【正文】 ,一個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)對壓力身體是革命的本錢，狀態(tài)是成功的基礎(chǔ)。一個缺乏準備的員工一定是一個差錯不斷的人，縱然有超強的能力，千載難逢的機會，也不能保證獲得成功?！狈▏笞骷矣旯舱f：“語言就是力量。如果你約束自我，實現(xiàn)了自己制定的計劃，你就一定會成為一個卓有成效的高效能人士。不被瑣務(wù)纏身高效能人士不會被太多的瑣務(wù)纏身。一個人的某一品質(zhì)被認為是好的，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)；如果一個人的某一品質(zhì)被認為是壞的，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)。一個滿足于現(xiàn)狀、不思進取的人永遠也無法成為一名高效能人士。這種平常心，對于一名高效能人士來講，是十分重要的。到困難找方法一個高效能人士，是最重視找方法的人。制訂卻實可行的計劃許多成功人士的成功經(jīng)驗告訴我們，認真的做一份計劃不但不會約束我們，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)人際能力在一個人的成功中扮演著重要的角色。做到上下逢源，正確處理“對上溝通”，與同事保持良好的互動交流是我們提高工作效能的一個關(guān)鍵。釋放自己的憂慮孤獨和憂慮是現(xiàn)代人的通病?！逼溆靡庖彩且覀冃≌h多聽。責任重于一切著名管理大師德魯克認為,你首先表明的是你的工作態(tài)度:你要以高度的責任感對待你的工作,不懈怠你的工作、。如果你要成為一名高效能的職場人士，就應(yīng)當養(yǎng)成善于借助他人力量的好習慣。這樣的時間往往被人們毫不在乎地忽略過去，零碎時間雖短，但倘若一日、一月、一年地不斷積累起來，其總和將是相當可觀的。一名高效能人士不會到處為自己找借口，開脫責任；相反，無倫出現(xiàn)什么情況，他都會自覺主動地將自己的任務(wù)執(zhí)行到底。如果一個人沒有重點地思考，就等于無主要目標，做事的效率必然會十分低下。最后感謝實驗室的于海龍，蔡德全，尹映輝，李昱和王海珍，是他們在百忙之中抽出時間，盡可能的給我最大幫助，使我的論文進展非常順利。在將來的工作中可以針對人臉的不同區(qū)域選擇特征提取方法，分清主次，將會有一個比較好的效果。造成識別率較低的原因可能有：本次實驗對所有圖像采用的是同一種邊緣檢測算子，固定的閾值不能適合所有的圖像，提取的邊界不理想，可能會出現(xiàn)漏檢，誤檢等情況，這些都會影響到后面的特征提取以及識別；其次是噪聲的干擾也會引起識別率下降。這里取D0=,n=1. 原圖和低通濾波結(jié)果由圖中可見，圖像經(jīng)過低通濾波后變得模糊，這是因為濾除了圖像突變較大的邊緣部分。 結(jié)果分析 基于PCA的人臉識別本文的工作是基于1M內(nèi)存，120G硬盤的DELL筆記本上進行的，采用MATLAB R2008a[23]軟件。其余的48張圖像作為測試圖像。傳統(tǒng)特征臉方法，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)探索新的人臉識別方法的一個基石。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），把待識別樣本歸為與之距離最近的類中心所在的類。換句話說，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對訓練樣本矩陣進行奇異值分解（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別時，還有一些具體問題需要解決。這里x和y指空間的坐標，點(x,y)上的f值正比于該點的亮度。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變換用于人臉識別的研究，最早見于Kirby[20]等人的工作，他們首先采用KL變換對人臉圖像進行表示，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個象素，高為h個象素，則矢量的維數(shù)為w*h，矢量的每一個元素的值為所對應(yīng)象素的灰度值。主成分分析用于人臉識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中的人臉的信息相比較，從而完成了人臉的識別；二是從數(shù)學的角度，我們希望找到人臉分布的主要特征，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；第三章：實驗過程與結(jié)果分析。大規(guī)模人臉識別問題隨著人臉數(shù)據(jù)庫規(guī)模的增長，數(shù)據(jù)計算量也就變的很大，對數(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)、表情變化問題與光照問題類似，姿態(tài)、表情變化問題也是目前人臉識別研究中需要解決的一個技術(shù)難點。除了USC的方法外，UMD和MIT的方法都是先進行主分量分析，再作鑒別分析。神經(jīng)網(wǎng)絡(luò)方法在人臉識別上的應(yīng)用比起前述幾類方法來有一定的優(yōu)勢，因為對人臉識別的許多規(guī)律或規(guī)則進行顯性的描述還是相當困難的，而神經(jīng)網(wǎng)絡(luò)方法則可以通過學習的過程獲得對這些規(guī)律和規(guī)則的隱性表達，它的適應(yīng)性更強，一般也比較容易實現(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)就成為處理實際問題的關(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法給出了人臉的33個主要特征與12個次要特征，其主要特征包括了24個基于眼睛、人臉中心、嘴的量測。 人特征提取方法人臉識別本質(zhì)上是三維塑性物體二維投影圖像的匹配問題，它的困難體現(xiàn)在：人臉塑性變形(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)；圖像獲取過程中的不確定性(如光照的強度，光源方向等)。對圖像作各種數(shù)學變換，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。對于人臉圖像識別而言，抽取有效的圖像特征是完成圖像識別的關(guān)鍵任務(wù)。線性變換是歷史悠久的重要降維方法，目前在各個領(lǐng)域都得到了廣泛應(yīng)用，也相對比較成熟。對于每個的一組系數(shù)，稱為一個基向量。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)。人臉識別的一般步驟是圖像預(yù)處理，特征提取，分類識別。主要的工作如下：挑選人臉庫，建立訓練集和測試集；對訓練集和測試集中的圖像進行PCA處理，即進行特征提取，求出人臉圖像在特征臉空間中的坐標系數(shù)，以此來作為人臉圖像的特征；選用最近鄰分類器實現(xiàn)人臉識別和分類，從識別效果來說明PCA的優(yōu)缺點。若X是測量空間，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)間的實質(zhì)結(jié)構(gòu)。非線性降維是近年來逐漸發(fā)展起來的方法，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位置。代數(shù)特征。特征提取是人臉識別的基礎(chǔ)，對訓練集和待識別的人臉圖像采用相同的特征提取方法，然后對待識別的人臉圖像進行分類。最近，Lee等抽取人臉的5個距離量度作為人臉識別特征口側(cè)。采用PCA進行降維，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，再用一個普通的多層感知器進行判別，對一些簡單的測試圖像效果較好[16]；Intrator等提出了一種混合型神經(jīng)網(wǎng)絡(luò)來進行人臉識別，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。通過變化參數(shù)就可獲得不同的3D人臉模型，通過施加一些先驗約束可以避免合成不真實的人臉圖像，利用線性形狀和紋理誤差，通過3D模型向2D輸入圖像的自動匹配實現(xiàn)人臉識別。目前對人臉圖像進行特征提取時基本是對人臉的正面的靜態(tài)圖像進行提取的。遮擋問題對于非配合情況下的人臉圖像采集，遮擋是一個非常嚴重的問題。如何解決這些問題也是值得關(guān)注的。對本文的工作進行了總結(jié)，對進一步的研究進行了展望。也可以選擇一些具有最大特征值的特征向量來近似的表示。為了有效的抽取人臉圖像特征，有必要建立一個優(yōu)化的子空間來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，從到的變換過程中，向量的維數(shù)并沒有發(fā)生變化，下面考慮從的部分分量中重建的問題。這樣的數(shù)字陣列中的元素就叫做象素。然后，一個必要的過程是將矩陣形式的圖像按照行或列展開為維的向量，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，選取前個最大的非零特征值所對應(yīng)的特征向量構(gòu)成變換矩陣，并按照下式對所有人臉樣本進行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系數(shù)（坐標）輸入：人臉圖像訓練集人臉圖像測試集輸出：訓練集圖像，測試集圖像在特征空間的展開系數(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進行排序取前個最大的特征值所對應(yīng)的特征向量對于圖像屬于訓練集，已求出，由和 求得；若屬于測試集，由和求出返回、 PCA算法的詳細步驟流程 人臉識別的分類準則 相似性測度人臉樣本經(jīng)過特征提取過程，最終成為特征空間中的點。按照其他相似性測度分類的規(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，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算量，但在訓練和識別過程中，仍然難以避免高維的向量和矩陣運算，使該方法在實際系統(tǒng)中的應(yīng)用受到一定的限制。ORL人臉數(shù)據(jù)庫是由劍橋大學ATamp。其他部分實現(xiàn)識別任務(wù)，為在線工作方式。在頻域中，零頻率分量對應(yīng)于圖像的平均灰度，低頻分量對應(yīng)于平滑的圖像信號，高頻分量對應(yīng)于圖像中的細節(jié)和邊界。特征向量個數(shù)為12時，%，.經(jīng)過低通濾波以后，噪聲也就會得到一定抑制，平均識別率得到了提高。長期以來，如何利用計算機進行準確，快速的人臉識別，一直是圖像處理與模式識別的研究熱點與難點。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作完成提供幫助，對本人的學習、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涉獵多個領(lǐng)域的人要好得多。”把問題想透徹把問題想透徹，是一種很好的思維品質(zhì)。運用20/80法則二八法則向人們揭示了這樣一個真理，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。如果沒有了對手，缺陷也不會自動消失。善于休息休息可以使一個人的大腦恢復(fù)活力,提高一個人的工作效能。有效溝通人與人之間的交往需要溝通,在公司,一個高效能人士絕不會是一個性格孤僻的人,相反他應(yīng)當是一個能設(shè)身處地為別人著想充分理解對方能夠與他人進行桌有成效的溝通的人。好的習慣是你的朋友，他會幫助你成功。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今世界是一個以大量資訊作為基礎(chǔ)來開展工作的社會。善于集思廣益、博采眾議一件事物往往存在著多個方面