【正文】 ,一個(gè)人要成為一名高效能人士,但卻常常被一些小事搞得垂頭喪氣,整天心情不快,精神憂悶緊張。保持身體健康充沛的體力和精力是成就偉大事業(yè)的先決條件。合理應(yīng)對(duì)壓力身體是革命的本錢，狀態(tài)是成功的基礎(chǔ)。一個(gè)缺乏準(zhǔn)備的員工一定是一個(gè)差錯(cuò)不斷的人，縱然有超強(qiáng)的能力，千載難逢的機(jī)會(huì)，也不能保證獲得成功。”法國(guó)大作家雨果也說(shuō)：“語(yǔ)言就是力量。如果你約束自我，實(shí)現(xiàn)了自己制定的計(jì)劃，你就一定會(huì)成為一個(gè)卓有成效的高效能人士。不被瑣務(wù)纏身高效能人士不會(huì)被太多的瑣務(wù)纏身。一個(gè)人的某一品質(zhì)被認(rèn)為是好的，他就被一種積極的光環(huán)所籠罩，從而也被賦予其他好的品質(zhì)；如果一個(gè)人的某一品質(zhì)被認(rèn)為是壞的，他就被一種消極的光環(huán)所籠罩，并被賦予其他不好的品質(zhì)。一個(gè)滿足于現(xiàn)狀、不思進(jìn)取的人永遠(yuǎn)也無(wú)法成為一名高效能人士。這種平常心，對(duì)于一名高效能人士來(lái)講，是十分重要的。到困難找方法一個(gè)高效能人士，是最重視找方法的人。制訂卻實(shí)可行的計(jì)劃許多成功人士的成功經(jīng)驗(yàn)告訴我們，認(rèn)真的做一份計(jì)劃不但不會(huì)約束我們，還可以讓我們的工作做得更好。重完善自己的人際關(guān)系網(wǎng)人際能力在一個(gè)人的成功中扮演著重要的角色。做到上下逢源，正確處理“對(duì)上溝通”，與同事保持良好的互動(dòng)交流是我們提高工作效能的一個(gè)關(guān)鍵。釋放自己的憂慮孤獨(dú)和憂慮是現(xiàn)代人的通病?！逼溆靡庖彩且覀冃≌h多聽(tīng)。責(zé)任重于一切著名管理大師德魯克認(rèn)為,你首先表明的是你的工作態(tài)度:你要以高度的責(zé)任感對(duì)待你的工作,不懈怠你的工作、。如果你要成為一名高效能的職場(chǎng)人士，就應(yīng)當(dāng)養(yǎng)成善于借助他人力量的好習(xí)慣。這樣的時(shí)間往往被人們毫不在乎地忽略過(guò)去，零碎時(shí)間雖短，但倘若一日、一月、一年地不斷積累起來(lái)，其總和將是相當(dāng)可觀的。一名高效能人士不會(huì)到處為自己找借口，開(kāi)脫責(zé)任；相反，無(wú)倫出現(xiàn)什么情況，他都會(huì)自覺(jué)主動(dòng)地將自己的任務(wù)執(zhí)行到底。如果一個(gè)人沒(méi)有重點(diǎn)地思考，就等于無(wú)主要目標(biāo)，做事的效率必然會(huì)十分低下。最后感謝實(shí)驗(yàn)室的于海龍，蔡德全，尹映輝，李昱和王海珍，是他們?cè)诎倜χ谐槌鰰r(shí)間，盡可能的給我最大幫助，使我的論文進(jìn)展非常順利。在將來(lái)的工作中可以針對(duì)人臉的不同區(qū)域選擇特征提取方法，分清主次，將會(huì)有一個(gè)比較好的效果。造成識(shí)別率較低的原因可能有：本次實(shí)驗(yàn)對(duì)所有圖像采用的是同一種邊緣檢測(cè)算子，固定的閾值不能適合所有的圖像，提取的邊界不理想，可能會(huì)出現(xiàn)漏檢，誤檢等情況，這些都會(huì)影響到后面的特征提取以及識(shí)別；其次是噪聲的干擾也會(huì)引起識(shí)別率下降。這里取D0=,n=1. 原圖和低通濾波結(jié)果由圖中可見(jiàn)，圖像經(jīng)過(guò)低通濾波后變得模糊，這是因?yàn)闉V除了圖像突變較大的邊緣部分。 結(jié)果分析 基于PCA的人臉識(shí)別本文的工作是基于1M內(nèi)存，120G硬盤(pán)的DELL筆記本上進(jìn)行的，采用MATLAB R2008a[23]軟件。其余的48張圖像作為測(cè)試圖像。傳統(tǒng)特征臉?lè)椒?，特征值大的特征向量（即特征臉）不一定是分類性能最好的方向。去除了模式之間的相關(guān)性。因此，已經(jīng)成為繼續(xù)探索新的人臉識(shí)別方法的一個(gè)基石。高復(fù)雜度的兩維HMM包括偽兩維HMM、嵌入式HMM和嵌入式Bayes網(wǎng)絡(luò)。 分類器按照距離的分類準(zhǔn)則主要有：最近鄰分類器最近鄰（Minimum Distance）分類器是最常用的距離分類器之一，首先需要求己知樣本的類中心（類平均），把待識(shí)別樣本歸為與之距離最近的類中心所在的類。換句話說(shuō)，任何一幅人臉圖像都可以表示為這組“特征臉”的線性組合，其加權(quán)系數(shù)即是KL的展開(kāi)系數(shù)，也可以稱為該圖像的代數(shù)特征。間接求解方式之二通過(guò)對(duì)訓(xùn)練樣本矩陣進(jìn)行奇異值分解（SVD），也可間接求解特征方程。綜上所述，在人臉的PCA方法中，所選擇特征向量的數(shù)目的上限應(yīng)為。因此，在將KL變換的基本理論用于人臉識(shí)別時(shí)，還有一些具體問(wèn)題需要解決。這里x和y指空間的坐標(biāo)，點(diǎn)(x,y)上的f值正比于該點(diǎn)的亮度。因此，變換矩陣可由的自相關(guān)矩陣的特征向量構(gòu)成。將KL變換用于人臉識(shí)別的研究，最早見(jiàn)于Kirby[20]等人的工作，他們首先采用KL變換對(duì)人臉圖像進(jìn)行表示，即將人臉圖像分解為若干特征分量的加權(quán)和，并且能夠從部分特征分量中重構(gòu)原人臉圖像。如果圖像寬為w個(gè)象素，高為h個(gè)象素，則矢量的維數(shù)為w*h，矢量的每一個(gè)元素的值為所對(duì)應(yīng)象素的灰度值。主成分分析用于人臉識(shí)別主要從兩方面考慮：一是從信息論的角度，我們要從人臉圖像中盡可能的提取人臉圖像的相關(guān)信息，然后把這些信息同人臉庫(kù)中的人臉的信息相比較，從而完成了人臉的識(shí)別；二是從數(shù)學(xué)的角度，我們希望找到人臉?lè)植嫉闹饕卣?，也就是一組人臉圖像矩陣相關(guān)矩陣的特征向量，這組特征向量可以看成抓住了人臉圖像變化的特征。這是一種典型的線性特征子空間方法，分析了此方法的優(yōu)缺點(diǎn)；第三章：實(shí)驗(yàn)過(guò)程與結(jié)果分析。大規(guī)模人臉識(shí)別問(wèn)題隨著人臉數(shù)據(jù)庫(kù)規(guī)模的增長(zhǎng)，數(shù)據(jù)計(jì)算量也就變的很大，對(duì)數(shù)據(jù)降維效果也就要求比較高，也就需要應(yīng)用相應(yīng)的特征提取方法。姿態(tài)、表情變化問(wèn)題與光照問(wèn)題類似，姿態(tài)、表情變化問(wèn)題也是目前人臉識(shí)別研究中需要解決的一個(gè)技術(shù)難點(diǎn)。除了USC的方法外，UMD和MIT的方法都是先進(jìn)行主分量分析，再作鑒別分析。神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別上的應(yīng)用比起前述幾類方法來(lái)有一定的優(yōu)勢(shì)，因?yàn)閷?duì)人臉識(shí)別的許多規(guī)律或規(guī)則進(jìn)行顯性的描述還是相當(dāng)困難的，而神經(jīng)網(wǎng)絡(luò)方法則可以通過(guò)學(xué)習(xí)的過(guò)程獲得對(duì)這些規(guī)律和規(guī)則的隱性表達(dá)，它的適應(yīng)性更強(qiáng)，一般也比較容易實(shí)現(xiàn)。在傳統(tǒng)特征臉的基礎(chǔ)上，研究者注意到特征值大的特征向量(即特征臉) 并不一定是分類性能好的方向，據(jù)此發(fā)展了多種特征(子空間)選擇方法，如Peng的雙子空間方法，Weng的線性歧義分析方法[15]，Belhumeur的FisherFace方法等。因此，降低維數(shù)就成為處理實(shí)際問(wèn)題的關(guān)鍵并發(fā)展了許多壓縮特征空間維數(shù)的方法。Buhr用圖表示法和描述樹(shù)法給出了人臉的33個(gè)主要特征與12個(gè)次要特征，其主要特征包括了24個(gè)基于眼睛、人臉中心、嘴的量測(cè)。 人特征提取方法人臉識(shí)別本質(zhì)上是三維塑性物體二維投影圖像的匹配問(wèn)題，它的困難體現(xiàn)在：人臉?biāo)苄宰冃?如表情等)的不確定性；人臉模式的多樣性(如胡須，發(fā)型，眼鏡，化妝等)；圖像獲取過(guò)程中的不確定性(如光照的強(qiáng)度，光源方向等)。對(duì)圖像作各種數(shù)學(xué)變換，可以將變換的系數(shù)作為圖像的一種特征，例如Fisher變換，Hough變換和小波變換等在圖像特征抽取方面均有廣泛應(yīng)用。對(duì)于人臉圖像識(shí)別而言，抽取有效的圖像特征是完成圖像識(shí)別的關(guān)鍵任務(wù)。線性變換是歷史悠久的重要降維方法，目前在各個(gè)領(lǐng)域都得到了廣泛應(yīng)用，也相對(duì)比較成熟。對(duì)于每個(gè)的一組系數(shù)，稱為一個(gè)基向量。映射后的特征叫做二次特征，它們是原始特征的某種組合(線性組合或非線性組合)。人臉識(shí)別的一般步驟是圖像預(yù)處理，特征提取，分類識(shí)別。主要的工作如下：挑選人臉庫(kù)，建立訓(xùn)練集和測(cè)試集；對(duì)訓(xùn)練集和測(cè)試集中的圖像進(jìn)行PCA處理，即進(jìn)行特征提取，求出人臉圖像在特征臉空間中的坐標(biāo)系數(shù)，以此來(lái)作為人臉圖像的特征；選用最近鄰分類器實(shí)現(xiàn)人臉識(shí)別和分類，從識(shí)別效果來(lái)說(shuō)明PCA的優(yōu)缺點(diǎn)。若X是測(cè)量空間，Y是特征空間，則變換A:X→Y就叫做特征提取器。要求變換后的數(shù)據(jù)y在最大程度上體現(xiàn)原始數(shù)據(jù)間的實(shí)質(zhì)結(jié)構(gòu)。非線性降維是近年來(lái)逐漸發(fā)展起來(lái)的方法，還比較年輕，各種新的算法也在不斷涌現(xiàn)和發(fā)展。在人臉識(shí)別中用得最多的直觀性特征是幾何特征，即人臉的五官尺寸及相對(duì)位置。代數(shù)特征。特征提取是人臉識(shí)別的基礎(chǔ)，對(duì)訓(xùn)練集和待識(shí)別的人臉圖像采用相同的特征提取方法，然后對(duì)待識(shí)別的人臉圖像進(jìn)行分類。最近，Lee等抽取人臉的5個(gè)距離量度作為人臉識(shí)別特征口側(cè)。采用PCA進(jìn)行降維，尋求使所有的圖像樣本的總體散布最大的投影方向。神經(jīng)網(wǎng)絡(luò)方法：前神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別中的研究方興未艾Valentin提出一種方法，首先提取人臉的50個(gè)主元，然后用相關(guān)神經(jīng)網(wǎng)絡(luò)將它映射到5維空間中，再用一個(gè)普通的多層感知器進(jìn)行判別，對(duì)一些簡(jiǎn)單的測(cè)試圖像效果較好[16]；Intrator等提出了一種混合型神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行人臉識(shí)別，其中非監(jiān)督神經(jīng)網(wǎng)絡(luò)用于特征提取，而監(jiān)督神經(jīng)網(wǎng)絡(luò)用于分類。通過(guò)變化參數(shù)就可獲得不同的3D人臉模型，通過(guò)施加一些先驗(yàn)約束可以避免合成不真實(shí)的人臉圖像，利用線性形狀和紋理誤差，通過(guò)3D模型向2D輸入圖像的自動(dòng)匹配實(shí)現(xiàn)人臉識(shí)別。目前對(duì)人臉圖像進(jìn)行特征提取時(shí)基本是對(duì)人臉的正面的靜態(tài)圖像進(jìn)行提取的。遮擋問(wèn)題對(duì)于非配合情況下的人臉圖像采集，遮擋是一個(gè)非常嚴(yán)重的問(wèn)題。如何解決這些問(wèn)題也是值得關(guān)注的。對(duì)本文的工作進(jìn)行了總結(jié)，對(duì)進(jìn)一步的研究進(jìn)行了展望。也可以選擇一些具有最大特征值的特征向量來(lái)近似的表示。為了有效的抽取人臉圖像特征，有必要建立一個(gè)優(yōu)化的子空間來(lái)更好的描述人臉矢量。 KL變換 KL變換基本原理KL變換（KarhunenLoeve Transform）的目的是通過(guò)線性變換尋找一組最優(yōu)的單位正交向量基（即主元），并用其中部分向量的線性組合來(lái)重建樣本，使重建后的樣本和原樣本在最小均方意義下的誤差最小，以達(dá)到最佳的數(shù)據(jù)壓縮效果。 特征壓縮以上關(guān)于基本變換的討論中，從到的變換過(guò)程中，向量的維數(shù)并沒(méi)有發(fā)生變化，下面考慮從的部分分量中重建的問(wèn)題。這樣的數(shù)字陣列中的元素就叫做象素。然后，一個(gè)必要的過(guò)程是將矩陣形式的圖像按照行或列展開(kāi)為維的向量，即 (216)為了使其均值為零，需要減去其均值向量，即 (217)式中叫做訓(xùn)練樣本矩陣。由于總體散布矩陣的維數(shù)通常非常高，所以這種求解方式耗時(shí)比較大。一旦求得了特征值和特征向量，就可以按照式(214)的方法，選取前個(gè)最大的非零特征值所對(duì)應(yīng)的特征向量構(gòu)成變換矩陣，并按照下式對(duì)所有人臉樣本進(jìn)行KL變換。PCA算法（Principal Component Analysis Algorithm）描述：基于PCA方法，求出圖像在特征空間的展開(kāi)系數(shù)（坐標(biāo)）輸入：人臉圖像訓(xùn)練集人臉圖像測(cè)試集輸出：訓(xùn)練集圖像，測(cè)試集圖像在特征空間的展開(kāi)系數(shù)步驟：聯(lián)立以下四式求出，求出的特征值和特征向量根據(jù)求出的特征值和特征向量對(duì)進(jìn)行排序取前個(gè)最大的特征值所對(duì)應(yīng)的特征向量對(duì)于圖像屬于訓(xùn)練集，已求出，由和 求得；若屬于測(cè)試集，由和求出返回、 PCA算法的詳細(xì)步驟流程 人臉識(shí)別的分類準(zhǔn)則 相似性測(cè)度人臉樣本經(jīng)過(guò)特征提取過(guò)程，最終成為特征空間中的點(diǎn)。按照其他相似性測(cè)度分類的規(guī)則與以上分類規(guī)則相似。神經(jīng)網(wǎng)絡(luò)分類器神經(jīng)網(wǎng)絡(luò)在能夠?qū)崿F(xiàn)分類的同時(shí)，還具有特征提取的能力。主元具有穩(wěn)定性。該方法的核心是基于整幅圖像的線性變換，從上述討論可知，其生成矩陣的規(guī)模通常是非常大的，盡管可采用間接求解特征方程的方法減小計(jì)算量，但在訓(xùn)練和識(shí)別過(guò)程中，仍然難以避免高維的向量和矩陣運(yùn)算，使該方法在實(shí)際系統(tǒng)中的應(yīng)用受到一定的限制。ORL人臉數(shù)據(jù)庫(kù)是由劍橋大學(xué)ATamp。其他部分實(shí)現(xiàn)識(shí)別任務(wù)，為在線工作方式。在頻域中，零頻率分量對(duì)應(yīng)于圖像的平均灰度，低頻分量對(duì)應(yīng)于平滑的圖像信號(hào)，高頻分量對(duì)應(yīng)于圖像中的細(xì)節(jié)和邊界。特征向量個(gè)數(shù)為12時(shí)，%，.經(jīng)過(guò)低通濾波以后，噪聲也就會(huì)得到一定抑制，平均識(shí)別率得到了提高。長(zhǎng)期以來(lái)，如何利用計(jì)算機(jī)進(jìn)行準(zhǔn)確，快速的人臉識(shí)別，一直是圖像處理與模式識(shí)別的研究熱點(diǎn)與難點(diǎn)。致 謝在畢業(yè)論文完成之際，我衷心感謝所有為該論文的寫(xiě)作完成提供幫助，對(duì)本人的學(xué)習(xí)、工作和生活給予關(guān)心和支持的人們。：“一次做好一件事的人比同時(shí)涉獵多個(gè)領(lǐng)域的人要好得多。”把問(wèn)題想透徹把問(wèn)題想透徹，是一種很好的思維品質(zhì)。運(yùn)用20/80法則二八法則向人們揭示了這樣一個(gè)真理，即投入與產(chǎn)出、努力與收獲、原因和結(jié)果之間，普遍存在著不平衡關(guān)系。如果沒(méi)有了對(duì)手，缺陷也不會(huì)自動(dòng)消失。善于休息休息可以使一個(gè)人的大腦恢復(fù)活力,提高一個(gè)人的工作效能。有效溝通人與人之間的交往需要溝通,在公司,一個(gè)高效能人士絕不會(huì)是一個(gè)性格孤僻的人,相反他應(yīng)當(dāng)是一個(gè)能設(shè)身處地為別人著想充分理解對(duì)方能夠與他人進(jìn)行桌有成效的溝通的人。好的習(xí)慣是你的朋友，他會(huì)幫助你成功。掌握工作與生活的平衡真正的高效能人士都不是工作狂，他們善于掌握工作與生活平衡。高效地搜集并消化信息當(dāng)今世界是一個(gè)以大量資訊作為基礎(chǔ)來(lái)開(kāi)展工作的社會(huì)。善于集思廣益、博采眾議一件事物往往存在著多個(gè)方面