大连东软信息学院通讯录(2014-05-26)

辽宁省教育厅关于成立2014―2017年辽宁省普通高等学校经济学类等专业教学指导委员会的通知文章属性•【制定机关】辽宁省教育厅•【公布日期】2014.04.25•【字号】辽教发[2014]55号•【施行日期】2014.04.25•【效力等级】地方规范性文件•【时效性】现行有效•【主题分类】高等教育正文辽宁省教育厅关于成立2014-2017年辽宁省普通高等学校经济学类等专业教学指导委员会的通知（辽教发[2014]55号）省内各普通本科高等学校：为深入贯彻落实党的十八大精神，全面落实国家及省中长期教育改革和发展规划纲要，充分发挥专家学者对高等教育教学改革的研究、咨询、指导作用，进一步引导高校紧密围绕国家和辽宁经济社会发展需要，加强专业内涵建设，创新人才培养机制，提升人才培养质量，根据我省高校本科专业设置情况，经认真研究并广泛征求意见，决定成立2014-2017年辽宁省普通高等学校经济学类、中国语言文学类、新闻传播学类、数学类、物理学类、化学类、生物科学类、能源动力类、交通运输类、安全科学与工程类、管理科学与工程类、公共管理类、物流管理与工程类、工业工程类、电子商务类、旅游管理类、音乐与舞蹈学类、戏剧与影视学类、美术学类、设计学类等专业教学指导委员会（以下简称“教学指导委员会”）。

现就有关事项通知如下：一、教学指导委员会性质教学指导委员会是辽宁省教育厅聘请并领导的专家组织，具有非常设学术机构的性质，接受辽宁省教育厅的委托，开展普通高等学校本科教学的研究、咨询、指导、评估、服务等工作。

二、教学指导委员会主要任务（一）组织和开展本科教学领域的理论与实践研究。

（二）就全省普通高等学校本专业类的专业建设、教学改革、课程建设、教材建设、实验室建设、校内外实践基地建设等工作向省教育厅提出咨询意见和建议。

（三）研究制定本专业类专业人才评价标准及专业综合评价指标体系。

（四）受省教育厅委托，承担专业综合评价及专业设置咨询工作。

……………………….…………………………………………………………………………………姓名：杜宗飞专业：计算机科学与技术学院：数理信息学院学历：本科……………………….…………………………………………………………………………………手机：×××E – mail：×××地址：大连东软信息学院自荐信尊敬的领导：您好！今天我怀着对人生事业的追求，怀着激动的心情向您毛遂自荐，希望您在百忙之中给予我片刻的关注。

我是大连东软信息学院计算机科学与技术专业的2014届毕业生。

大连东软信息学院大学四年的熏陶，让我形成了严谨求学的态度、稳重踏实的作风；同时激烈的竞争让我敢于不断挑战自己，形成了积极向上的人生态度和生活理想。

在大连东软信息学院四年里，我积极参加各种学科竞赛，并获得过多次奖项。

在各占学科竞赛中我养成了求真务实、努力拼搏的精神，并在实践中，加强自己的创新能力和实际操作动手能力。

在大连东软信息学院就读期间，刻苦进取，兢兢业业，每个学期成绩能名列前茅。

特别是在专业必修课都力求达到90分以上。

在平时，自学一些关于本专业相关知识，并在实践中锻炼自己。

在工作上，我担任大连东软信息学院计算机01班班级班长、学习委员、协会部长等职务，从中锻炼自己的社会工作能力。

我的座右铭是“我相信执着不一定能感动上苍，但坚持一定能创出奇迹”！求学的艰辛磨砺出我坚韧的品质，不断的努力造就我扎实的知识，传统的熏陶塑造我朴实的作风，青春的朝气赋予我满怀的激情。

手捧菲薄求职之书，心怀自信诚挚之念，期待贵单位给我一个机会，我会倍加珍惜。

下页是我的个人履历表，期待面谈。

希望贵单位能够接纳我，让我有机会成为你们大家庭当中的一员，我将尽我最大的努力为贵单位发挥应有的水平与才能。

此致 敬礼！自荐人：××× 2014年11月12日唯图设计因为专业，所以精美。

为您的求职锦上添花，Word 版欢迎下载。

教育部职业院校外语类专业教学指导委员会
关于公布“基于大数据的高职英语写作教学创新研究课题”结题结果的
通知
外语教指委 [2017]3号
有关高职高专院校：
根据教育部职业院校外语类专业教学指导委员会（以下简称“外语教指委”）《关于开展“基于大数据的高职英语写作教学创新研究课题”立项工作的通知》（外语教指委[2014]27号）的精神，外语教指委组织专家对申请结题的95项课题进行了终期检查和验收，现同意其中的87项课题结题，4项课题延期结题，4项课题不予结题。

同意结题的87项课题中，13项课题获评优秀课题,具体名单见附件。

希望通过验收的课题进一步深化研究内容，完善研究成果，加强推广应用，实现课题研究成果真正为教育教学服务的目的。

延期结题的课题要根据专家建议加强研究，认真修改，完善课题研究成果。

附件：
1.“基于大数据的高职英语写作教学创新研究课题”结题名单
2.“基于大数据的高职英语写作教学创新研究课题”结题优秀名单
教育部职业院校外语类专业教学指导委员会
2017年7月20日
1。

东软实训学员手册东软IT人才实训中心1前 言欢迎各位学员来到东软集团IT 人才实训中心参加企业实训！东软集团有限公司是中国最大的“软件和服务解决方案提供商”，现有员工18000余人，在IT 行业专业人才以及综合管理人才的培养方面具有多年的积累和丰富的经验。

东软集团先后在沈阳、大连、成都、南京等地建立了分布式软件人才实训基地，即将于上海、广州投资建设新的软件人才实训基地。

凭借其雄厚的技术实力，强大的师资力量，以及对人才培养方面的深刻理解，东软集团IT 人才实训中心致力于培养全面发展的优秀软件人才，在这里您将获得行为能力、技术能力、语言能力和工程能力的全面提升！东软集团本着“以人为本，追求个人与社会共同发展”的理念，为您搭建“学校与企业”的就业桥梁，完成“理论与实践”的完美结合，实现“学生与职员”的角色转换，与您携手打造职业生涯发展的美好理想与光明未来！这本实训手册分为学习篇、成长篇和生活篇。

可以帮助您全面了解实训期间的规章制度、生活服务和综合保障。

真诚地希望您在东软实训能够收获成长和愉悦，感受快乐与充实，希望您能在公司所提供的舒适优越实训环境中，高效学习，充分发挥创造力，追逐卓越的个人素质，不断提升个人的价值和能力！祝您学习愉快、快速成长、完善自我、实现卓越！2目录前 言 (1)学习篇 (3)【实训学员管理章程】 (3)第一章 考勤管理 (3)第二章 环境及信息安全管理 (3)第三章 教学培训与综合保障管理 (4)【附则】 (6)成长篇 (8)【我的实训成长宣言】 (8)【我的实训成长脚印】 (9)【我的实训成长总结】 (12)【实训结业留言板】 (13)生活篇 (14)【园区地图】 (14)【公寓管理】 (15)【餐厅介绍】 (15)【园区交通】 (16)【公司周边公交信息】 (17)【购物信息】 (17)结 语 (18)3学习篇学习在东软、成长在东软！实训期间，公司利用多种教学手段，营造出紧张有序的工作氛围，力求还原企业的实际工作环境，以期达到学员实训的真正目的。

- 38-校园英语 / 高等教育体验式教学法对大学英语教学的启示——以大连东软信息学院为例大连东软信息学院英语系/杜晓萱【摘要】本文以体验式学习理论为基础，提出在大学英语教学过程中采用体验式教学模式，使课堂从传统的教师为中心转变为学生为中心，学生能够从做中学。

实证研究结果表明，通过体验式教学，学生能更加真实体验语言的运用，从而建构自己的英语语言知识体系，并提高英语综合水平和实际应用能力。

【关键词】体验式教学 体验式学习一、引言虽然现阶段我国高度重视大学英语教学，但在传统教学理念、模式和方法的影响下，其中不可避免会出现一些问题，主要反映在以下几个方面：1.缺乏真实性：传统大学英语课堂中的教学环境主要围绕教室内部展开，不能生动、形象、真实地展示英语实际使用的情境，学生很难真切体会到语言的实际运用；2.缺少交互性：根据大学外语教学指导委员会的调查统计，目前国内多数高校的大学英语教学班级人数均在45～50人之间，有的规模甚至更大。

基于这样的班级人数，教师在有限的教学时间内很难做到与每位学生在课堂上开展有效的交互；3.教学手段单一：虽然传统的“一本教科书、一块黑板、一支粉笔”的教学手段已有了多媒体设备作为补充，但在实际授课过程中，多媒体设备仅起到了类似黑板的展示作用，距生动化、形象化、立体化和个性化的目标还有很长的路要走。

鉴于大学英语教学面临的诸多问题，本文从体验式教学角度出发，试图探讨符合时代、社会要求的大学英语教学模式。

二、体验式教学模式1.体验式教学模式的内涵。

体验式教学模式由学科主体即授课内容、教师和学生三部分组成。

在教学过程中，学生是主体，教师是主导，教师以一定理论为指导，激发学生情感，引导学生在实践中学习、检验知识，从而成为真正自由独立、情知合一、实践创新的“完整的人”。

2.体验式教学模式的理论基础。

体验式教学模式的理论基础非常广泛，涉及教育学、心理学和哲学等多个领域。

本文从体验式学习角度对体验式教学模式展开解释。

人脸识别算法在考勤系统的应用①王治强, 孙晓东, 杨　永, 孙　鹏(大连东软信息学院 智能与电子工程学院, 大连 116023)通讯作者: 王治强摘　要: 深度学习与大数据技术的相遇, 促使人脸识别技术在精度上已经达到很高水平, 然而在实际应用场景中, 尤其在复杂背景、移动中以及自然状态下的人脸识别, 还没有达到令人满意的效果. 针对人脸识别在考勤应用中的问题进行算法设计与改进, 提出递归最小窗口算法, 对M:N 多人脸识别场景下人脸跟踪算法进行优化设计, 通过多角度采样提高识别精度和识别鲁棒性, 并在人脸考勤系统中进行应用实现与验证, 取得多人同步3 s 内完成考勤的成绩, 在用户体验上获得了较明显的提升.关键词: 人脸识别; 人脸跟踪; M:N 识别; 多角度人脸识别引用格式: 王治强,孙晓东,杨永,孙鹏.人脸识别算法在考勤系统的应用.计算机系统应用,2021,30(1):89–93. /1003-3254/7755.htmlApplication of Face Recognition Algorithm in Attendance SystemWANG Zhi-Qiang, SUN Xiao-Dong, YANG Yong, SUN Peng(School of Intelligence and Electronic Engineering, Dalian Neusoft University of Information, Dalian 116023, China)Abstract : The encounter between deep learning and big data technology has prompted face recognition technology to achieve a high level of accuracy. However, in actual application scenarios, especially in complex background, moving and natural face recognition, it has not yet achieved people’s satisfactory. Aiming at the problem of face recognition in attendance system, we propose using recursive minimum window algorithm to optimize the design of the face tracking algorithm in the M:N multi-face recognition scenario, and using multi angle sampling to improve the recognition accuracy and robustness. The proposed method is implemented and verified in the face attendance system. Achievement of multi-person synchronization within 3 seconds is achieved, and the user experience has been significantly improved.Key words : face recognition; face tracking; M:N recognition; multi angle face recognition随着深度学习的飞跃发展, 人脸识别技术趋于成熟, 被广泛应用于企业、学校、机构等各种考勤场景.使用人脸识别进行考勤克服了传统IC 卡考勤易忘、易替代的缺陷, 也比指纹考勤更方便卫生, 易被用户所接受[1]. 然而, 现今的人脸识别考勤系统普遍识别速度慢, 在早晚高峰的时候排队考勤成为常事, 并且考勤的时候头部要摆的很端正才可以识别成功, 因此, 用户体验并没有达到令人满意的程度[2].本文针在系统设计上对现今人脸考勤系统存在的速度慢、只能逐人识别不能群识别、需要摆正头部体验不自然等缺陷进行改善, 实现体验自然的人脸识别考勤系统.1 人脸识别算法解析在人脸识别应用中, 涉及到的人脸识别相关算法主要包括人脸检测、人脸跟踪以及人脸匹配3方面[3].由于大数据技术与深度学习的结合, 使得人脸识别在精度和鲁棒性方面得到很大的提高[4], 然而由于人脸的计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2021,30(1):89−93 [doi: 10.15888/ki.csa.007755] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 收稿时间: 2020-06-05; 修改时间: 2020-06-30; 采用时间: 2020-07-10; csa 在线出版时间: 2020-12-31非刚性特点和角度等多种因素的影响, 在实际应用场景中并没有达到令人满意的效果, 尤其是在移动中和人的自然状态下多角度人脸识别还存在诸多难点和挑战[5,6]. 此外, 由于人脸跟踪抓拍算法差异较大, 导致人脸识别算法的运行效率和匹配效果产生了较大差异.有的研究中通过分布式技术, 采用服务器机群解决速度提升[7], 虽然有一定成效, 但成本巨大, 难于推广.本文针对考勤场景中的人脸识别算法进行了多种实验与探索, 最终归结出导致在实际应用场景中效果不佳的最核心的问题主要有两方面: 一是要解决人脸的跟踪, 尤其在M:N模式下的多人脸跟踪问题; 二是多角度人脸的精确匹配问题. 由于人脸精确匹配的运算量极大, 如果对图像进行逐帧的特征提取及匹配运算, 在普通处理器的计算能力下是无法满足的. 另一方面, 运动中人脸的角度变幻莫测, 若采用逐帧匹配, 在角度不佳情况下漏识率会大大提高[8]. 因此, 本文重点关注这两点问题, 优化人脸跟踪算法降低实时图像处理运算量, 同时在跟踪过程中捕捉最佳角度和图片质量的人脸图像, 从而提高精确匹配成功率[9,10].此外, 提出多角度采样的方法提高自然状态下人脸识别通过率. 在人脸识别考勤系统中进行实现和验证, 实验证实这样的解决方案提高了人脸识别的速度与识别通过率.2 人脸识别算法设计2.1 人脸跟踪算法人脸跟踪算法主要有3种: 基于模型匹配的跟踪、基于区域匹配的跟踪和基于特征匹配的跟踪[11].在实际应用中基于特征匹配的方法使用较为广泛, 如Azarbayejani等提出的递归估计算法[12]和清华大学的艾海舟等采用的基于人脸检测的跟踪算法[13]. 但是在多人脸跟踪情况下, 如何降低人脸检测中的负荷以及如何保证后进入摄像机视野的人脸被快速检测仍然是研究的重点.本文的人脸跟踪算法属于特征匹配, 是在递归估计算法思想基础上进行改进, 提出一种递归最小检测窗口的方法(Recursion Minimum Window, RMW)降低人脸检测的负荷, 并进行多线程扩展, 从而实现多人脸同步跟踪. 本文采用的人脸检测算法是的基于模板的方法, 该方法鲁棒性较好, 检测运算量与图像像素大小成正比[14]. RMW方法工作原理就是尽可能缩小人脸检测的范围, 从而提升处理速度. 具体处理方法为, 根据人脸尺寸和运动速度预测目标在下一帧中最大可能的运动范围, 也就是包含目标物体在内的最小图像, 然后基于预测的目标范围裁剪图像, 作为人脸检测算法的输入. 如此便可以在图像输入到人脸检测模块之前极大的裁剪掉无效图像, 提升目标检测的效率和准确性.如图1所示为RMW方法工作原理.原始图像剪裁图像人脸检测RMW 预处理器预测当前帧最小窗口图1 RMW方法原理图W,H W′H′V RσRMW算法对单人脸检测跟踪处理速度提升计算公式如式(1)所示, 为原始图像的宽高, 和为最小预测窗口的宽高, 为人脸移动速度, 为视频图像的帧率, 为常量. 由公示可见, 速度提升倍数约为原始图像面积和人脸边框面积的比值. 即人脸在图像中尺寸越小, 则跟踪速度越快.RMW算法的整体处理流程如图2所示. 首先根据上一帧跟踪状态预测当前帧最小检测窗口, 如果是起始帧则窗口初始化为整幅图像, 然后根据最小窗口剪裁图像, 调用人脸检测算法检测人脸并根据人脸信息更新跟踪状态, 如此循环跟踪直到退出.开始预测当前帧最小检测窗口根据预测窗口剪裁图像对图像进行人脸检测更新人脸跟踪状态退出？否是结束图2 RMW算法处理流程多人脸同步跟踪情况下, 对RMW算法进行多线程设计, 每张人脸使用独立线程跟踪, 多人脸跟踪的处理线程模型如图3所示. 结构上包含全幅人脸检测线程和RMW人脸跟踪线程两部分, 全幅检测线程执行周期较长, 可以间隔多个图像帧执行一次, 为发现新进计算机系统应用2021 年 第 30 卷 第 1 期入摄像机视野的人脸做整幅图像的人脸检测, 一旦检测到新人脸, 则启动RMW 跟踪线程对人脸进行跟踪,RMW 跟踪线程检测目标丢失的时候则退出, 全幅检测线程发现新人脸则继续添加新的跟踪线程, 从而持续维护跟踪列表.全幅人脸检测全幅人脸检测添加跟踪线程添加跟踪线程RMW 人脸跟踪(人脸#n)RMW 人脸跟踪(人脸#m)RMW 人脸跟踪(目标#m)目标丢失跟踪结束图3 多人脸跟踪线程模型从摄像机获取一帧实时图像, 采用RMW 算法预测截取最小检测窗口, 然后调用人脸识别库检测人脸,更新跟踪列表并计算人脸角度、速度、图像质量等状态信息, 通过线程池方式并发执行跟踪处理, 并在一帧检测的开头和结束进行线程同步. 具体一帧图像的检测跟踪的详细流程图如图4所示.一帧跟踪开始一帧跟踪结束多线程实现判断删除条件并删除人脸启动 RMW 线程调用颜行人脸库进行人脸比对确定最相似人脸判断人脸检测数量根据 RMW 算法预测最小窗口从帧图像中截取窗口图像调用颜行人脸库检测人脸根据检测结果更新跟踪列表从摄像头获取图像帧从跟踪列表获取一张人脸的跟踪信息 (尺寸、位置、速度等)图4 RMW 人脸跟踪处理详细流程图2.2 多角度人脸匹配精度优化自然状态下的人脸被摄像机捕捉到的角度与状态存在各种可能, 传统多角度人脸识别算法有很多种, 如线性判别分析(LDA)、主成分分析(PCA)、回归函数法等[15,16]. 然而在实际应用中, 在采集人脸信息环节并不容易实现. 为了让用户体验更加自然, 本文在人脸采集的时候对采集角度做了扩展, 每张脸采集: 正中、偏上、偏下、偏左、偏右5张照片. 在精确匹配的时候根据抓拍人脸的当时状态完成匹配, 同时加上人脸角度的约束条件, 则会使匹配结果更加精确. 人脸采集的图样如图5所示.图5 人脸多角度采集3 人脸考勤应用系统设计3.1 系统功能需求本文所设计的人脸识别考勤系统主要包含如下几方面功能:1) 用户管理功能: 采集用户的人脸信息, 还有对员工信息的增、删、改、查管理功能;2) 人脸识别功能: 采用实时M:N 的方式进行多人脸同步识别, 支持多人同时考勤, 并支持人脸大角度识别, 增强用户体验;3) 考勤管理功能及其他: 包含员工考勤管理、数据统计、考勤设置、考勤语音提示和系统设置功能.3.2 系统软件设计.人脸识别验证功能是本系统的核心功能, 系统使用第三方颜行人脸识别库实现人脸检测与匹配, 软件模块图如图6所示. RMW 人脸跟踪以及人脸匹配的应用算法在人脸跟踪识别模块中实现, 调用颜行Facevall lib 实现人脸检测与匹配. 调用Speech lib 实现语音提示功能.2021 年 第 30 卷 第 1 期计算机系统应用GUI 用户界面人脸考勤管理人脸跟踪匹配模块Camera LibFacevall LibSpeech LibDatabase数据库业务逻辑用户管理考勤记录报表统计系统设置图6 系统软件结构框图4 系统实现4.1 系统硬件实现为满足计算性能要求, 考勤终端硬件设计采用X86架构CPU 为Intel i7-8550u, RAM 为8 GB 的工控机为主控单元, 使用1080P 帧频30 fps 的高清摄像机采集人脸图像, 外接触摸屏等人机交互外设.4.2 系统软件实现软件开发基于Windows C# Visual Studio 开发环境, 依据面向对象设计思想, 采用多线程方式, 实现了用户界面、图像采集、人脸跟踪和检索算法、考勤管理和网络通信等功能. 软件界面基于WPF 窗体设计,采用C#5新特性async await 关键字和lambda 表达式方便地实现多线程异步执行, 提升系统并行效率. 在多线程并发执行方面, 用线程池技术实现多线程并发处理. 数据存储采用MySQL 数据库. 考勤终端与数据库采用C/S 架构, 支持多终端同步运行, 多终端同步考勤.人脸考勤界面采用单独的窗口, 实现效果图如图7所示. 人脸考勤成功后会记录数据库, 保存考勤时人脸照片, 用于考勤记录查询及统计报表功能.图7 人脸考勤界面人脸信息采集窗口如图8所示, 采集上下左右及正中5张人脸照片.5 系统测试针对人脸识别在实际应用中的效果, 从两方面验证算法性能, 一方面是处理每个图像帧的时间效率, 另一方面从实际应用的效果, 即识别通过率进行测试.图8 人脸信息采集界面5.1 图像帧处理效率测试为测试人脸跟踪与识别算法的效率, 对一分钟1800帧视频图像进行识别, 统计平均每帧图像的处理时间. 为检验RMW 人脸跟踪算法性能, 与不使用RMW 算法, 即与每帧图像都全幅检测的普通跟踪算法相对比, 计算RMW 算法在处理效率方面的效果. 测试视频中人脸移动速度较慢, 小于0.5 m/s, 分别在不同人数和距离情况下测试了多组数据.如图9所示, 从测试结果可以看出, RMW 算法大大降低了每帧图像的平均处理时间, 效率提升很明显,为普通算法的两倍以上, 并且人数越少效果越明显. 另外, 从RMW 算法的两组数据可以看出, 人脸距离摄像机的距离对处理时间的影响也很大, 因为距离越远, 人脸所占像素越小, 检索与匹配的计算量也越小.1234同时识别人脸数量普通算法 (1 m)RMW 算法 (1 m)普通算法 (2 m)RMW 算法 (2 m)5678910图9 人脸数与每帧处理时间曲线图5.2 人脸识别通过率测试为检验人脸识别实际应用的通过率, 使用1000人共5千张人脸的人脸检索库, 测试从单人到6人同时考勤效果. 运动状态包括静止、缓慢行走(0.5 m/s)、正常速度行走(1 m/s). 测试结果记录识别时间和漏识次数. 时间记录从距离摄像机3 m 开始计时到识别到人脸后屏幕提示姓名为止的时间.计算机系统应用2021 年 第 30 卷 第 1 期测试结果如图10所示, 静止状态下识别率都达到100%, 人数的增加和移动速度的加快都会降低识别通过率, 平均识别时间会随人数增加而增加. 漏识的主要原因是由于人脸移动速度快的情况下, 还没等到系统捕捉到高质量的图像, 人就已经走过去了, 并且人数越多, 捕捉人脸需要的时间就越长, 从而导致漏识几率增大.1234同步识别人数静止通过率静止识别时间慢行通过率慢行识别时间常速行通过率常速行识别时间56图10 识别通过率和平均识别时间结果图5.3 自然状态下人脸识别测试为测试人脸检索库引入正中和上下左右5张人脸图片的效果, 对缓慢行走状态下人脸识别通过率进行测试, 分别对人脸角度为正中、偏左、偏右、偏上、偏下5种状态进行测试. 测试结果如表1所示.表1 单张采集与多张采集识别通过率对比(单位: %)采集数正中偏上偏下偏左偏右平均单张1007095808586多张100901001009597由测试结果可见, 采集多角度采集的情况与单张采集情况相比, 除了正中角度外, 其余4个角度都有明显提升, 平均通过率提升11%, 可见该方法在实际应用中是切实有效的.6 结论本文在人脸识别考勤系统的设计中引入RMW跟踪算法, 提高了多人脸同步跟踪的效率, 并通过采集正中、上下左右5张人脸照片的方式增强自然状态下人脸识别通过率, 取得了较有成效的实际应用效果. 但在同时考勤人数大于4的时候, 由于处理性能和摄像机图像质量下降的原因, 会导致漏识率明显增高. 然而, 对于一般应用场景, 本文的算法基于现有人脸识别库、普通处理器以及相机条件下, 已经可以达到实际应用需求.如要进一步提高应用效果, 除了继续优化算法, 还可以从提高处理器性能和采用高速相机角度进行解决.参考文献李雄, 文开福, 钟小明, 等. 基于深度学习的人脸识别考勤管理系统开发. 实验室研究与探索, 2019, 38(7): 115–118.[doi: 10.3969/j.issn.1006-7167.2019.07.027]1景晨凯, 宋涛, 庄雷, 等. 基于深度卷积神经网络的人脸识别技术综述. 计算机应用与软件, 2018, 35(1): 223–231.2Kan MN, Wu JT, Shan SG, et al. Domain adaptation for face recognition: Targetize source domain bridged by common subspace. International Journal of Computer Vision, 2014, 109(1): 94–109.3Kim M, Kumar S, Pavlovic V, et al. Face tracking and recognition with visual constraints in real-world videos.Proceedings of 2008 IEEE Conference on Computer Vision and Pattern Recognition. Anchorage, AK, USA. 2008. 1–8. 4Rencher AC, Christensen WF. Methods of Multivariate Analysis. 3rd ed. New York: Wiley, 2012.5Zhao W, Chellappa R, Phillips PJ, et al. Face recognition: A literature survey. ACM Computing Surveys, 2003, 35(4): 399–458. [doi: 10.1145/954339.954342]6王昱, 阎苹, 丁明跃. 一个快速人脸识别系统. 计算机与数字工程, 2004, 32(3): 16–18. [doi: 10.3969/j.issn.1672-9722.2004.03.006]7张涛, 蔡灿辉. 基于多特征Mean Shift的人脸跟踪算法. 电子与信息学报, 2009, 31(8): 1816–1820.8Zheng YY, Yao J. Multi-angle face detection based on DP-Adaboost. International Journal of Automation and Computing, 2015, 12(4): 421–431. [doi: 10.1007/s11633-014-0872-8]9高修峰, 张培仁, 李子青. 人脸图像质量评估标准. 小型微型计算机系统, 2009, 30(1): 95–99.10伊昭荣, 郑豪, 岳国宾. 人脸跟踪技术综述. 福建电脑, 2012, 28(11): 7–9, 15. [doi: 10.3969/j.issn.1673-2782.2012.11.005]11Azarbayejani A, Horowitz B, Pentland A. Recursive estimation of structure and motion using relative orientation constraints. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. New York, CA, USA. 1993.294–299.12梁路宏, 艾海舟. 基于人脸检测的人脸跟踪算法. 计算机工程与应用, 2001, 37(17): 42–45. [doi: 10.3321/j.issn:1002-8331.2001.17.016]13梁路宏, 艾海舟, 何克忠, 等. 基于多关联模板匹配的人脸检测. 软件学报, 2001, 12(1): 94–102.14林宇生, 王建国, 杨静宇. 一种对角LDA算法及其在人脸识别上的应用. 中国图象图形学报, 2008, 13(4): 686–690.[doi: 10.11834/jig.20080415]15李春明, 李玉山, 张大朴, 等. 多角度不同表情下的人脸识别. 计算机科学, 2006, 33(2): 223–224, 229. [doi: 10.3969/j.issn.1002-137X.2006.02.063]162021 年 第 30 卷 第 1 期计算机系统应用。