仍然只是一个长远目标。虽然目前的技术水平还远不能实现强人工智能，但在一些非常特定的领域里，弱人工智能技术正在经历前所未有的迅猛发展，达到或已超越人类的最高水平。例如深蓝、Alpha Go分别在国际象棋和围棋领域击败世界冠军。例如自然语言理解、语音识别和人脸识别接近、达到甚至超越普通人的识别水平。虽然这些弱人工智能技术并不能
真正地推理、理解和解决问题，但是面对特定的任务它们所给出的“判断”看起来是具有智能的。而正是这些看似“弱弱”的人工智能技术，在悄悄的改变人类生活的方方面面。它们以点带面完成越来越多的“简单任务”，为人们提供更加简洁、方便和安全的服务。人脸识别正是众多“弱弱”的人工智能技术之一。通过看人的面孔识别其身份，对每一个正常的人来说都是再简单不过的。如果强行将人脸识别的难度和下围棋来比，应该没有人会觉得人脸识别更难。然而从计算机的角度来看，至少在输入数据的复杂度上人脸识别是远超围棋单步走子决策的。如图1(a)所示，一张Angelababy 的图像在计算机看来，其实就是一个数字矩阵如图1(b)。数字矩阵的每个元素取值范围是0-255的整数。通常人脸识别算法所需的输入图像至少在以上，大的可能达到。理论上不同的可能输入共有种（每个像素的取值范围为0-255）。而围棋任意单步走子的可能局面上限为(每个棋盘格只能有黑子，白子，无子三种情况)，远远小于人脸识别。无论是围棋还是人脸识别，通过遍历完整的输入空间来做出最优的决策，就计算复杂度而言都是完全无法接受的。图1：数字化的人脸识别VS. 围棋单步决策
其实对几乎所有人工智能问题，如何通过更高层次的抽象来理解输入从而更快速的做出决策都是解决问题的关键所在。近十年来引领新一波人工智能浪潮的核心技术“深度学习”
就是这样一种方法，它通过少则近几层多则上百层人工神经网络不断地对高维的输入数据块进行抽象与理解并最终做出“智能”的决策。单凭深度学习技术可能仍然难以完成全知全能的“强”人工智能，但它却是完成任何特定“弱”智能任务的一把牛刀。正是看到深度学习技术如此巨大的潜力，国际互联网巨头Google，Facebook，Microsoft纷纷抢先布局，国内互联网领袖BAT也不惜资源进行技术储备，作为腾讯内部顶级的机器学习研发团队，优图也投入精英人力专注于深度学习技术的研发与产品落地。本文着重以人脸识别为例介绍深度学习技术在其中的应用，以及优图团队经过近五年的积累对人脸识别技术乃至整个人工智能领域的一些认识和分享。回顾——人脸识别的“浅”时代在介绍深度学习技术在人脸识别中的应用之前，我们先看看深度学习技术兴起前的“浅”时代人脸识别技术。前面提到高维输入是所有类人工智能问题的一个普遍难题，学界称之为“维数灾难”（The curse of dimensionality）。其实在机器自动人脸识别技术研究的早期研究者们尝试过用一些非常简单的几何特征来进行人脸识别, 如图2所示（请原谅图片的质量，摘自93年的一篇人脸识别领域奠基之作[1]）。
图2：基于几何特征的人脸识别
这样的朴素想法具有特征维数少的优点，所以不会遭遇维数灾难问题。然而由于稳定性差、区分能力弱和难以自动化等
原因，这种做法很早就被抛弃。研究人员们发现，设计各种几何特征，折腾大半天还不如直接比较像素区域的差别准确，也就是所谓的模板匹配技术。然而，直接比对像素误差有个很容易想到的缺点，不同人脸区域对区分人的身份的重要性并不一样。事实上研究[2]表明眉毛和眼睛是区分人身份最重要的区域，其次是嘴巴，而大片脸颊区域所包含的身份信息是有限的。如图3所示，人类最难鉴别身份的是去掉眉毛和眼睛的人脸。
图3：不同区域对人脸识别的重要性
为了解决这样的问题，很长时间人脸识别都非常依赖于判别性特征的学习，最有代表性的工作莫过于fisherfaces[3]，所谓判别性信息就是那种独一无二特征，就好像图4中所示，成龙的大鼻子，姚晨的大嘴，李勇的招牌马脸，姚明的魔性笑容。总而言之，只要能找到你独特的“气质”就能更好的认识你。
图4：具有判别性的人脸
判别性特征的想法非常直观有效也取得了一定成功，但是由于人脸的像素特征非常不稳定，不同拍摄设备和拍摄场景、不同的光照条件和拍摄角度等都会造成相同人脸的像素差异巨大。想要在各种复杂影响因素下找到一张人脸稳定且独特的特征就很难了。为了解决这些问题，研究人员开始研究比简单像素值更加稳定的图像描述子。其中比较主流的一种
描述子Gabor描述子借鉴了人类大脑的视觉皮层中对视觉信息进行预处理的过程。大脑皮层中对视觉信息加工处理的操作主要有两种，一种是在简单细胞中进行的线性操作，一种是在复杂细胞中进行的非线性汇聚。如图5所示的是MIT大脑和认知科学学院人工智能实验室的主任Poggio教授提出的一个叫HMAX[4]的类脑视觉信息处理流程：
图5：HMAX图像信息处理过程
这其中的简单单元“S1 units”和“S2 units”进行了一种叫做Gabor小波滤波的操作。而复杂单元“C1 units”和“C2 units”进行了一种叫做Max Pooling的取局部区域最大值的操作。事实上除却直接使用事先设定的Gabor滤波器，HMAX 等价于一个四层的神经网络，实际上已经初步具备了现代深度模型的雏形。在深度学习诞生前的“浅”时代，人脸识别研究人员不断改进预处理过程、使用更好的描述子，提取更有判别性的特征，这些都在慢慢的提高计算机识别人脸的能力。然而直到深度学习横空出世前，“浅”时代的各种人脸识别方法，对人类本身所具有的人脸识别能力仍然望尘莫及。拥抱——人脸识别的“深”时代要赋予计算机完整的人脸识别能力，除了能认识人外其实还有几步非常重要的预处理过程。如图6所示，完整的人脸自动识别算法需要能自己从图像里找到哪有人脸，学界称之为人脸检测？哪里是眼睛鼻子嘴，学界称之为人脸特征点定位？最后才是提取前面
说到的具有判别性的特征进行身份的识别，即狭义上的人脸识别。
图6：完整的自动人脸识别流程
在深度学习出现以前关于人脸检测、特征点定位和人脸识别这三个子任务的研究都是相对独立的展开的。从上个世纪90年代开始到2010年左右，经过不断的摸索，研究人员们对每个子任务都发现了一些比较有效的特征与方法的组合来解决问题如图7所示。然而由于研究人员需要根据每个子任务本身的特点设计不同的特征，选择不同的机器学习方法，因此技术的发展相对缓慢。从2012年左右，受深度学习在整个机器视觉领域迅猛发展的影响，人脸识别的“深”时代正式拉开序幕。短短的四年时间里，基于深度卷积神经网络的方法不断在这三个子任务中刷新人工智能算法的世界记录。人脸识别“浅”时代让人眼花缭乱的各种技术和方法仿佛一页之间成为历史。人脸识别研究人员，不需要在挖空心思的设计特征，也不需要担心后面需要什么样的学习算法。所有的经验的积累过程转换为了深度神经网路算法自动学习过程。这正式深度学习算法最大的优点：自动学习对特定任务最有用的特征！
图7：人脸识别
考察一个单项的“弱”人工智能技术是否成熟，达到乃至超过人类的平均水平应该是一个比较通用的准则。说到这里不
得不提一个人脸识别的标准评测数据库LFW（Labeled Face in the Wild）数据库。在2014年，Facebook使用一个叫做DeepFace的深度学习方法，第一次在LFW数据库上接近人类的识别水平（DeepFace: 97.35% VS. Human: 97.53%）,其结果如图8所示：
图8：DeepFace深度学习网络
“Talk is cheap, show me the code”,自从DeepFace在人脸识别领域一战成名，让研究人员们看到了超越人类识别能力的曙光。随着几大开源深度学习项目（例如CAFFE，TORCH, TensorFlow）的发展壮大，基于深度学习的方法真正如雨后春笋般席卷整个人脸识别领域。事实也证明深度学习确实能够做到，短短一年以后就有很多基于深度学习的方法在LFW 数据库上超过人类的识别能力，例如优图的人脸识别算法就在15年取得当时世界第一的99.65%准确率。深度学习为什么如此神奇，能在短短的几年时间里一统江湖呢？抛开技术细节不谈，原理上来说最为关键的两个因素就是：层级式抽象和端到端可学习。在回顾“浅”时代人脸识别方法历史时曾经介绍了基于几何特征的方法（图2）和基于判别性特征的方法（图4）。下图这些特征无疑都是针对人脸的某种抽象。由于原始图像输入的搜索空间巨大，只有通过恰当的抽象缩小搜索范围，才能最终做出合理的决策。对一个复杂的概念想要通过一层的抽象就将所有结构梳理清楚会是很难
甚至不可能的，而深度神经网络这种多层结构给自底向上的逐级抽象提供了天然的模具。只要将足够多的数据输入到具有多层结构的深度神经网络并告知它你想要的输出结果，网络可以自动的学习中间层的抽象概念，如图9所示，好奇的研究人员将一个能够识别1000类物体的神经网络中的特征进行了可视化：
图9：深度神经网络特征可视化结果
从图中可以看到在深度神经网络的第一层有点类似人类科学家积累多年经验找到的Gabor特征。第二层学习到的是更复杂的纹理特征。第三层的特征更加复杂，已经开始出现一些简单的结构，例如车轮、蜂窝、人头。到了第四、五层机器输出的表现已经足以让人误以为它具备一定的智能，能够对一些明确的抽象概念例如狗、花、钟表、甚至键盘做出特别的响应。研究人员们积累几年甚至十几年设计出来的特征例如Gabor、SIFT，其实可以通过深度神经网络自动的学习出来（如图9中“Layer 1”），甚至自动学习出它的人类“爸爸”难以言喻的更高层次抽象。从某种意义上来说，人工智能科学家就是机器的父母，需要“教”机器宝宝认识这个世界。谁都希望自己有个聪明宝宝，只用教它“知其然”，它自己慢慢总结消化然后“知其所以然”。深度神经网络就像个聪明的机器宝宝自己会学习、会抽象、会总结。端到端可学习，乍一听这个名词可能觉得头有点“方”，其实可以
简单理解为全局最优。图7中总结了在“浅”时代，人脸识别的各个子问题都需要通过两个甚至更多个步骤来完成，而多个步骤之间完全独立的进行优化。这是典型贪心规则，很难达到全局最优。事实上，受限于优化算法深度神经网络也很难达到全局最优解，但是它的优化目标是全局最优的。近几年深度学习在各种任务上的成功经验，表明机器宝宝也是需要有梦想的，直接对准“远方”的全局最优目标进行学习，即使得不到最优解也也远远好过小碎步的局部贪心算法。想要达到真正的“强”人工智能，深度神经网络还有很长的路要走，星爷的名言对神经宝宝同样适用，做人没有梦想和咸鱼有什么分别。进击——优图祖母模型的“进化”随着深度神经网络的机器学习技术的发展，在LFW人脸数据库上,三、四年前让所有机器学习算法宝宝们望尘莫及的人类识别能力早已被超越。虽然优图也曾在LFW上取得99.65%超越人类平均水平的好成绩，但是我们清楚的明白刷库还远远不够，在实际场景中的应用更重要也更具挑战性，在实践中优图已经根据落地需求对各种应用场景和应用类型做出了细分，以便实现各种场景下人脸识别任务的各个击破。目前在落地应用中，常见的照片场景类型有生活照，自拍照、监控视频、门禁闸机、西方人及其他人种照片，如图10所示。图10：常见人脸识别场景类型
互联网上有海量的人脸照片，通过搜索引擎优图也积累了海
量带身份标注的互联网人脸数据。这部分数据无论从人数，图像数、数据多样性上都是最好的，为优图人脸识别技术的研发提供了基础条件。随着人脸识别技术的日渐成熟，实际业务中涌现出大量新场景下的应用需求，例如微众银行的核身业务，会议签到业务都涉及证件照和手机自拍照的比对，公安的监控需要视频监控数据与证件照的比对。不同场景下获取的人脸图像存在巨大差异，如何对人脸识别模型进行快速调整，在各个不同场景下快速落地就成为一个非常具有挑战性的问题。为了在日趋白热化的市场竞争中占得先机，优图在三年深耕人脸识别和深度学习的基础上建立了自己在场景迁移与适应上的一整套方法论。这个方法论可以用一句话来概括：祖母模型的“进化”。这句话有两个关键点。首先我们需要建立适用于一般场景的、功能强大的人脸识别模型，也就是祖母模型。其次祖母模型通过“进化”来适应新场景下的人脸识别。建立祖母模型家族祖母模型并不特指一个深度神经网络模型，而是具有某种结构特点的一类神经网络模型，因此更为合适的叫法应该是祖母模型族。不同业务场景下的应用，用户对人脸识别的速度和精度可能有不一样的需求。祖母模型族必须像一个兵器库，既包含能够快速发射的机关枪也需要杀伤力强大冷却时间长的原子弹。图11：深度神经网络局部结构分类
目前最为流行的深度神经网络结构大致可以归为三类：1.直
线型（如AlexNet，VGGNet）；2.局部双分支型（ResNet）；
3.局部多分支型（GoogleNet）。其中直线型网络结构设计最为简单，但是当网络深度超过20后这种结构的网络将变的难以优化。局部多分支型网络模型能力强，计算效率更高，但是设计也最为复杂。在建立祖母模型家族的初期，我们选择了模型能力相对较强设计又相对简单的局部双分支型网络ResNet来构建优图人脸识别的祖母模型族。一方面ResNet 本身具有强大的学习能力，是去年深度学习领域最新的研究进展。MSRA凭借一个152 层的ResNet深度网络摘取了图像识别领域最具影响力的ImageNet2015竞赛多个单项的第一名。另一方面ResNet设计相对简单，一个最大的特点就是识别能力基本与神经网络深度成正比。神经网络的深度又与计算复杂度直接相关，这就为训练不同识别精度与运行速度的多个模型从而建立祖母模型族提供了极大的方便。当选定了祖母模型的网络结构后，我们将其在数据量最大的互联网生活照数据集上训练，以保证祖母模型的通用人脸识别能力，图12所示。
图12：优图人脸识别祖母模型在基于局部双分支模型族建立完成后，我们也开始尝试使用更复杂的局部多分支组件来进一步提高模型效率，丰富我们的祖母模型族。祖母模型的“进化”迁移学习是近些年来在人工智能领域提出的处理不同场景下识别问题的主流方法。相比于浅时代的简单方法，
深度神经网络模型具备更加优秀的迁移学习能力。并有一套简单有效的迁移方法，概括来说就是在复杂任务上进行基础模型的预训练（pre-train），在特定任务上对模型进行精细化调整（fine-tune）。套用在人脸识别问题上，只需要将训练好的优图祖母模型在新场景的新数据上进行精细化调整。
图13：优图祖母模型的进化
这种传统的迁移学习方法确实能帮助祖母模型更好的完成新场景下的人脸识别任务。但这只能算特异化，无法将迁移学习中学到的新信息反馈给祖母模型。迁移之后的特异化模型只能应用在特定场景，在原集合上的性能甚至可能会大幅下降。在没有深度学习的“浅”时代，模型没有同时处理多个场景的能力，这可能是最好的适应新场景的方法。然而在实践中我们发现，由于深度神经网络的强大表达能力，完全可以在迁移学习过程中保持祖母模型的通用性能。采用增量学习的方式进行新场景的适应，在完成新场景下识别的同时也能保持其他场景下的能力，从而得到通用性更好的优图祖母模型，即优图祖母模型的“进化”。
随着各个场景下的数据不断积累，优图祖母模型将不断进化，变的更加强大。后续我们将根据业务需求，继续积累在新场景下的人脸识别能力。并尝试将这种深度神经网络的神奇“进化”能力推广到更多的问题上。通过不断进化，祖母模型变的越来越聪明，也许有一天我们真的能创造出全知
全能的“优图大脑”！
人脸识别中性别识别模型评价（项目实例）以人脸识别中的性别识别测试为实例，对整个测试过程进行详细讲解。 举例有一个项目，要求是输入一张人脸照片，使用算法对照片中人物的性别进行预测男或女。 测试人员需要对算法模型的表现进行评价，输出客观的评价指标。 测试工作开展： 一、需求分析，查看需求文档，了解需求 算法的输入和输出是什么的内容，格式。 测试人员需要给出的评价指标。 训练数据中男性照片和女性照片数据分别有多少，比例。 照片数据是怎样的（是否有老人，小孩等）。 算法是如何实现的。（整个模型预测流程；数据是如何处理；用的是什么算法） 思考方向： 算法工程师使用男女训练数据比例是否合理？ 照片数据中覆盖是否全面？ 二、测试数据准备（相当于编写测试用例） 类比一个输入框的测试，需要测试汉字、字符、表情、数字、字母，组合等多种情况下的。这里也是类似。 主要考虑： 1，需要什么样的测试数据 2，测试数据要多少 思考什么情况下可能会影响到算法识别性别，准备这样的测试数据。
这里给出一些建议： 男性照片和女性照片测试数据比例和训练数据中比例保持一致。 照片数据中包括不同年龄段男女 正常脸部拍摄的照片 包括不同光线照明场景，尤其是弱光，光线不足，暗场景下的照片。 包括不同姿势（偏头、仰头、侧面）场景照片。 被物体（如眼镜、面膜、口罩、手等）遮挡场景照片。 测试数据总数多少参考之前写的博客。 本次项目测试主要考虑用户群体，用户场景下拍摄的照片。不使用网络照片。不使用国外人脸数据集。不考虑国外人群，像黑种人性别识别。 进入性别识别前有人脸识别模型判断有没有人脸，多人脸判断等，所以不用考虑非人脸是否会识别出性别的问题。 场景下不会有脸部区域很小的照片。此不考虑。 笔者这里使用1100张女性照片，900张男性照片做为测试数据。 测试数据的标注： 如果是图片是本地.jpg格式的，在一个文件夹中新建2个子文件夹，一个命名man存放所有男性照片，一个命名为woman存在所有女性照片。 如果图片是url，所有url保存在一个txt文档中，分为两列，第一列为url，第二列为对应标注1，2 三、测试脚本
北方工业大学 本科毕业设计（论文）开题报告书 题目：基于直方图差值比较方法的人脸识别系统指导教师： 专业班级： 学号： 姓名： 日期：2013年3月20日
一、选题的目的、意义 近些年来，有关人脸的处理已受到广大研究人员越来越多的重视，如人脸识别、人脸定位、面部表情识别、人脸跟踪等。人脸处理系统在安全系统的身份认证、智能人机接口、图像监控、视频检索等领域有着广泛的应用前景。 此外在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。 同时，进行人脸图像识别研究也具有很大的使用价依。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，因为它取样方便，可以不接触目标就进行识别，从而开发研究的实际意义更大。并且与指纹图像不同的是，人脸图像受很多因素的干扰:人脸表情的多样性;以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。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，有时更会有很大的差别，给识别带来很大难度。因此在各种干扰条件下实现人脸图像的识别，也就更具有挑战性。 人脸图像识别除了具有重大的理论价值以及极富挑战性外，还其有许多潜在的应用前景，利用人脸图像来进行身份验证，可以不与目标相接触就取得样本图像，而其它的身份验证手段，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木，在某些场合，这些识别手段就会有不便之处。
人脸识别技术研究 1 引言 1.1 选题背景 目前，在个人身份鉴别中主要依靠ID卡和密码等传统手段，这些传统手段的安全性能较低，且都是基于，“What he Dossesses”或“What he remembers”的简单身份鉴别，离真真意义上的身份鉴别“Who he is”还相差甚远。依靠传统方法来确认个人身份越来越不适应现代科技的发展和社会的进步。生物特征识别技术给可靠的身份鉴定带来了可能。最近，国际生物特征组织(IBG)对生物特征识别技术做了较详细的市场分析和预测，其结果显示，全球生物特征识别技术2014年的产值约为69亿美元，预计到2016年将超过93亿美元，市场潜力非常巨大…。 生物识别技术是指利用一个人特有的生理和行为特征进行自动的身份认证。只有满足以下几个条件的生理或行为特征才能被用做生物识别特征 1)普遍性。即每个人都要具备这种特征。 2)唯一性。即不同的人应该具备不同的这种特性。 3)持久性。即这种特征不随时间地点的改变而变化。 4)可采集性。即该特征可以被定量地测量。 研究和经验表明，人脸、指纹、手型、掌纹、虹膜、视网膜、签名、声音等都满足这些条件，可以用于识别人的身份。基于这些特征，人们发展了人脸识别、指纹识别、语音识别、虹膜识别等多种生物识别技术。在所有的生物特征识别技术中，利用人脸特征进行身份识别是最自然、最直接和最友好的于段。与其它生物特征识别技术相比，人脸的获取非常容易，几乎可以在被采集对象无意识的状态
下获取人脸图像，这样的取样方式没有“侵犯性”。 人脸识别技术是种重要的生物特征识别技术，应用非常广泛。人脸是自然界存在的一种特殊的复杂视觉模式，它包含及其丰富的信息。首先，人脸具有一定的不变性和唯一性，人脸识别是人类在进行身份确认时使用最为普遍的一种方式，人脸图像还能够提供一个人的性别、年龄、种族等有关信息。其次，人脸也
患者身份识别制度 一、住院患者必须建立床头卡。 二、对于治疗、护理不能配合医护人员进行有效核对的患者（如手 术、昏迷、神志不清、危重、气管切开、气管插管及机械通气患者和无法正确语言表达且无家属陪伴的住院患者等），必须使用腕带，作为患者身份识别信息的载体。 三、患者身份识别方法有床头卡核对、双向式核对（开放式询问核 对）、腕带核对、病历牌（卡）核对等。在标本采集、给药或输血等各类诊疗活动前，必须严格执行查对制度，并至少同时使用2种患者身份识别方法（禁止仅以房间或床号作为识别依据）。 四、转送、接收患者，必须认真识别患者身份。 五、转床、转科时，必须及时更新腕带信息，并做到二人核对，确 保患者身份识别信息与腕带信息一致。 六、完善并落实护理各关键流程（急诊、病房、手术室）的患者识 别措施、交接程序与记录。 七、填入腕带的识别信息必须经两名医务人员核对后方可使用，若 损坏需更新时，需要经两人重新核对。 八、腕带填写的信息字迹清晰规范，准确无误。项目包括：病区、 床号、姓名、性别、年龄、住院号等信息。 九、患者使用腕带舒适，松紧度适宜，皮肤完整无破损。 十、加强对患者腕带使用情况的检查，各科护理质量监控组每月进 行督导并有记录。
住院患者身份识别腕带管理规定 一、为提高医务人员对患者身份识别的准确性，营造一个安全的医 疗环境，患者在住院期间需要佩戴身份识别腕带。 二、身份识别腕带信息包括患者姓名、住院号、性别、入院日期、 科室等。 三、病房护士接待患者时，为患者佩戴腕带，一般戴于患者右手腕 部。 四、医护人员充分告知患者佩戴腕带的重要性及注意事项，保证腕 带的完好。 五、一人一带唯一对应，是保障正确识别患者身份最重要的条件。 六、若遇到患者身份腕带丢失、严重损坏等情况，责任护士应第一 时间更换腕带。 七、患者出院时，责任护士为患者安全剪断腕带，按照医疗垃圾处 理。
人脸识别研究 代上 （河南大学环境与规划学院河南开封 475004） 摘要：现今世界经济发展迅速，而面对繁杂的社会安全问题却显得有些捉襟见肘，人脸识别技术能够因通过面部特征信息识别身份而受到广泛关注。人脸识别通常使用采集含有人脸图像或视频流的设备，将收集到的人脸信息进行脸部检测,进而与数据库中已有信息进行对比确定被识别对象的身份,已经广泛的应用于公共安全、教育等多个方面，且在以后的社会发展中具有很大的应用前景。本文主要对人脸识别的发展历程、主要识别方法予以总结概括，并对其应用范围与发展趋势进行分析。 关键词：人脸识别；方法；应用；发展 1引言 人脸识别是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。该项技术目前应用到社会的各个领域，例如个人家庭自动门的安全系统、犯罪人的身份识别系统、银行自动取款的服务系统等。 人脸识别系统给人带了很多方便，应用能力很强，但是人脸识别仍然有很多阻碍其发展的困难之处。主要表现在：在收集图像中目标自身的影响；在系统收集图像的过程中容易受到各种外界因素以及系统收集图像之后由于其它因素造成的面部损伤所带来的影响；随着时间的变迁，人的面部逐步发生变化的影响。这些都对人脸识别技术的发展造成了一定的困难，也使得该项技术面临着多种挑战性。 2 人脸识别研究的发展历史与研究现状 2.1发展历史 很早在19世纪80年代就有关于通过人脸对人类的身份进行辨别的论文发表，但是由于技术水平与设备的限制，人脸识别技术并没有受到重视。直到20世纪60年代末，Blcdsoc[1]提出了人脸识别研究的雏形，人脸识别技术才被人们接受。 在人脸识别研究的早期阶段，人们主要研究的是人脸识别的各种方法，但是在实际应用方面却没有得到实质性的进展。 进入20世纪90年代末的时候，人脸识别技术进入了一个快速发展阶段，在这个时期各种新的人脸识别方法相继出现，并创建了人脸图像数据库，对人脸识别的发展起到了巨大的促进作用。在实际应用方面也取得了很大的进展，运用人脸识别技术的产品逐渐进入了社会市场。 进入21世纪以后，人脸识别技术已经逐步发展成熟，但是由于非理想条件如（光照、天气、姿态）的影响，对人脸识别技术的要求也更高。为了解决这些不利因素所造成的影响，研究者们一直努力寻找更加趋于完美的方法，从而减少这些因素所带来的不利影响。 2.2研究现状 近几年来，人脸识别技术已经从以前的认知阶段发展到了实际应用阶段。但是由于每个人的面部都会因为各种不同的原因发生改变，这给人脸识别带来了不小的影响。如光照不同
人脸识别技术大总结 百度《人脸识别技术大总结》，觉得应该跟大家分享，这里给大家转摘到百度。 篇一：人脸识别技术的主要研究方法、绪论人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。 人脸识别是一种重要的生物特征识别技术，应用非常广泛。 与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。 本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别、人脸识别技术的主要研究方法目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。 人脸识别流程图如图．所示：图．人脸识别流程图、基于几何特征的人脸识别方法基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。 基于特征的方法的目标就是寻找上述这些不变特征，并利用这些
特征来定位入脸。 这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。 但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人作标准模板(固定模板)或将模板先行参数化(可变模板)，思想汇报专题然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。 基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法()、支持向量机()、神经网络方法()等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。 因此，这也是种自下而上的方法。 这种方法的优点是利用强大的机器学习算法快速稳定地实现了很
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
人脸识别终端管理软件系统用户手册 CSF8600 北京碧芮科技有限公司
目录 目录 (2) 一、运行环境 (3) 硬件环境 (3) 软件环境 (3) 二、软件的安装和卸载 (4) 2.1、软件的安装 (4) 2.2、软件的卸载 (8) 三、软件的使用说明 (10) 3.1、使用前准备 (10) 3.2、熟悉界面 (12) 3.3、员工管理 (13) 3.3.1员工管理->员工部门 (14) 3.3.2员工管理->发送员工到机器 (19) 3.4、门禁管理 (21) 3.4.1门禁管理->员工信息管理 (23) 3.4.2门禁管理->时段管理 (24) 3.4.3门禁管理->节假日管理 (25) 3.4.4门禁管理->出入记录 (26) 3.4.5门禁管理->时间设置 (27) 3.5、出入记录管理 (28) 3.6、账户管理 (29)
一、运行环境 硬件环境 1.PC机内存不小于512M； 2.硬盘在10G以上空间； 软件环境 1.操作系统为Windows XP SP3及以上的版本； 2.操作系统识别中文； 3.具有SqlServer的安装条件和北京碧芮科技有限公司的人脸识别终端管理软件；
二、软件的安装和卸载 2.1、软件的安装 提示：安装环境如果在vista及其以上版本下图中所有安装程序必须点击右键选择“以管理员身份运行” 打开门禁管理系统安装包请按照截图顺序安装 注：以下内容未截图说明的地方均请按“下一步”进行安装 安装第2步（运行SQLEXPR32_CHS.EXE）时需要注意以下内容： 安装SQLEXPR32_CHS时请单击右键点击“以管理员身份运行”
基于肤色的人脸检测 摘要 本文介绍了人脸图像识别中所应用MATLAB对图像进行预处理，应用该工具箱对图像进行经典图像处理,通过实例来应用matlab图像处理功能，对某一特定的人脸图像处理，进而应用到人脸识别系统。本文在总结分析人脸识别系统中几种常用的图像预处理方法基础上，利用MATLAB实现了一个集多种预处理方法于一体的通用的人脸图像预处理仿真系统，将该系统作为图像预处理模块可嵌入在人脸识别系统中，并利用灰度图像的直方图比对来实现人脸图像的识别判定。 关键词:脸部定位，特征提取，图像处理，MATLAB
Abasract This paper introduces the application of MATLAB in face image recognition of image preprocessing,the application of the toolkit for classical image processing, application MATLAB image processing function through instance,for a particular face image processing,and then applied to the face recognition system.In face recognition system based on the summary analysis of several commonly used image preprocessing method based on the MATLAB implements a collect a variety of pretreatment method for the integration of the universal facial image preprocessing simulation system,the system as the image preprocessing module can be embedded in a face recognition system,and use the gray histogram of the image matching to realize the face image recognition. Key words:face positioning,feature extraction,picture processing,MATLAB
浅谈人脸识别在安防系统的应用 人脸识别的应用背景 经济的快速发展，带来人员在不同地域之间频繁的流动，随之而来的是对公众人员的安全管理的需求迅速增加，每年刑事案件和治安案件逐年上升，众多涉案人员在逃，此外，还有数量更为庞大的小偷惯犯难以抓捕。据不完全统计，目前公安在逃人员约50万，各地的公安需要新的技术手段对协助其案件技侦和对重点区域提供安全保障。 而另一方面，目前平安城市基本上完成了联网、高清化的建设，正在走向以实战应用、云服务等为代表的新一轮发展，现有的监控系统每天产生海量的网络高清视频数据，其中就包含大量可用的人脸信息，而当前这些人脸的信息整体的利用率不高，配套的使用工具简单，甚至是依靠人工排查的土办法。因此，为了实现在海量视频中的人员身份的快速识别，人脸识别技术无疑是最佳的选择。 人脸识别作为一种新兴的安防智能化产品，其技术源头始于20世纪60年代，上世纪90年代计算机的出现，人脸识别的才进入了真正的机器自动识别阶段。目前，在安防监控领域，人脸识别主要是基于对可见光图像的人脸识别。人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，虽然环境光线、人脸的分辨率对识别结果存在影响，但相比其它特征识别，其具有非强制性、隐蔽性、友好性、高并发性等特点，因此，对于开放的公共环境下的应用，人脸识别产品有不可比拟的优势。 目前，市场上人脸识别产品中，静态人脸识别产品的使用比较广泛且成熟，在通关、金融、电信、公证等领域需要对人和证件进行一致性验证的场景下，人脸识别系统应用表现良好。尤其是金融行业，由于银行业务对身份核实的需要及VTM的推广，客户在办理业务或自助办理业务过程中一般均要对客户的身份进行验证核实，在实际应用中，系统获取客户身份证件内的人脸照片和现场客户的图片进行人脸识别比对，完成人证一致性验证，大大提升金融的业务工作效率。 动态人脸识别的应用当前处于前期阶段，并逐步开始在交通、公安、楼宇、社区等领域推广。由于识别目标的非配合性，动态人脸识别应用上比静态人脸稍复杂，实现人脸识别的高准确率和时效性是业务应用的前提，需要专业的团队开发、部署才能取得满意使用结果。 人脸识别技术和应用模式是两翼，服务是主体 人脸识别算法技术 当前人脸识别系统是由人脸图像采集、预处理、特征提取、匹配识别这几个过程。目前，人脸识别的算法很多，业内比较推崇的是基于神经网络的人脸识别算法。神经网络算法是受到人的神经系统启发，利用大量简单处理单元互联而构成的复杂系统，模仿人的认知系统，通过学习的过程获得其它方法难以实现
人脸识别技术的应用背景及研究现状 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面：
人脸识别机考勤管理制度 一、目的 为规范公司的考勤管理制度，保障正常的服务工作秩序，为加强员工职业道德建设，培养员工遵守劳动纪律的自觉性，特制定本管理制度。 二、适用范围 本制度适用于公司全体员工 三、管理规定 1、工作制度 1.1上班时间：周一至周五上午8:30——12:00 下午13:00——17:30 A．实行不定时工作制的员工，在保证完成甲方工作任务情况下，经公司同意,可自行安排工作和休息时间 B．一线员工工作时间的确定，由各项目部根据自身情况自定，报公司人力资源部备案。 1.2人脸识别制度 1.2.1公司实行上、下班人脸识别考勤制度。全体员工都必须自觉遵守工作时间，实行不定时工作制的员工不必人脸识别； 1.2.2识别次数：一日两次，即早上上班识别一次，下午下班识别一次； 1.2.3人脸识别时间：识别时间为上班到岗时间和下班离岗时间； 1.2.4因公外出不能打卡：因公外出不能打卡应填写《外勤登记表》,注明外出日期、事由、外勤起止时间。因公外出需事先申请，如因特殊情况不能事先申请，应在事毕到岗当日完成申请、审批手续，否则按旷工处理。因停电、卡钟（工卡）故障未打卡的员工，上班前、下班后要及时到部门考勤员处填写《未打卡补签申请表》，由直接主管签字证明当日的出勤状况，报部门经理、人力资源部批准后，月底由部门考勤员据此上报考勤。上述情况考勤由各部门或分公司和项目文员协助人力资源部进行管理。
1.2.5手工考勤制度：由于工作性质，员工无法正常打卡（如外围人员、出差），可由各部门提出人员名单，经主管副总批准后，报人力资源部审批备案。 1.2.6参与手工考勤的员工，需由其主管部门的部门考勤员或部门指定人员进行考勤管理，并与每月20前向人力资源部递交考勤报表。 1.2.7参与手工考勤的员工如有请假情况发生，应遵守相关请、休假制度，如实填报相关表单。 1.2.8 外派员工在外派工作期间的考勤,需在外派公司打卡记录;如遇中途出差,持出差证明,出差期间的考勤在出差地所在公司打卡记录; 1.2.9迟到、早退 （1）每日8:00—8:30为签到时间范围。签到时间为8:31—8:40的，视为迟到，依据《员工手册》扣除考核工资的10%；在8:40—9:00未签到的，扣除岗位工资和考核工资的各10%；超过9:00未签到的，视为旷工半天或依据情况按事假处理，根据公司规定扣除相应的考核工资。因公务的情况下：迟到者需递交《补签条》来证明情况，所有不递交证明者视为无故缺勤。 （2）每日17:30—18:00为签退时间。签退时间为17:20—17:29的，视为早退，依据《员工手册》扣除考核工资的10%；在17:00—17:20没有刷指纹提前离开公司的，扣除岗位工资和考核工资的各10%；在17:00前离开公司未签退的，视为旷工半天或依据情况按事假处理，根据公司规定扣除相应的考核工资。因公务的情况下：早退者需递交《早退条》来证明情况，所有不递交证明者视为无故缺勤。 2、加班管理 2.1定义：加班是指员工在节假日或公司规定的休息日仍照常工作的情况。 2.2员工加班应提前申请，事先填写《加班申请表》，因无法确定加班工时的，应在本次加班完成后3个工作日内补填《加班申请表》。《加班申请表》经部门经理同意，主管副总经理审核报总经理批准后有效。《加班申请表》必须事前当月内上报有效，如遇特殊情况，也必须在一周内上报至总经理批准。如未履行上述程序，视为乙方自愿加班。
东北大学 硕士学位论文 基于图像处理的人脸识别系统 姓名：周丹 申请学位级别：硕士 专业：控制理论与控制工程指导教师：王建辉 20050701
东北大学硕士学位论文第一章引言 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。总之，要让计算机象人一样方便准确地识别大量的人脸尚需不同学科研究领域的科学家共同做出不懈的努力。 １．３模式识别的基本概念 模式识别研究的内容是利用计算机对客观物体进行分类，在错误概率最小的条件下，使识别的结果尽量与客观物体相符合。 在模式识别学科中，就“模式”与“模式类”而言，模式类是一类事物的代表，而“模式”则是某一事物的具体体现，如数字０，ｌ，２，３，４，５，６，７，８，９是模式类，而用户任意手写的一个数字或任意一个印刷数字则是“模式”，是数字的具体化。 在模式识别技术中，被观测的每个对象称为样品，用ｘ表示，样品的数量用Ｎ表示。 对于一个样品来说，必须确定一些与识别有关的因素作为研究的根据，侮‘ 个因素称为一个特征。模式就是样品所具有的特征描述。模式的特征集由处于同 一个特征空间的特征向量表示，特征向量的每个元素成为特征，该向量也因此称为特征向量。一般地用小写英文字母ｘ，个特征，则可把Ｘ看作一个ｎ维列向量，ｘ榧 Ｙ，ｚ来表示特征。如果一个样品Ⅳ有ｎ该向量ｘ称为特征向量，记作： ’，Ｘ月 模式识别问题就是根据ｘ的几个特征来判别模式工属于ｑ，国：，．．．，∞。类中的 哪一类。 １．４模式识别系统组成 一个典型的模式识别系统如图３．１所示，由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。一般分为上下两部分。上半部分完成未知类别模式的分类；下半部分属于设计分类器的训练过程，利用样品进行训练，确定分 ２ ＸＧ 一一
浅析人脸识别在金融行业应用方向
目录 浅析人脸识别在金融行业应用方向 (1) 1背景 (2) 2“人脸识别”自助终端 (3) 3移动金融/营销 (3) 4柜面系统 (4) 1背景 2015年年末，央行发布了《中国人民银行关于改进个人银行账户服务加强账户管理的通知》，明确提出“提供个人银行账户开立服务时，有条件的银行可探
索将生物特征识别技术和其他安全有效的技术手段作为核验开户申请人身份信息的辅助手段”。至此，这两年火遍天际的人脸识别终于得到了“正式名份”!将在银行大显身手的人脸识别到底能做什么?备受银行青睐的人脸识别真有那么“万能”吗? 目前人脸识别在银行的应用主要集中在自助终端、移动金融/营销和柜面系统三大方向。 2“人脸识别”自助终端 “人脸识别”自助终端是当前银行应用最为普遍的方向，交通银行的自助发卡机、民生银行的VTM、农业银行的超级柜台等都是将人脸识别系统引入到自助设备中，利用人脸识别技术将现场采集的照片与已存照片、身份证照片进行比对并提供人脸相似值，工作人员即可根据相似值的高低判断是否直接通过或进行人工审核。 目前，用户可以在自助终端上实现自助开卡、业务变更、密码重置等个人业务，全流程电子化不仅节约时间和成本，也更加环保。不仅如此，银行工作人员也可以通过人脸识别自助终端实现一对多服务，通过客户自助办理＋现场审核授权，原本只能服务一个客户的工作人员可以同时服务6-8人。 3移动金融/营销 银行在开展移动金融/营销时，也经常遇到一个难题：在移动端如何确认客户身份?而人脸识别则可以较好的解决虚拟世界两端“你是谁”的身份认证难题：一
方面用户可以借助于手机等移动设备的摄像头进行人脸身份核查，另一方面银行工作人员也可以通过便携性移动终端进行客户人脸身份核查，为客户办理业务。 目前包括民生银行、攀枝花商行在内的众多银行已经开始基于多模态生物识别统一身份认证平台，通过人脸识别技术平台布局移动金融和移动营销：直销银行、远程贷款、大客户上门服务等都是典型应用。与此同时，该平台还具有强大的渠道管理能力，一旦前端出现报错情况，可以迅速反查、定位并进行修复。 4柜面系统 人脸识别在柜面系统中发挥了更大的作用：内能进行风险管控，外可1S核验客户身份。银行通过人脸识别可以实现内部员工系统登录与授权管理，增强银行的风险管控能力;同时，也可以通过人脸联网核查，将现场照片与公安部已存的身份证照片进行比对、核查，更客观、科学的实现“人证合一”，降低“肉眼”观察的主观意识和失误辨认。
人脸识别技术的研究 1.引言 在信息化飞速发展的今天，计算机的应用领域越来越广，大大减轻了人类的体力劳动和脑力劳动。在对人的计算机自动身份鉴别系统中，指纹、基因、虹膜等方法都为接触式鉴别手段，需要人为的采样，属侵犯式的识别。因人脸识别的非接触式特性现以成为计算机领域的一个研究热点，在国内外引起很高的重视，取得了一系列的成果。在公安、银行、海关等重要部门可以应用人脸识别技术提供方便、高效的检测手段。 虽然人可以毫不费力地识别出人脸及其表情，但要计算机自动准确地识别却困难得多。因为人脸具有相似的结构，在纹理上也比较接近，人脸识别系统只能利用不同人脸之间的细微差别来实现正确识别的任务。同时，同一个人在光照、姿态、表情、人脸大小等不同采样条件下所获得的图像有很大的不同，更不用说发型、年龄、化妆以及饰物的变化了，得到的图像可能是正面的也可能是侧面的，此外噪声和掩遮都使问题变得复杂。可见，人脸识别涉及到图像处理、模式识别、人工智能及生理学等多个学科[1]，使得人脸识别成为一项极富挑战性的课题。 人脸自动识别系统包括三个主要技术环节[2]：首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。 2. 人脸识别技术研究的方法 人脸识别的方法大致可以分为基于几何特征、基于代数特征[3]、基于神经网络模型以及基于三维模型等的几大类。 基于几何特征 是在抽取人脸图像上显著特征的相对位置及其参数的基础上进行识别。最早的人脸识别是用手工的方法确定人脸特征点的位置并将其输入计算机中。识别工作的流程大体如下：首先检测出面部特征点，通过测量这些关键点之间的相对距离（欧式距离），得到描述每个脸的特征矢量，比如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯曲程度等，以及这些特征之间的关系，用这些特征来表示人脸。比较未知脸和库中已知脸中的这些特征矢量，来决定最佳匹配[4]。基于小模板匹配的方法属于几何特征识别，是已知一个小模板，在人脸的大图像中进行匹配，如果匹配成功，就可以确定其坐标位置[5]。 基于几何特征的缺点显而易见，对获得的图像要求很高，特征点的定位非常重要，如果人脸有一定的侧向或有装饰物都会很大程度上影响识别的准确性。 基于代数特征 基于代数特征的人脸识别方法有代表性的是PCA（主元分析法）[6]、K-L（卡胡南－列夫）变换[7]和SVD（奇异值分解）[8]等方法。其主要思想：对于一副由N个象素组成的图像，可以看作是一个N维矢量空间，采用不同的变换方法，能够有效的提取主分量，通过对人脸样本集的自相关矩阵的特征矢量的选取，构成一个正交的低维人脸空间，从而达到降低冗余、提高识别率的目的。
患者身份识别制度及流程标准化文件发布号：（9312-EUATWW-MWUB-WUNN-INNUL-DDQTY-KII
患者身份识别制度 一、住院患者必须建立床头卡。 二、对于治疗、护理不能配合医护人员进行有效核对的患者（如 手术、昏迷、神志不清、危重、气管切开、气管插管及机械通气患者和无法正确语言表达且无家属陪伴的住院患者 等），必须使用腕带，作为患者身份识别信息的载体。三、患者身份识别方法有床头卡核对、双向式核对（开放式询问 核对）、腕带核对、病历牌（卡）核对等。在标本采集、给药或输血等各类诊疗活动前，必须严格执行查对制度，并至少同时使用2种患者身份识别方法（禁止仅以房间或床号作为识别依据）。 四、转送、接收患者，必须认真识别患者身份。 五、转床、转科时，必须及时更新腕带信息，并做到二人核对， 确保患者身份识别信息与腕带信息一致。 六、完善并落实护理各关键流程（急诊、病房、手术室）的患者 识别措施、交接程序与记录。 七、填入腕带的识别信息必须经两名医务人员核对后方可使用， 若损坏需更新时，需要经两人重新核对。 八、腕带填写的信息字迹清晰规范，准确无误。项目包括：病 区、床号、姓名、性别、年龄、住院号等信息。 九、患者使用腕带舒适，松紧度适宜，皮肤完整无破损。 十、加强对患者腕带使用情况的检查，各科护理质量监控组每月 进行督导并有记录。
住院患者身份识别腕带管理规定 一、为提高医务人员对患者身份识别的准确性，营造一个安全的 医疗环境，患者在住院期间需要佩戴身份识别腕带。 二、身份识别腕带信息包括患者姓名、住院号、性别、入院日 期、科室等。 三、病房护士接待患者时，为患者佩戴腕带，一般戴于患者右手 腕部。 四、医护人员充分告知患者佩戴腕带的重要性及注意事项，保证 腕带的完好。 五、一人一带唯一对应，是保障正确识别患者身份最重要的条 件。 六、若遇到患者身份腕带丢失、严重损坏等情况，责任护士应第 一时间更换腕带。 七、患者出院时，责任护士为患者安全剪断腕带，按照医疗垃圾 处理。
营门出入管理人脸识别 系统技术方案 LEKIBM standardization office【IBM5AB- LEKIBMK08- LEKIBM2C】
营区出入管理人脸识别系统
1.系统概述 根据管理需求对通行人员使用出入管理人脸识别系统进行验证识别。出入管理人脸识别系统实现对人脸的采集、识别和验证。出入管理人脸识别系统主要由人脸注册管理软件、人脸采集摄像机、人脸验证识别服务器组成，具有人脸注册、人脸特征库管理、支持人脸图像的输入、人脸验证识别、记录管理、人脸库参数设置等功能，并提供相应的的软件接口，支持与上层应用系统对接和集成。 2.人员验证识别方式 为了进一步提高出入管理业务的效率，增强内部、来访人员通行的便利性，提出了1:N人脸验证识别方式。 1:N人脸识别业务流程如下所示： 内部人员内部管理中心预先采集所有人员人脸图像信息，来访人员在传达室采集人脸图像信息，人脸图像经过特征提取存储到人脸识别系统人脸库中。 通行人员通过出入口时，设置在出入口的人脸采集摄像机现场采集内部人员人脸信息，与指定人脸库中的N个人脸进行比对，找出最相似的一张脸或多张人脸。根据待识别人脸与现有人脸库中的人脸匹配程度，返回用户信息和匹配度，匹配度超过指定阈值时，对该当通行人员予以放行。在人脸验证识别方式无法正常验证通过时，由执勤人员验证确认后予以放行。流程图见图1。
人脸特征库人脸特征库 人脸照片和身份证信息 出入口 出入管理系统 人脸识别设备 人脸采集摄像机 出入管理系统后台服务 ①信息采集出入管理人脸识别系统组成图如图2、3所示。
图2 出入管理人脸识别系统组成框图 测试机A 测试机B 人脸识别服务器S1 人脸采集摄像机C1 人证采集设备 (身份证T1、军官证T2)图 图2 出入管理人脸识别系统组成与连接关系图
数字图像处理课程设计
人脸检测与识别课程设计一、简介人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技 术，根据数据库的人脸图像，分析提取出有效的识别信息，用来 “辨认”身份的技术。人脸识别是模式识别研究的一个热点, 它 在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广 泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主 元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成 一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同 时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态 具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设 计具有良好分类能力和鲁棒性的分类器. 支持向量机(SVM ) 模 式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及 高维模式识别问题中表现出许多特有的优势。 本此课程设计基于MATLAB，将检测与识别分开进行。其中检测 部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别 部分采用PCA算法对检测出的人脸图像进行特征提取, 再利用最
邻近距离分类法对特征向量进行分类识别，将在后文具体表述。仿真结果验证了本算法是有效的。 二、人脸检测源码 1.img=imread('D:\std_test_images\face3.jpg'); figure; imshow(img); R=img(:,:,1); G=img(:,:,2); B=img(:,:,3); faceRgn1=(R>95)&(G>40)&(B>20)&max(img,[],3)-min(img,[],3)>15& abs(R-G)>15&R>B; figure; imshow(faceRgn1); r=double(R)./double(sum(img,3)); g=double(G)./double(sum(img,3)); Y=0.3*R+0.59*G+0.11*B; faceRgn2=(r>0.333)&(r<0.664)&(g>0.246)&(g<0.398)&(r>g)& g>=0.5-0.5*r; figure; imshow(faceRgn2); Q=faceRgn1.*faceRgn2;
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且