1、“.....为了加快网络训练的收敛速度，可对输入矢量做标准化处理，并给个连接权适当的赋予初值。网络的隐层可以认为是输入层和隐层之间的连接权值的自组织化对输入模式进行特征抽取，并将抽取出的特征传递给输出层，关于隐层的神经元数的选取尚无理论上的指导。般地，隐层的神经元数大，网络的冗余性大，增加了网络次训练的训练时间，尽管使网络收敛的训练次数会减少，但会降低分类器的推广能力。为了保证分类器的稳定性，显然网络未知连接权值的个数不宜超过训练样本值的个数，所以隐层的神经元数应该满足下要求人脸识别网络输出层的神经元数取为人脸类别数，而通过特征压缩网络输入层的神经元数也是取为人脸类别数，这样可按下式选取隐层的神经元数。即网络隐层的神经元数是取为训练样本数的半。由于常采用的激励函数的曲线两端平坦，中间部分变化剧烈，为了提高网络的收敛速度对网络输入矢量的每个分量化为均值为，方差为的标准形式。般认为连接权值初值可在区间，内随机选取。对人脸校准图像用类间相关矩阵作为变换的产生矩阵，可抽取出维的识别特征......”。

2、“.....每训练个样本，修正次连接权值。训练好网络后，就可用它对新输入的人脸进行识别。本章小结本章主要介绍了人脸识别的些方法以及人脸识别和生物特征识别的区别，主要的人脸识别方法有几何特征的人脸识别基于特征脸的人脸识别方法神经网络的的人脸识别弹性匹配的人脸识别方法线段距离的人脸识别方法和支持向量机的人脸识别方法。本文主要用基于神经网络的人脸识别方法进行人脸识别。人脸检测核心算法人脸检测算法在人脸识别中的作用人脸检测是人脸识别中的项关键技术，人脸检测是指判定任意给定幅图像或者组图像序列中是否存在人脸。如果存在，则返回其位置和各个人脸所占的区域。在输入图像中确定所有的人脸存在的位置，大小，位姿的过程。是自动人脸识别系统的个关键环节。人脸检测最初是随着人脸识别的研究而提出的,但随着计算机视觉技术的发展,人脸检测受到越来越高的重视而作为个独立的课题提出。人脸检测长期以来受检测的精度和检测的速度困扰,直到上世纪年代,由提出的基于算法极大地提高了人脸检测地速度的和精度......”。

3、“.....人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流进行检测，首先判断其是否存在人脸,如果存在人脸，则进步的给出每个脸的位置大小和各个主要面部器官的位置信息。并依据这些信息，进步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。人脸检测算法人脸检测的算法有很多。是基于模版匹配的算法，其核心思想是利用人的脸部特征规律建立个立体可调的模型框架，在定位出人的脸部位置后用模型框架定位和调整人的脸部特征定位，解决人脸识别过程中的观察角度遮挡和表情变化等影响因素。二是主成份分析，它具有描述性强计算代价小易实现等特点。三是主成份分析法，该方法随着样本的增加需要不断的舍弃些以维持子空间维数不变，因而该方法精度稍差。四是算法，该算法是目前检测最为成功的算法之，检测速度快。下节将详细介绍这算法。算法和于年将算法应用于人脸检测中,其基本思想是针对不同的训练集训练同个分类器弱分类器，然后把这些不同训练集上的得到的分类器联合起来......”。

4、“.....进入人脸检测界面点击摄像键拍照保存特征提取对比识别退出系统的功能界面系统的主界面。系统的主界面主要有四个按钮组成。点击第个就可以人脸识别与检测的进程了。点击第二个进入人脸库管理界面，实现对人脸库的添加删除等操作。第三个按钮和第四个按钮的功能分别是进行日志管理和退出系统。如图所示。图系统主界面人脸库界面。在人脸库管理界面，可以添加删除修改人员信息的操作，也可以自动或者手动提取人脸特征，以及进行人脸训练。具体功能界面如下所示。图人脸库界面检测与标注界面。系统功能包括人脸检测特征标注特征提取人脸识别四个部分。启动系统后进入人脸检测界面，点击摄像键后进入如下界面进行人脸区域检测图像预处理特征标注特征提取等步骤。特征提取与人脸识别在特征标注完成后进行的，而且是自动的无需手动。图检测与标注界面在启动系统后可以手动载入指定图像，也可以由摄像头自动载入图像。首先检测图片中是否有人脸存在用到了算法，如果没有那么就提示用户手动输入或者是否等待摄像头读入。接着对图像进行预处理比如灰度化等......”。

5、“.....最后就可以进行边缘提取和特征标注了。实验结果及分析本文采用算法来实现对人脸的检测，其重点在于对弱分类器的选取。所以在前期训练的时候，训练样本集的选取就显得很重要。本文使用样本库，它有人脸样本张，非人脸图片张。此样本库中，各样本尺寸相同，只将正面正向无遮挡的人脸图片归入人脸图片训练集。用本库训练出来的强分类器只对此类图片敏感。由于特征数量过于巨大，所以在训练的时间空间成本都非常巨大。必须进行优化。为了提高训练速度只能减少特征数量，可以在特征生成阶段，人为地提出剔除，或者在训练阶段动态的减少。效果如下所示。图检测结果该图总数漏检错检本章小结本章介绍人脸识别系统原型的实现，共划分为六个模块图像获取模块图像预处理模块人脸区域获取模块人脸定位模块特征提取模块和识别模块。接着介绍原型系统的实现，首先启动系统进入人脸检测界面，点击摄像键摄像并保存，对图像预处理检测有无人脸，对人脸进行定位并标出关键部位，提取特征与数据库中的特征进行对比识别身份......”。

6、“.....主要介绍了人脸识别的方法人脸检测的常见算法。最后，采用了算法实现了基于的人脸检测系统。人脸检测在国防军事防火防盗制度考勤身份识别等方面有着重要的应用。但是该技术仍然不够成熟，在思想和算法上面还需要不断的改进，以提高识别的准确率。随着对人脸识别技术的不断深入研究，我相信人脸识别技术在不久的将来定能够得到更广泛的应用。本次毕设我收获很大，喜不胜收，希望今后能够学习相关知识，更加深入的学习几种编程语言，多做实际项目，将理论用于实践，以便提高自己的综合素质。参考文献周德华,毛敏峰,徐浩种多人脸跟踪算法的研究与实现，电视技术王伟张佑生方芳人脸检测与识别技术综述,高建坡，王煜坚，杨浩等种基于变换的椭圆模型肤色检测方法电子与信息学报李刚，高政人脸自动识别方法综述计算机应用研究,高建坡，王煜坚，杨浩等种基于变换的椭圆模型肤色检测方法电子与信息学报高建坡视频序列中的人脸检测与跟踪算法研究东南大学博士学位论文，基于五官特征定位的人脸识别技术在防盗门中的应用中国海洋大学张翠平......”。

7、“.....开始时，每个样本对应的权重是相同的，对于分类的样本，加大其对应的权重而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到个新的样本分布。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器。依次类推，经过次循环，得到个弱分类器，把这个弱分类器按定的权重叠加起来，得到最终想要的强分类器。每个特征对应看个弱分类器，但并不是任何个特征都能较好的描述人脸灰度分布的特点，如何从大量的特征中挑选出最优的特征并制作成分类器用于人脸检测，这是算法训练过程所要解决的关键问题。训练系统总体框架，由训练部分和补充部分构成。依据系统框架，如图，本文的训练系统可分为以下几个模块以样本集为输入，在给定的矩形特征原型下，计算并获得矩形特征集以特征集为输入，根据给定的弱学习算法，确定闽值，将特征与弱分类器对应，获得弱分类器集以弱分类器集为输入，在训练检出率和误判率限制下，使用算法......”。

8、“.....将其组合为级联分类器以非人脸图片集为输入，组合强分类器为临时的级联分类器，筛选并补充非人脸样本。图训练系统框架训练过程分为个步骤首先需要提取特征然后将特征转化成对应的弱分类器最后从大量的弱分类器中迭代选择出最优弱分类器。提取特征确定阀值，由矩形特征生成对应的弱分类器矩形特征原型非人脸样本集强分类器集非人脸图片集计算样本积分图补充非人脸样本若分类器集挑选最优弱分类器，调用算法训练强分类器特征集人脸样本集计算矩形特征值训练部分补充部分图常用的四中特征常用的特征有种，如图所示。当然也可以在这种特征的基础上设计出更多更复杂的特征，上述种特征的总个数超过了个。这样庞大的数字给后续的迭代训练工作带来了庞大的计算量，直接导致算法训练过程极为费时，这恰恰是算法需要改进的关键问题之。生成弱分类器每个特征都对应着个弱分类器，每个弱分类器都是根据它所对应的特征的参数来定义的。利用上述特征的位置信息，对训练样本进行统计就可以得到对应的特征参数......”。

9、“.....包括决策树，神经网络，隐马尔科夫模型，如果弱分类器是线性神经网络，那么算法每次将构造多层感知器的个节点。采用算法选取优化的弱分类器。算法训练过程就是挑选最优弱分类器，并赋予权重的过程。本章小结本章主要讲了人脸识别常见算法以及人脸识别算法的原理，有二维人脸识别算法和三维人脸识别算法。二维人脸识别算法有基于模版匹配的方法基于奇异值特征方法子空间分析法主成分分析法积分图像特征法。算法应用于人脸检测中,其基本思想是针对不同的训练集训练同个分类器，然后把这些不同训练集上的得到的分类器联合起来，构成个最终的强分类器。原型系统实现系统模块划分该系统共分为六个功能模块图像获取模块。该模块主要是从摄像头捕捉到的或者用户设定的路径获取图片，随后能够在用户的软件的界面当中显示出来。图像预处理模块。图像预处理就是对获取的图像进行适当的处理，使得无用信息被剔除，有用信息被保存并增强效果。人脸区域获取。该模块主要是从获得的图像中检测发现是否有人脸的存在并将人脸区域用绿色圆圈圈出来。人脸定位模块......”。