【正文】 元的取值不難確定，對(duì)樣品而言，隱單元 j 的輸入是 skpk jksj Iwh ??? 1 相應(yīng)的輸出狀態(tài)是 ? ? ?????????? ?? skpk jksjsj IwhH 1?? 由此，輸出單元 i 所接收到的迭加信號(hào)是 ? ?? ? ?? ?????????? 20 1 120 1 j pk skjkijj sjijsi IwwHwh ? 網(wǎng)絡(luò)的最終輸出是 ? ? ???????? ??????????????????? ? ??? ??201 1201 jpkskjkijjsjijsisi IwwHwhO ???? 程序系統(tǒng)流程圖 參考文獻(xiàn)： [1]. 章毓晉 .圖像工程（下）：圖像理解與計(jì)算機(jī)視覺 [M].北京 .清華大學(xué)出版社。 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖 BP算法流程圖 為解決上 述問題，考慮一個(gè)其結(jié)構(gòu)如下圖所示的人工神經(jīng)網(wǎng)絡(luò)，激活函數(shù)由 ? ? ? ?vv _e xp1 1 ?? ??? 決定。 計(jì)算特征值 ? ?mjj ,2,1, ??? 的信息貢獻(xiàn)率和累積貢獻(xiàn)率，稱 ??? mk kjjb1?? ? ?mj ,2,1 ?? 為主成分 iy 的信息貢獻(xiàn)率，稱 ?????mkkpkkpd11?? 為主成分 pyyy , 21 ? 的累積貢獻(xiàn)率。后一狀態(tài)出現(xiàn)的概率取決于其以前出現(xiàn)過的狀態(tài)次序。但該方法需要大量的存儲(chǔ)空間，并且訓(xùn)練速度慢。在進(jìn)行匹配的時(shí)候，先尋找與輸入圖像的最相似的模型圖，再對(duì)圖中的每個(gè)節(jié)點(diǎn)位置進(jìn)行最佳匹配。提取特征時(shí)往往要用到人臉結(jié)構(gòu)的一些先驗(yàn)知識(shí)。即當(dāng)輸入的人臉模式向量有微小變化時(shí)，其對(duì)應(yīng)的主分量特征變化將小于輸入模式的變化。它根據(jù)圖像的統(tǒng)計(jì)特征進(jìn)行正交變換 (即 KL 變換 )，以消除原有向量各個(gè)分量之間的相關(guān)性。而在邊緣附近，灰度值有明顯的跳變，這么做的結(jié)果使得該點(diǎn)的灰度值很大，這樣就出現(xiàn)了 上面的結(jié)果。而在區(qū)域劃分中，是把圖像分割成特征相同的區(qū)域，區(qū)域之間的 邊界就是邊緣。 by = abs(filter2(y_mask,a))。% both 然后我們來計(jì)算梯度圖像，我們知道邊緣點(diǎn)其實(shí)就是圖像中灰度跳變劇烈的點(diǎn)，所以先計(jì)算梯度圖像，然后將梯度圖像中較亮的那一部分提取出來就是簡單的邊緣部分。 Sobel邊緣檢測(cè) Soble邊緣檢測(cè)算法比較簡，實(shí)際應(yīng)用中效率比 canny邊緣檢測(cè)效率要高，但是邊緣不如 Canny檢測(cè)的準(zhǔn)確，但是很多實(shí)際應(yīng)用的 場(chǎng)合， sobel邊緣卻是首選，尤其是對(duì)效率要求較高，而對(duì)細(xì)紋理不太關(guān)心的時(shí)候。 邊緣檢測(cè)算子 算子階數(shù) 算子類型 一階 Roberts Cross算子， Prewitt算子， Sobel算子， Kirsch算子，羅盤算子 二階 MarrHildreth，在梯度方向的二階導(dǎo)數(shù)過零點(diǎn)， Canny 算子， Laplacian算子 Canny算子 (或者這個(gè)算子的變體 )是最常用的邊緣檢測(cè)方法。 閾值確定 一旦我們計(jì)算出導(dǎo)數(shù)之后，下一步要做的就是給出一個(gè)閾值來確定哪里是邊緣位置。最簡單的邊緣檢測(cè)判據(jù)是梯度 幅值 閾值判據(jù)。這樣如果圖像中有 邊線 出現(xiàn)的話我們就能在亮度梯度上看到非常大的變化。 計(jì)算一階導(dǎo)數(shù) 許多邊緣檢測(cè)操作都是基于亮度的一階 導(dǎo)數(shù) 這樣就得到了原始數(shù)據(jù)亮度的梯度。實(shí)際上，這也是為什么邊緣檢測(cè)不是一個(gè)微不足道問題的原因之一。 一個(gè)典型的邊界可能是，例如 一塊紅色和一塊黃色之間的邊界，與此相反的是 邊線 可能是在另外一種不變的背景上的少數(shù)不同顏色的點(diǎn)。濾波沖擊響應(yīng)函數(shù)? ?yxH , 的卷積表達(dá)式為： ? ? ? ? ? ?? ? ????? x y yvxuHyxfvug 1,1, 其中 ? ?yxf , 為圖像 圖 24 平滑濾波效果 a)加入噪聲的圖像 b)濾波后的圖像 圖 25 銳化濾波效果圖 a)原灰度圖像 b)銳化后的圖像 邊緣檢測(cè) 邊緣檢測(cè)的定義 邊緣檢測(cè)是圖像處理和 計(jì)算機(jī)視覺 中的基本問題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)，它大幅度地減少了數(shù)據(jù)量并去除了認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。二維中值濾波輸出數(shù)學(xué)表達(dá)式為 ? ? ? ? ? ?? ?Wlklykxfm e dyxg ???? , ，其中， ? ?yxf , ， ? ?yxg , 分別為原始圖像以及處理后圖像， W為二維模板 。例如若窗口長度為 5，窗口中像素的灰度值為 70、 60、 2 1 150，則中值為120，原來窗口正中的灰度值是 220，現(xiàn)在變成了 120。最常用的平滑方法有中值法、 K 近 鄰平均法和局部求平均法。 這種方法的一個(gè)缺點(diǎn)是它對(duì)處理的數(shù)據(jù)不加選擇，具體增強(qiáng)效果不易控制，它可能會(huì)增加背景雜訊的對(duì)比度并且降低 有用信號(hào)的對(duì)比度；變換后圖像的灰度級(jí)減少，某些細(xì) 節(jié)消失，處理的結(jié)果總是得到全局均衡化的直方圖；某些圖像，如直方圖有高峰，經(jīng)處理后對(duì)比度不自然的過分增強(qiáng)。 在每個(gè)灰度級(jí)上都具有相同的象素點(diǎn)數(shù)的過程，為了使圖像在整個(gè)灰度值動(dòng)態(tài)變化范圍內(nèi)分布均勻化，使直方圖趨于平衡，改善圖像的亮度分布狀態(tài)。 ?；诳沼虻乃惴ǚ譃辄c(diǎn)運(yùn)算算法和鄰域去噪算法。例如，消除照片中的劃痕， 改善光照不均勻的圖像，突出目標(biāo)的邊緣等。預(yù)處理是人臉識(shí)別過程中一個(gè)重要環(huán)節(jié)，其主要目的是 消除圖像中的冗余信息，濾除干擾、噪聲，增強(qiáng)有關(guān)信息的 可檢測(cè)性，從而提高識(shí)別的可靠性。預(yù)處理過程大體有 數(shù)字化 、幾何變換、歸一化、平滑、復(fù)原和增強(qiáng)等幾個(gè)步驟。 線段 Hausdorff 距離 (LHD) LHD是基于從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個(gè)線段集之間的距離，與眾不同的是， LHD并不建立不同線段集之間線段的一一對(duì)應(yīng)關(guān)系，因此它更能適應(yīng)線段圖之間的微小變化。高維的圖像空間經(jīng)過 KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。 人臉處理：為了能夠在大量的數(shù)據(jù)中高速并準(zhǔn)確的尋找到有用的信息，往往需要對(duì)圖像提供的信息進(jìn)行處理，即不改變?cè)匈|(zhì)量的情況下降低輸入數(shù)據(jù)。對(duì)于高清晰度的人臉識(shí)別，機(jī)器識(shí)別的準(zhǔn)確率幾乎為百分之百。 斷增加。 中科院計(jì)算所與成都銀晨網(wǎng)訊與 2021年 5月聯(lián)合創(chuàng)立了國內(nèi)首家專門從事面像識(shí)別核心技術(shù)研究與開發(fā)的實(shí)驗(yàn)室。在此期間，人臉識(shí)別的方法開始出現(xiàn)了多 樣化。追溯到 20 世紀(jì) 50 年代，而當(dāng)時(shí)的人們主要把它應(yīng)用到社會(huì)心理學(xué)的領(lǐng)域。 雖然到目前為止現(xiàn)在的市場(chǎng)上已經(jīng)有了形形色色的人臉識(shí)別系統(tǒng)的產(chǎn)品，關(guān)于人臉識(shí)別的研究也取得了一定的成果。 信息安全。中國的電子護(hù)照計(jì)劃公安部一所正在加緊規(guī)劃和實(shí)施。美國維薩格公司的臉像識(shí)別技術(shù)在美國的兩家機(jī)場(chǎng)大顯神通，它能在擁擠的人群中挑出某一張面孔，判斷他是不是通緝犯。因此，通過計(jì)算機(jī)對(duì)人臉進(jìn)行自動(dòng)識(shí)別成為了計(jì)算機(jī)視覺領(lǐng)域中的重要課題。人臉識(shí)別的過程只需要一個(gè)攝像頭，攝像機(jī)或手機(jī)也可以。個(gè)人的識(shí)別已經(jīng)不僅僅局限于姓名，身份證號(hào)等文字識(shí)別上，生物特征識(shí)別技術(shù)在近幾十年得到了快速發(fā)展。因其具有這些特點(diǎn)，使它成為了計(jì)算機(jī)模式識(shí)別，人工智能識(shí)別的寵兒。本文先采用圖像預(yù)處理得到統(tǒng)一化的灰度圖像后，進(jìn)行主成分分析，然后采用的事 BP神經(jīng)網(wǎng)絡(luò)通過進(jìn)行訓(xùn)練對(duì)人臉進(jìn)行識(shí)別，達(dá)到身份證件照識(shí)別的效果?，F(xiàn)在比較常見的識(shí)別技術(shù)有虹膜識(shí) 別，指紋識(shí)別，靜脈識(shí)別，人臉識(shí)別等。整個(gè)識(shí)別過程全部都是由計(jì)算機(jī)自動(dòng)完成，效率得到了極大的提升。在學(xué)術(shù)研究領(lǐng)域上，它同模式識(shí)別，計(jì)算機(jī)視覺，生理學(xué)心理學(xué)及人工智能等方面的交叉可以促進(jìn)發(fā)展。如人臉識(shí)別門禁考勤 系統(tǒng)，人臉識(shí)別防盜門等。如利用人臉識(shí)別系統(tǒng)和網(wǎng)絡(luò)，在全國范圍內(nèi)搜捕逃犯。在電子商務(wù)中交易全部在網(wǎng)上完成，電子政務(wù)中的很多審批流程也都搬到了網(wǎng)上。 表 人臉識(shí)別過程中遇到的常見的問題 人臉是我們進(jìn)行感情的表達(dá)和交流，同時(shí)也可以傳遞信息。當(dāng)時(shí)主要運(yùn)用的是典型的模式識(shí)別。 國內(nèi)關(guān)于人臉自動(dòng)識(shí)別的研究始于二十世紀(jì) 80年代，有了許多科研場(chǎng)所的理論，見表：中科院計(jì)算所，中科院自動(dòng)化所，復(fù)旦大學(xué)等，并都取得了一定的成果 .國內(nèi)的研究工作主要是集中在三大類方法的研究：基于幾何特征的人臉正面自姿態(tài)變化 人臉的傾斜，人臉朝向 人臉表情 喜 怒 哀 樂 甚至心情也會(huì)對(duì)面部圖像產(chǎn)生影響 年齡跨度 年齡的增長伴隨的皺紋等 成像條件 光照強(qiáng)度 攝像距離 拍攝方向及角度 裝飾 眼鏡 帽子或者項(xiàng)鏈的佩戴與否 遮擋 圖像采集過程中外部物體產(chǎn)生遮擋 動(dòng)識(shí)別方法、基于代數(shù)特征的人臉正面自動(dòng)識(shí)別方法和基于連接機(jī)制的人臉正面自動(dòng)識(shí)別方法。尤其關(guān)注復(fù)雜環(huán)境下（光照、姿態(tài)、表情、老化等）的人臉識(shí)別問題。 。更多的學(xué)者則從事利用輸入圖像進(jìn)行計(jì)算機(jī)人臉識(shí)別的研究工作。如果大于閾值，則是同一人，如果小于閾值就認(rèn)為不是同一人。目前有一些改進(jìn)型的特征臉方法。通常的實(shí)驗(yàn)結(jié)果表明 SVM有 較好的識(shí)別率，但是它需要大量的訓(xùn)練樣本（每類 300個(gè)），這在實(shí)際應(yīng)用中往往是不現(xiàn)實(shí)的。為了讓數(shù)字圖像可以重建本來的圖像 ,對(duì) M 、 N 和 b 值的大小就有規(guī)定的限制。而灰度圖像在保存基本特征的基礎(chǔ)上減少了信息的總量，便于計(jì)算 .RGB圖像就是彩色 M *N *3的數(shù)組， RGB即是代表紅、綠、藍(lán)三個(gè)通道的顏色，也就是圖像的三原色，這個(gè)標(biāo)準(zhǔn)幾乎包括了人類視力所能感知的所有顏色，是目前運(yùn)用最廣的 顏色系統(tǒng) 之一。采用低通濾波 (即只允許低頻信號(hào)通過 )法，能夠去除圖中的噪聲 。平滑一般用于消除圖像噪聲，但是也容易引起邊緣的模糊。直方圖均衡化是通過使用累積函數(shù)對(duì)灰度值進(jìn)行“調(diào)整”來完成對(duì)比度的增強(qiáng)。 直方圖均衡化算法分為三步 第一步是對(duì)給定的待處理圖像統(tǒng)計(jì)直方圖每個(gè)灰度級(jí)出現(xiàn)的次數(shù)，求出 ??rPr 第二步是累計(jì)歸一化的直方圖，根據(jù)得出的直方圖采用累積分布函數(shù)做變換，求出新的灰度? ? ? ???? rPrTS rkk 第三步是用新灰度值取代舊的灰度值，計(jì) 算新的像素值求出 ??sPs ，同時(shí)把灰度值相等或近似的合并 由圖 ，原圖像灰度值集中對(duì)比效果較差，經(jīng)過處理過后的圖像直方圖方位擴(kuò)大，分布稀疏部分壓縮，密集部分拉伸，突出細(xì)節(jié)，使對(duì)比增強(qiáng)，達(dá)到預(yù)期效果。 灰度拉伸的兩個(gè)基本操作 ⑴ 直方圖統(tǒng)計(jì)，對(duì)給定的待處理圖像做直方圖統(tǒng)計(jì)，來確定對(duì)圖像進(jìn)行灰度拉伸的兩個(gè)拐點(diǎn)； ⑵ 灰度變換， 利用步驟⑴確定的拐點(diǎn)，分段線性變換函數(shù)進(jìn)行像素灰度值的映射。它是基于圖像的這樣一種特性：圖像像素較多，面積較大的小塊構(gòu)成，噪聲通常以對(duì)應(yīng)的像素?cái)?shù)較少的孤立點(diǎn)的形式存在。因此中值濾波方法能出去大的噪聲點(diǎn)，但是將噪聲點(diǎn)帶入非噪聲區(qū)進(jìn)行計(jì)算會(huì)損失圖像質(zhì)量。因?yàn)樵谶@一處理過程中，讓低頻信號(hào)全部通過，所以稱為低通濾波。 簡介 圖像邊緣檢測(cè)，有許多方法用于邊緣檢測(cè)，它們的絕大部分可以劃分為兩類 :基于查找一類和基于 零穿越的一類。然而，在最近幾年，不明顯依賴于邊緣檢測(cè)作為預(yù)處理的 計(jì)算機(jī)視覺 處理方法研究取得了一些實(shí)質(zhì)性的研究成果。 基于零交叉的方法找到由圖像得到的 二階導(dǎo)數(shù) 的零交叉點(diǎn)來定位邊緣。 計(jì)算二階導(dǎo)數(shù) 其它一些邊緣檢測(cè)操作是基于亮度的 二階導(dǎo)數(shù) 。需要指出，大多數(shù)濾波器在降低噪聲的同時(shí)也導(dǎo)致了邊緣強(qiáng)度的損失，因此，增強(qiáng)邊緣和降低噪聲之間需要折中。這是因?yàn)榇蠖鄶?shù)場(chǎng)合下，僅僅需要邊緣檢測(cè)器指出邊緣出現(xiàn)在圖像某一像素點(diǎn)的附近， 而沒有必要指出邊緣的精確位置或方向。一個(gè)常用的這種方法是帶有滯后作用的閾值選擇。另外 Canny 引入了非最大抑制概念，它是說邊緣定義為在梯度方向具有最大梯度值的點(diǎn) 在一個(gè)離散矩陣中，非最大抑制階梯能夠通過一種方法來實(shí)現(xiàn)，首先預(yù)測(cè)一階導(dǎo)數(shù)方向、然后把它近似到 45度的倍數(shù)、最后在 預(yù)測(cè)的梯度方向比較梯度幅度。ky=1。0 0 0。 邊緣檢測(cè) 所謂邊緣是指其周圍像素灰度急劇變化的那些象素的集合，它是圖像最基本的特征。另一種為屋頂狀邊緣，邊緣處于灰度值由小到大再到小的變化轉(zhuǎn)折點(diǎn)處。模板 是水平方向的，而上面那幅圖象的邊緣恰好是垂直方向的，使用模板 就可以將它檢測(cè)出來。這樣，就產(chǎn)生了一個(gè)由“特征臉”矢量張成的子空間，稱為“人臉子空間”或“特征子空間”，每一幅人 臉圖像向其投影都可以獲得一組坐標(biāo)系數(shù)，這組坐標(biāo)系數(shù)表明了人臉在子空間中的位置，因此利用特征臉方法可以重建和識(shí)別人臉。 為了克服這些缺點(diǎn)，研究人員提出了許多改進(jìn)方案，如 Bartlett 等采用獨(dú)立分量分析的方法識(shí)別人臉；將特征臉與線性判別函數(shù)相結(jié)合的 Fisher 臉方法 等。但這種方法存在如下問題：對(duì)強(qiáng)烈的表情變化和姿態(tài)變化的魯棒性較 差；從圖像中抽取穩(wěn)定的特征比較困難，特別是特征受到遮擋時(shí)。彈性模板的方法考慮了人臉的特征和非剛性，因此該方法的識(shí)別率較高，但是計(jì)算量非常大識(shí)別速度慢。在 HMM 中，節(jié)點(diǎn)表示狀態(tài)，有向邊表示狀態(tài)之間的轉(zhuǎn)移，一個(gè)狀態(tài)可以具有特征空間中的任意特征，對(duì)同一特征，不同狀態(tài)表現(xiàn)出這一特征的概率不同。 四 神經(jīng)網(wǎng)絡(luò)識(shí)別 人眼定位 主成分分析