【正文】 如果你的周圍充滿了對你的成功感興趣而又希望你成功的人，你在工作中就會充滿與別人合作的熱情。給人留下好的第一印象外表漂亮的人更受人歡迎，更容易獲得他人的青睞，這就是“光環(huán)效應”的作用。相反他們總是把所有的“失敗”都看作“尚未成功”在遭遇一次次失敗的時候，他們會始終以一種積極的心態(tài)來面對。他們相信凡事都會有方法解決，而且是總有更好的方法。和成功人士在一起，有助于我們在身邊形成一個“成功”的氛圍，在這個氛圍中我們可以向身邊的成功的人士學習正確的思維方法，感受他們的熱情，了解并掌握他們處理問題的方法。當然，同許多其他重要的事情一樣，執(zhí)行計劃并不是一件簡單容易的事。善于集思廣益、博采眾議一件事物往往存在著多個方面，要想全面、客觀地了解一個事物，必須兼聽各方面的意見，只有集思廣益，博采眾長，才能了解一件事情的本來面目，才能采取最佳的處理方法。結(jié)果發(fā)現(xiàn)，大家認同的杰出人物，其核心能力并不是他的專業(yè)優(yōu)勢，相反，出色的人際策略卻是他們成功的關(guān)鍵歷練說話技巧有人說：“眼睛可以容納一個美麗的世界，而嘴巴則能描繪一個精彩的世界。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來開展工作的社會。注重準備工作一個善于做準備的人，是距離成功最近的人。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。在紛繁復雜的現(xiàn)代社會，只有保持內(nèi)心平靜的人，才能保證身體健康和高效能的工作。好的習慣是你的朋友，他會幫助你成功。善于傾聽，是一個高效能人士的一項最基本的素質(zhì)。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,相反他應當是一個能設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。不斷學習一個人,如果每天都能提高1%,很多時候,它們之間的區(qū)別就在于你是否每天都在提高你自己。善于休息休息可以使一個人的大腦恢復活力,提高一個人的工作效能。習慣1換位思考在人際的相處和溝通里，“換位思考”扮演著相當重要的角色。如果沒有了對手，缺陷也不會自動消失。凡事在事業(yè)上有所成就的人，幾乎都是能有效地利用零碎時間的人。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。要事第一創(chuàng)設遍及全美的事務公司的亨瑞。”把問題想透徹把問題想透徹，是一種很好的思維品質(zhì)。相反，如果他抓住了主要矛盾，解決問題就變得容易多了。：“一次做好一件事的人比同時涉獵多個領域的人要好得多。其次，還要感謝我的父母，家人對我始終如一的支持和關(guān)心是我人生旅途中永遠的動力。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。 未來工作展望由于本文所利用的PCA特征提取方法是從整體出發(fā)，針對整幅圖像進行特征提取，所以使得提取出來的特征針對性不強，重點不突出。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。當特征向量數(shù)位31時，識別率最高。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。在頻域中，零頻率分量對應于圖像的平均灰度，低頻分量對應于平滑的圖像信號，高頻分量對應于圖像中的細節(jié)和邊界。測試過程對于一張待識別的人臉圖像，求出該圖像在上述坐標系中的坐標也就是求出了這個圖像的特征，然后通過與訓練集中的圖像的特征相比較，本文選擇最近鄰分類器，這樣就可以完成對這一幅人臉圖像的識別。其他部分實現(xiàn)識別任務，為在線工作方式。這樣，訓練集就有32張圖像。ORL人臉數(shù)據(jù)庫是由劍橋大學ATamp。作為一種線性特征子空間方法，該方法的前提是假定樣本在線性特征子空間中是線性可分的，對于樣本的非線性分布，該方法將無能為力。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)中的應用受到一定的限制。最小化所有樣本的重構(gòu)誤差，具有重建圖像的能力，其重建圖像的質(zhì)量與所用的主分量的多少有關(guān)。主元具有穩(wěn)定性。該方法有堅實的數(shù)學理論基礎，有很高的可操作性。神經(jīng)網(wǎng)絡分類器神經(jīng)網(wǎng)絡在能夠?qū)崿F(xiàn)分類的同時，還具有特征提取的能力。將傳統(tǒng)的一維隱馬爾可夫鏈用于兩維的圖像信號時，需要首先將圖像變換為一維的觀察序列。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。夾角余弦 (234)此外，也有人采用明氏距離（Minkowski Distance，歐氏距離和街區(qū)距離的一般化形式）、歐氏距離平方、均方誤差、相關(guān)系數(shù)以及加權(quán)的街區(qū)距離、加權(quán)的均方誤差和加權(quán)的夾角余弦等。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。有了這樣一個由“特征臉”張成的特征子空間，任何一幅人臉圖像都可以向其作投影并獲得一組坐標系數(shù)，這組系數(shù)表明了該圖像在子空間中的位置，從而可以作為人臉識別的依據(jù)。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。顯然，的維數(shù)是，通常比的維數(shù)要低得多。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。從式(219)可以看出，在和式的項中，只有項是獨立的，因此，總體散布矩陣的秩通常為，這也是其非零特征值的個數(shù)，而零特征值對應的特征向量在人臉圖像的表示中是沒有意義的。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。在人臉識別的實踐中，系統(tǒng)給定的是一系列的訓練樣本，即人臉圖像集合。這樣的數(shù)字陣列中的元素就叫做象素。 基于PCA算法的人臉特征提取對于計算機中的一幅圖像，用f(x,y)表示。 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。按照以上要求，應有 (23)即 (24)于是，若的自相關(guān)矩陣為已知的，則有 (25)若進一步要求為歸一正交矩陣，即 (26)式中為單位陣，可以得到 (27)此即的特征方程，有 (28)其中，是的一個特征值，是對應的特征向量。 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。 構(gòu)造優(yōu)化子空間可以采用KL[19]變換，假設人臉處于低維線性空間，由高維圖像空間KL變換后，可得到一組新的正交基，由此可以通過保留部分正交基獲得正交KL基底，該方法將人臉圖像按行(列)展開所形成的一個高維向量看作是一種隨機向量，因此可以采用KL變換獲得其正交KL基底。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。 把一幅人臉圖像視為一個矢量，稱為“人臉矢量”。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。用這類方法提取的特征可能與通常直覺觀念上的特征有所不同。對本文的工作進行了總結(jié)，對進一步的研究進行了展望。詳細地討論了PCA的基本理論和在人臉特征提取方面的應用。如何解決這些問題也是值得關(guān)注的。如何提高系統(tǒng)對這些低質(zhì)量照片的識別能力也是人臉識別亟待解決的關(guān)鍵問題之一。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。盡管研究人員針對光照問題提出了一些解決方案，但目前的光照處理方法還需要進一步地研究解決。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。到目前為止，在大樣本人臉庫上通過測試的三種識別率最高的方法，分別為USC(University of Southern California)的方法，UMD(University of Maryland)的方法，以及Massachusetts Institute of Technology(MIT)Media Lab給出的方法。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。這種方法在人臉檢測，人臉定位和人臉識別的各個步驟上都得到了較好的應用[17]；其它研究還有：Dai等提出用Hopfield網(wǎng)絡進行低分辨率人臉聯(lián)想與識別；Gutta等提出將RBF與樹型分類器結(jié)合起來進行人臉識別的混合分類器模型；Philips等人將Matching Pursuit濾波器用于人臉識別；還有則采用統(tǒng)計學習理論中的支持向量機進行人臉分類。神經(jīng)網(wǎng)絡方法：前神經(jīng)網(wǎng)絡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)絡來進行人臉識別，其中非監(jiān)督神經(jīng)網(wǎng)絡用于特征提取，而監(jiān)督神經(jīng)網(wǎng)絡用于分類。但系統(tǒng)在進行特征臉方法之前需要作大量預處理工作如歸一化等。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。在低維空間里解析上或計算上可行的辦法，在高維空間里可能變得毫無實際意義。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)。Kanade用幾何量作為人臉的特征，這些幾何量包括眼角、嘴角、鼻孔、下巴這些點之間的距離以及所成的角。特征提取是人臉識別的基礎，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。在人臉識別中，用來抽取圖像的代數(shù)特征的典型方法是PCA變換和矩陣的奇異值分解。代數(shù)特征。變換系數(shù)特征。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。 人臉特征提取的研究現(xiàn)狀及存在問題 人臉圖像可以提取的特征特征提取是模式識別研究的基本問題之一。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。如主成分分析方法的基本準則是當用新分量對原始數(shù)據(jù)進行重構(gòu)時，在最小均方差意義下逼近效果最佳，而線性判別方法的基本準則是使不同類別的樣本盡量分開,即選擇使得樣本類間離散度和樣本類內(nèi)離散度的比值最大。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)。按照某種準則對其施加一個線性變換，記為f(RM→RN): (11)為變換的結(jié)果，假設這個的f是一個線性變換，于是有y(t)中的每個分量都是原始所有分量的線性組合: (12)其中。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。為了有效地實現(xiàn)分類識別，就要把原始數(shù)據(jù)映射(或變換)到低維空間，得到最能反映應樣本內(nèi)在本質(zhì)的特征，以便能更有