人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，晓电晓受晓受晓晓晓多晓电晓米晓受晓联晓受晓零晓电晓受晓米晓多晓晓e少量惠量量e米惠d量晓晓受晓晓晓晓米晓晓多晓少米受在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR的研究历史按照研究内容、技术芳珐等方面的特点大体划分为三个时间阶段，如表受所示。该表格概括了人脸识别研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍： 第一阶段(受惠米联年~受惠惠零年) 这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometricfeature based)的芳珐。这集中体现在人们对于剪影(Profile)的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事AFR研究的研究人员除了布莱索(Bledsoe)外还有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄于受惠少晓年在京都大学完成了第一篇AFR方面的博士论文，直到现在，作为卡内基-梅隆大学(CMU)机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域的一支重要力量。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。 第二阶段(受惠惠受年~受惠惠少年) 这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干伤业化运作的人脸识别系统，比如最为著名的Visionics(现为Identix)的FaceIt系统。 美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出的“特征脸”芳珐无疑是这一时期内最负盛名的人脸识别芳珐。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸已经与归一化的协相关量(NormalizedCorrelation)芳珐一道成为人脸识别的性能测试基准算法。 这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里(Brunelli)和波基奥(Poggio)于受惠惠电年左右做的一个对比实验，他们对比了基于结构特征的芳珐与基于模板匹配的芳珐的识别性能，并给出了一个比较确定的结论：模板匹配的芳珐优于基于特征的芳珐。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别芳珐研究，并在很大程度上促进了基于表观(Appearance-based)的线性子空间建模和基于统计模式识别技术的人脸识别芳珐的发展，使其逐渐成为主流的人脸识别技术。 贝尔胡米尔(Belhumeur)等提出的Fisherface人脸识别芳珐是这一时期的另一重要成果。该芳珐首先采用主成分分析(PrincipalComponent Analysis，PCA，亦即特征脸)对图像表观特征进行降维。在此基础上，采用线性判别分析(LinearDiscriminant Analysis, LDA)的芳珐变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该芳珐目前仍然是主流的人脸识别芳珐之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA判别芳珐以及近期的一些基于核学习的改进策略。 麻省理工学院的马哈丹(Moghaddam)则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别芳珐。该芳珐通过“作差法”，将两幅人脸图像对的相似度计算问题转换为一个两类(类内差和类间差)分类问题，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策(最大似然或者最大后验概率)的芳珐来进行人脸识别。 人脸识别中的另一种重要芳珐——弹性图匹配技术(Elastic GraphMatching，EGM) 也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征——Gabor变换【受电】特征，称为Jet;边的属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化馊索策略来定位预先定义的若干面部关键特征点，同时提取它们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该芳珐的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。近来还出现了一些对该芳珐的扩展。 局部特征分析技术是由洛克菲勒大学(RockefellerUniversity)的艾提克(Atick)等人提出的。LFA在本质上是一种基于统计的低维对象描述芳珐，与只能提取全局特征而且不能保留局部拓扑结构的PCA相比，LFA在全局PCA描述的基础上提取的特征是局部的，并能够同时保留全局拓扑信息，从而具有更佳的描述和判别能力。LFA技术已伤业化为著名的FaceIt系统，因此后期没有发表新的学术进展。 由美国国防部反技术发展计划办公室资助的FERET项目无疑是该阶段内的一个至关重要的事件。FERET项目的目标是要开发能够为安全、情报和执法部门使用的AFR技术。该项目包括三部分内容：资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET人脸识别性能评测。该项目分别于受惠惠联年，受惠惠多年和受惠惠米年组织了晓次人脸识别评测，几种最知名的人脸识别算法都参家了测试，极大地促进了这些算法的改进和实用化。该测试的另一个重要贡献是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识别问题逐渐成为热点的研究方向。 柔性模型(Flexible Models)——包括主动形状模型(ASM)和主动表观模型(AAM)是这一时期内在人脸建模方面的一个重要贡献。ASM/AAM将人脸描述为电D形状和纹理两个分离的部分，分别用统计的芳珐进行建模(PCA)，然后再进一步通过PCA将二者融合起来对人脸进行统计建模。柔性模型具有良好的人脸合成能力，可以采用基于合成的图像分析技术来对人脸图像进行特征提取与建模。柔性模型目前已被广泛用于人脸特征对准(FaceAlignment)和识别中，并出现了很多的改进模型。 总体而言，这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别伤业公司。从技术方案上看， 电D人脸图像线性子空间判别分析、统计表观模型、统计模式识别芳珐是这一阶段内的主流技术。 第三阶段(受惠惠量年~现在) FERET’惠米人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的伤业系统进一步发展。为此，美国军方在FERET测试的基础上分别于电零零零年和电零零电年组织了两次伤业系统评测。 基奥盖蒂斯(Georghiades)等人提出的基于光照锥 (Illumination Cones) 模型的多姿态、多光照条件人脸识别芳珐是这一时期的重要成果之一，他们证明了一个重要结论：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形成一个凸锥——即光照锥。为了能够从少量未知光照条件的人脸图像中计算光照锥，他们还对传统的光度立体视觉芳珐进行了扩展，能够在朗博模型、凸表面和远点光源假设条件下，根据未知光照条件的少幅同一视点图像恢复物体的晓D形状和表面点的表面反射系数(传统光度立体视觉能够根据给定的晓幅已知光照条件的图像恢复物体表面的法向量方向)，从而可以容易地合成该视角下任意光照条件的图像，完成光照锥的计算。识别则通过计算输入图像到每个光照锥的距离来完成。 以支持向量机为代表的统计学习理论也在这一时期内被应用到了人脸识别与确认中来。支持向量机是一个两类分类器，而人脸识别则是一个多类问题。通常有三种策略解决这个问题，即：类内差/类间差法、一对多法(one-to-rest)和一对一法(one-to-one)。 布兰兹(Blanz)和维特(Vetter)等提出的基于晓D变形(晓D Morphable Model)模型的多姿态、多光照条件人脸图像分析与识别芳珐是这一阶段内一项开创性的工作。该芳珐在本质上属于基于合成的分析技术，其主要贡献在于它在晓D形状和纹理统计变形模型(类似于电D时候的AAM)的基础上，同时还采用图形学模拟的芳珐对图像采集过程的透视投影和光照模型参数进行建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配置、光照情况等外部参数完全分开，更家有利于人脸图像的分析与识别。Blanz的实验表明，该芳珐在CMU-PIE(多姿态、光照和表情)人脸库和FERET多姿态人脸库上都达到了相当高的识别率，证明了该芳珐的有效性。 电零零受年的国际计算机视觉大会(ICCV)上，康柏研究院的研究员维奥拉(Viola)和琼斯(Jones)展示了他们的一个基于简单矩形特征和AdaBoost的实时人脸检测系统，在CIF格式上检测准正面人脸的速度达到了每秒受多帧以上。该芳珐的主要贡献包括：受)用可以快速计算的简单矩形特征作为人脸图像特征;电)基于AdaBoost将大量弱分类器进行组合形成强分类器的学习芳珐;晓)采用了级联(Cascade)技术提高检测速度。目前，基于这种人脸/非人脸学习的策略已经能够实现准实时的多姿态人脸检测与跟踪。这为后端的人脸识别提供了良好的基础。 沙苏哈(Shashua)等于电零零受年提出了一种基于伤图像【受晓】的人脸图像识别与绘制技术。该技术是一种基于特定对象类图像集合学习的绘制技术，能够根据训练集合中的少量不同光照的图像，合成任意输入人脸图像在各种光照条件下的合成图像。基于此，沙苏哈等还给出了对各种光照条件不变的人脸签名(Signature)图像的定义，可以用于光照不变的人脸识别，实验表明了其有效性。 巴斯里(Basri)和雅各布(Jacobs)则利用球面谐波(Spherical Harmonics)表示光照、用卷积过程描述朗博反射的芳珐解析地证明了一个重要的结论：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间。这意味着一个凸的朗博表面物体在各种光照条件下的图像集合可以用一个低维的线性子空间来近似。这不仅与先前的光照统计建模芳珐的经验实验结果相吻合，更进一步从理论上促进了线性子空间对象识别芳珐的发展。而且，这使得用凸优化芳珐来强制光照函数非负成为可能，为光照问题的解决提供了重要思路。 FERET项目之后，涌现了若干人脸识别伤业系统。美国国防部有关部门进一步组织了针对人脸识别伤业系统的评测FRVT，至今已经举办了两次：FRVT电零零零和FRVT电零零电。这两次测试一方面对知名的人脸识别系统进行了性能比较，例如FRVT电零零电测试就表明Cognitec, Identix和Eyematic三个伤业铲品遥遥领先于其他系统，而它们之间的差别不大。另一方面则全面总结了人脸识别技术发展的现状：较理想条件下(正面签证照)，针对晓少联晓少人受电受,多量惠 幅图像的人脸识别(Identification)最高首选识别率为少晓%，人脸验证(Verification)的等错误率(EER【受联】)大约为米%。FRVT测试的另一个重要贡献是还进一步指出了目前的人脸识别算法亟待解决的若干问题。例如，FRVT电零零电测试就表明：目前的人脸识别伤业系统的性能仍然对于室内外光照变化、姿态、时间跨度等变化条件非常敏感，大规模人脸库上的有效识别问题也很严重，这些问题都仍然需要进一步的努力。 总体而言，目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模芳珐、统计学习理论、基于Boosting【受多】的学习技术、基于晓D模型的人脸建模与识别芳珐等逐渐成为备受重视的技术发展趋势。 总而言之， 人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题。国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用。这些成果更家深了我们对于自动人脸识别这个问题的理解，尤其是对其挑战性的认识。尽管在海量人脸数据比对速度甚至精度方面，现有的自动人脸识别系统可能已经超过了人类，但对于复杂变化条件下的一般人脸识别问题，自动人脸识别系统的鲁棒性和准确度还远不及人类。这种差距产生的本质原因现在还不得而知，毕竟我们对于人类自身的视觉系统的认识还十分肤浅。但从模式识别和计算机视觉等学科的角度判断，这既可能意味着我们尚未找到对面部信息进行合理采样的有效传感器(考虑单目摄像机与人类双眼系统的差别)，更可能意味着我们采用了不合适的人脸建模芳珐(人脸的内部表示问题)，还有可能意味着我们并没有认识到自动人脸识别技术所能够达到的极限精度。但无论如何，赋予计算设备与人类似的人脸识别能力是众多该领域研究人员的梦想。相信随着研究的继续深入，我们的认识应该能够更家准确地逼近这些问题的正确答案。
＝＝你是本科还是硕士啊论文的话应该主要是算法的研究和改进吧……问题比如：你采用了哪种人脸识别算法你对这种算法的改进在哪里(你不只要说明改进在哪里可能还需要做一些实验收集下数据来对比说明算法在改进后对性能有了提升)新算法比其他算法好在哪里(还是通过实验收集数据对比一下)分析下算法的复杂度(时间复杂度和空间复杂度可能都会要求毕竟图像分析很占空间)然后是怎样进行优化的实验采用的样本是哪些(我们当时用的UCIrvineMachineLearningRepository下面会有CMUFaceImages大家一般都用这个库来作为样本)怎样对实验结果进行量化比较的(标准是什么)如果是模式识别的话还可能关心怎样选的特征值和特征空间(计算量大的话是怎样减少计算量的)训练样本采用的什么算法实验的识别率是多少算法的性能是不是稳定……＝＝我想到的都是本科的问题如果是研究生的话可能还会问的更难
在理论研究的同时，我们采用Visual CH6.0以及OpenGL图形包设计实现了系统平台FaccRecopution，该系统能标定三维人脸的标志点、提取侧轮廓线，从而实现人脸识别，系统应用本论文中提到的算法进行的识别，试验结果验证了算法的可行性。
基于特征脸方法
人脸识别是一个高维的模式识别问题，1987年Sirovich 和 Kirby为减少人脸图像的表示采用了PCA方法（主分量分析方法），1991年Matthew Turk 和 Alex Pentland最早将PCA应用于人脸识别[3]，将原始图像投影到特征空间中，得到一系列降维图像，取其主元表示人脸，由于主元具有脸的形状故称为“特征脸”。
特征脸方法是目前较为成功的正面人脸识别方法，但是只考虑了人脸的整体特征且对光照的变化敏感，所以有学者提出了FLD方法，即Fisher脸。通过在Harvard和Yale人脸库上做的测试表明Fisherfaces比Eigenfaces有更低的错误率且对于光照和表情变化有更好的鲁棒性。实验中部分特征脸见图1。
图1 部分特征脸
如前所述，特征脸方法忽略了人脸的局部特征（如：眉毛、眼睛、鼻子、口等）在识别中的作用，因此有学者在特征提取时采用基于多特征（eigenfaces，eigenUpper，eigenTzone，edge distribution）的方法，取得了较好的效果。另外，对人脸图像预处理后，进行特征脸分析也会明显降低错误率。
人脸识别的基本方法
人脸识别的方法很多，以下介绍一些主要的人脸识别方法。
(1)几何特征的人脸识别方法
几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。
(2)基于特征脸(PCA)的人脸识别方法
特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。
(3)神经网络的人脸识别方法
神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。
(4)弹性图匹配的人脸识别方法
弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。
(5)线段Hausdorff 距离(LHD) 的人脸识别方法
心理学的研究表明，人类在识别轮廓图(比如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。
(6)支持向量机(SVM) 的人脸识别方法
近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。
人脸识别的方法很多，当前的一个研究方向是多方法的融合，以提高识别率。
在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化，而称第二类变化为类内变化。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。正是基于上述原因，一直到21 世纪初，国外才开始出现人脸识别的商用，但由于人脸识别算法非常复杂，只能采用庞大的服务器，基于强大的计算机平台。
如果可以的话，可以Te一下colorreco，更好的技术解答。
★ 计算机辅助设计，统编教材，机械工业出版社 1994★ 机械设计手册（第二版）计算机辅助设计篇，机械工业出版社98页22万字，主编（全国科技图书二等奖，1995）★ 机械工程手册（第二版）计算机辅助设计篇，机械工业出版社1996年14万字，主编★ CAD/CAM技术，高教机电类规划教材，机械工业出版社，7.4万字，副主编（2002全国高校优秀教材二等奖） （包括与指导的研究生合作）（其中EI检索66篇；SCI检索10篇）：1.Ou,Zongying; Tang,Xusheng; Su,Tieming; Zhao,Pengfei,Cascade AdaBoost classifiers with stage optimization for face detection,Lecture Notes in Computer Science,v 3832 LNCS,Advances in Biometrics - International Conference,ICB 2006,Proceedings,2006,p121-128（SCI、EI收录）2.Tang,Xusheng; Ou,Zongying; Su,Tieming; Zhao,Pengfei,Cascade AdaBoost classifiers with stage features optimization for cellular phone embedded face detection system,Lecture Notes in Computer Science,v 3612,n PART Ⅲ，Advances in Natural Computation: First International Conference,ICNC 2005. Proceedings,2005,p688-697（SCI、EI收录）3.Tang,Xusheng; Ou,Zongying; Su,Tieming; Sun,Haibo; Zhao,Pengfei,Robust precise eye location by adaboost and SVM techniques,Lecture Notes in Computer Science,v 3497,n Ⅱ，Advances in Neural Networks - ISSN 2005: Second International Symposium on Neural Networks. Proceedings,2005,p 93-98（SCI、EI收录）4.Hua,Shungang; Zhang,Jing; Ou,Zongying,Novel view generation from two reference images based on the same optical axis,Proceedings - The Fourth International Conference on Computer and Information Technology,CIT 2004,2004,p 801-806（EI收录）5.Li,Yunfeng; Ou,Zongying; Wang,Guoqiang,Face recognition using Gabor features and Support Vector Machines,Lecture Notes in Computer Science,v 3611,n PART Ⅱ，Advances in Natural Computation: First International Conference,ICNC 2005. Proceedings,2005,p119-122（SCI、EI收录）6.Hua,Shungang; Zhang,Jing; Ou,Zongying,Novel view generation from two reference images based on the same optical axis,The Fourth International Conference on Computer and Information Technology (CIT 2004），2004,p801-806（EI收录）7.Chen,Dan; Tang,Xusheng; Ou,Zongying; Xi,Ning,A hierarchical FloatBoost and MLP classifier for mobile phone embedded eye location system,Lecture Notes in Computer Science,v 3972 LNCS,Advances in Neural Networks - ISNN 2006: Third International Symposium on Neural Networks,ISNN 2006,Proceedings - Part Ⅱ，2006,p 20-25（EI收录）8.Zhang,Jing; Ou,Zongying; Chen,Weiqing,A panoramic image mosaics algorithm based on wavelet decomposition and equidistant matching,Fourth International Conference on Virtual Reality and Its Applications in Industry,2004,p145-148（EI收录）9.Hou,Jianhua; Ou,Zongying; Guo,Mingen,Neural network based fairing of digitized curves and its application,Lecture Notes in Computer Science,v 3497,n Ⅱ，Advances in Neural Networks - ISSN 2005: Second International Symposium on Neural Networks. Proceedings,2005,p854-859（SCI、EI收录）10.Hua,Shungang; Ou,Zongying; Wang,Xiaodong,Constructing full view panoramic image based on spherical model,Fourth International Conference on Virtual Reality and Its Applications in Industry,2004,p 117-122（EI收录）11.Ou ZY,Guo H,Wei HL，Fingerprint classifier using embedded hidden Markov models，LECTURE NOTES IN COMPUTER SCIENCE 3338: （SCI收录）12.Li YF,Ou ZY，Eyes location by hierarchical SVM classifiers，LECTURE NOTES IN COMPUTER SCIENCE 3173: （SCI收录）王亮申； 欧宗瑛，图像纹理分析的灰度-基元共生矩阵法，计算机工程，2004（23）（EI收录）13.曹新建； 张鹏； 王小东； 刘长宝； 李刚； 欧宗瑛，房地产信息管理系统开发研究，计算机工程与设计，2004⑼14.何洋； 欧宗瑛； 郭浩，基于方向场和频率场的自适应指纹图像增强算法，大连理工大学学报，2004⑸（EI收录）15.华顺刚； 逄岭； 欧宗瑛，特征点提取及视图变形技术研究，大连理工大学学报，2004⑸（EI收录）16.何洋； 欧宗瑛，基于场结构的指纹图像细节特征提取算法，石油大学学报（自然科学版），2004⑶（EI收录）17.张恒博； 欧宗瑛，一种基于色彩和灰度直方图的图像检索方法，计算机工程，2004⑽（EI收录）18.王小东； 李刚； 欧宗瑛，一维下料优化的一种新算法，大连理工大学学报，2004⑶（EI收录）19.金霞； 欧宗瑛，基于HL7标准医疗信息交换消息的构建/解析，焦作大学学报，2004⑴20.唐棣； 孙岩； 韩丽； 欧宗瑛，一种基于显示空间的圆窗口的图形裁剪算法，小型微型计算机系统，2004⑷21.张恒博； 欧宗瑛，一种改进的扫描线真实感图形显示算法，计算机工程，2004⑹22.张恒博； 欧宗瑛，一种利用多特征向量的彩色图像检索方法，计算机工程与应用，2004⑵23.李晖； 欧宗瑛，异构分布环境下数据获取与多态发布，计算机工程与设计，2004⑴24.王宏漫； 欧宗瑛，基于支持向量机的人脸识别方法研究，小型微型计算机系统，2004⑴25.柴玉森； 欧宗瑛； 韩风武； 陆培德； 韩锋，基于CAPP的模具报价系统的开发，模具工业，2004⑴26.韩峰； 张静； 欧宗瑛，基于摄像机纵向运动的序列图像的实时漫游，小型微型计算机系统，2005⑽27.刘文琦； 杨建华； 张鹏； 欧宗瑛，一种基于椭圆曲线的门限代理签名方案，大连理工大学学报，2005⑹（EI收录）28.袁野; 欧宗瑛，一种基于单个神经元的摄像机标定自适应算法，大连理工大学学报，2005⑹（EI收录）29.何洋； 欧宗瑛，基于局部细节邻接图的指纹匹配算法研究，哈尔滨工业大学学报，2005⑽（EI收录）30.宋涛； 欧宗瑛； 陈伟卿，基于模糊连通性的彩色图像切片序列分割方法，小型微型计算机系统，2005⑼31.王亮申； 朱玉才； 陈少华； 侯杰； 于京诺； 苏子林； 欧宗瑛，利用SVM进行车型识别，计算机工程与设计，2005⑼32.胡志萍； 欧宗瑛； 王虹，基于图像合成的虚拟制造环境描述，机械设计与研究，2005⑷33.李云峰; 欧宗瑛，基于相位信息的图像特征定位，光电技术应用，2005⑸34.韩锋； 苏铁明； 欧宗瑛； 罗丹，SolidWorks环境下三维冲模标准件库的开发，大连轻工业学院学报，2005⑶35.宋涛； 欧宗瑛； 王瑜； 李冠华； 刘斌，八叉树编码体数据的快速体绘制算法，计算机辅助设计与图形学学报，2005⑼（EI收录）36.王亮申； 欧宗瑛； 侯杰； 于京诺； 朱玉才； 曲衍国； 王保卫； 宋进桂，基于遗传算法的最优直方图阈值图像分割算法，数据采集与处理，2005⑵（EI收录）37.张静； 胡志萍； 欧宗瑛，基于异常匹配点去除的基本矩阵优化估计，计算机工程，2005⒀（EI收录）38.王亮申； 欧宗瑛； 侯杰； 于京诺； 曲衍国； 宋进桂； 朱玉才，基于金字塔结构颜色特征的图像数据库检索，计算机工程与设计，2005⑷39.王亮申； 于京诺； 侯杰； 欧宗瑛； 朱玉才； 陈燕，目标形状特征的新定义，计算机工程与应用，2005⒄40.宋涛； 欧宗瑛； 陈伟卿，中国虚拟人三维模型重建和可视化，大连理工大学学报，2005⑶（EI收录）41.华顺刚； 张洁玉； 欧宗瑛，基于图像的光照，计算机工程与设计，2005⑶158.王亮申; 欧宗瑛； 朱玉才； 侯杰； 于京诺，基于SVM的图像分类，计算机应用与软件，2005⑸42.胡延平； 马德成； 何鸿鹏； 欧宗瑛，基于模型重建技术的图形匹配原理与方法，大连理工大学学报，2005⑵（EI收录）43.王宏漫； 欧宗瑛； 胡志萍，自由差分运算与直交型Snake模型，计算机辅助设计与图形学学报，2005⑶（EI收录）44.张静； 胡志萍； 刘志泰； 欧宗瑛，基于轮廓相位相关的图像自动拼接，大连理工大学学报，2005⑴（EI收录）45.郭浩； 欧宗瑛； 何洋，一个新的基于细节特征的指纹匹配方法，大连理工大学学报，2005⑴（EI收录）46.魏鸿磊； 欧宗瑛； 甘树坤； 张海东，采用逐级配准和分值加权的指纹匹配算法，计算机辅助设计与图形学学报，2006⑹（EI收录）47.胡志萍； 郭明恩； 欧宗瑛，一种基于图像轮廓信息的新视点图像生成算，大连理工大学学报，2006⑶48.侯建华； 欧宗瑛，基于边缘曲线光顺连续性恢复的灰度图像放大算法，小型微型计算机系统，2006⑷49.甘树坤； 欧宗瑛； 魏鸿磊，基于灰度特性的指纹图像分割算法，吉林化工学院学报，2006⑴50.宋卫卫； 李冠华； 欧宗瑛，医学体数据三维可视化技术，计算机工程与应用，2006⒅51. Variant Geometry Analysis and Synthesis in MCAD，ADG’98 Proceedings. Lecture Notes in Artificial Intelligence Series，Springer-Verlag. 1999(SCI)52. Interactive Form Synthesis of Gear Coupling Teeth. ASME Journal Computers in Mechanical Engineering. V1.No.4. 1983.4 （EI收录）53. Analysis and Synthesis of Circular Arc Gears by Interactive Graphics. American Society of Mechanical Engineers. 1984 （EI收录）54. Analysis and Synthesis of Circular Arc Gears by Interactive Graphics. Transaction of ASME Journal of Mechanisms Transmission and Automation in Design. V108.No.1. 1986.3 （EI收录）55. Method of Equivalent Element in Parametric CAD. Proceedings of SPIE – The International Society for Optical Engineering. V2644. 1996（EI收录）56. Smoothing Enlarged Image Based on Fractal Geometry. International Conference on Signal Processing Proceedings. V2. 1998. （EI收录）57. Holo-extraction of information from paper drawings for 3D reconstruction. CAD Computer Aided Design. V34.No9. 2002.8（EI收录）58. Assembly sequence planning and assembling simulation of stamping tools. Proceeding of SPIE- the International Society for Optical Engineering. V4756. 200259. Recognition of digital curves scanned from paper drawings using genetic algorithms. V36.No.1. 2003 （EI收录）60. 用邻域运算从CT图像中分割骨骼. 中国生物医学工程学报. 2003⑶（EI收录）61. 应用径向基函数网络进行足球机器人视觉系统的标定. 计算机工程与应用. 2003（06）62. 采用PCA/ICA特征和SVM分类的人脸识别. 计算机辅助设计与图形学学报. 2003（04）63. 支持向量机在人脸识别中的应用. 计算机工程与应用. 39⑾. 200364. 基于支持向量机的人脸识别方法研究. 小型微型计算机系统. 已录用65. 基于Solid Works 平台的冲压成型模具CAD系统. 大连轻工业学院学报. 2003（01）66. 基于径向基函数网络的二维平面标定方法. 大连理工大学学报. 2003（02）67. 协同CAD系统结构及关键技术. 大连理工大学学报. 2003（02）（EI收录）68. 应用神经网络隐式视觉模型进行立体视觉的三维重建. 计算机辅助设计与图形学学报.2003（03）69. 基于CT、MRI断层图像的人体三维建模.2002年国际康复工程与临床康复学术讨论会.2002⑻70. 基于主动轮廓模型的医学图像边界跟踪. 仪器仪表学报. 2002(S1）（EI收录）71. 基于区域直方图的图像数据库检索. 计算机工程与应用. 2002⒇72. 一种由二维轮廓线重建物体表面的方法. 小型微型计算机系统. 2002⑿73. E-HMM/ANN混合网络人脸识别. 计算机辅助设计与图形学学报. 2002⑾ （EI收录）74. 基于组件的三维冲模CAD系统开发. 锻压技术. 2002⑸75. 关于小波分形压缩算法若干相关技术的研究. 工程图学学报. 2002⑵76. 矩常量——几何形状标识的新方法. 机械科学与技术. 2002⑸77. 一种足球机器人中指定颜色属性物体的识别方法. 小型微型计算机系统. 2002⑻78. 基于物质分类的三维空间断层图像匹配插值. 计算机辅助设计与图形学学报. 2002⑺79. 基于小波变换和模糊算法医学图像边缘检测算法. 大连理工大学学报. 2002⑷ （EI收录）80. 基于模糊推理的条形域形状分类. 计算机工程与应用. 2002⑽81. 基于学习向量量化网络的指定颜色物体的识别. 计算机工程与应用. 2002⑽82. 加权合成的嵌入式隐Markov模型人脸识别. 大连理工大学学报. 2002⑶ （EI收录）83. 一种基于斜率的摄像机畸变校正方法. 小型微型计算机系统. 2002⑸84. 保持轮廓清晰光滑的灰度图像放大算法. 计算机辅助设计与图形学学报. 2002⑷85. 基于顶点的冲裁零件排样系统. 机械科学与技术. 2002⑵86. 网络环境下三维参数化冲裁模标准件图形库. 机械科学与技术. 2002⑴87. 一种基于CT图像反求技术的实体几何造型方法. 机械科学与技术. 2002⑴88. 医学图像三维重建模型的剖切与立体视窗剪裁. 计算机辅助与图形学学报. 2002⑶89. 医学图像三维重建系统的数据结构表达及表面模型的构建. 生物医学工程学杂志. V19.No.2. 2002.90. 基于遗传算法的以线段和圆弧为基元的曲线拟合. 计算机辅助与图形学学报. 2002⑵91. 基于Windows平台的视频捕捉技术研究. 计算机工程与设计. 2002⑶92. 面向整体设计的客车件冲模CAD系统的实现. 机械科学与技术. 2002⑷93. 冲模CAD系统中基于功能部件的层次化装配模型和相关技术研究. 模具工业. 2002⑹94. 进化算法在DNA序列比对中的应用. 数据采集与处理. 2002⑷95. 关于核苷酸序列频谱分析方法的探讨. 信号处理. 2002⑷96. 一种新的DNA序列映射规则及其分析应用. 信号处理. 2002⑵97. 基于BP网络的足球机器人视觉系统的标定. 机器人. 2001(S1）98. 面向企业应用的密钥管理技术研究. 计算机工程与设计. 2001⑹99. 给予矢量邻接图的剖面域识别与重建. 工程图学学报. 2001⑷100. 以Solid Works为支撑软件的模具标准件库的开发. 大连轻工业学院学报. 2001⑷101. 多叶光栅适形放射治疗系统图像图形处理软件研究与开发. 大连理工大学学报. 2001⑹102. 体素几何模型中物体表面的绘制算法. 机械科学与技术. 2001⑹ （EI收录）103. Dividing Cubes算法生成的物体表面的法向量方向的光顺操作. 计算机辅助设计与图形学学报. 2001⑿ （EI收录）104. 一种新的摄像机线性标定方法. 中国图像图形学报. 2001⑻105. 基于投影的断层间多连通物体轮廓表面重建. 大连理工大学学报. 2001⑸ （EI收录）106. 机车电气CAD系统及其关键技术. 机械科学与技术. 2001⑷ （EI收录）107. 一种新的敏感数字水印技术. 小型微型计算机系统. 2001⑺ （EI收录）108. 由基于轮廓重建的表面模型构建实体几何模型. 机械设计与研究. 2001⑵（EI收录）109. 医学图像的交互分割及三维表面重建. 工程图学学报. 2001⑵110. 三维医学图像MT表面重建的相关性处理及模型简化. 中国生物医学工程学报. 2001⑸111. 医学图像三维重建系统的数据结构表达及表面模型的构建. 生物医学工程学杂志. 2002⑵112. 用体素边界表面表示的体素模型及其显示算法. 机械科学与技术. V20.No.6. 2001.6113. 基于Delauny三角剖分的层析图像离散数据表面重建算法. 工程图学学报. 2001⑵114. 基于区域投影的微型足球机器人系统识别. 机械科学与技术. 2001⑵ （EI收录）115. 面向对象的柔性约束关系几何系统的建模研究及实现. 机械设计与研究. 2001⑴ （EI收录）116. CT图像表面重建技术中的边缘检测和跟踪补偿. 机械科学与技术. 2001⑹（EI收录）117. 基于B-rep模型的三维实体的真实感显示. 机械科学与技术. 2001⑵（EI收录）118. 基于柔性约束关系的二维几何系统的建模及求解. 机械科学与技术. 2001⑹（EI收录）119. 基于约束的机械产品零件参数化特征建模技术研究及实现. 组合机床与自动化加工技术. 2001⑷120. 机床夹具参数化零部件图形库及其系统. 制造技术与机床. 2001⑶121. 机械图纸扫描图像尺寸信息提取. 机械科学与技术. 2001⑵ （EI收录）122. 一种等级系统的密钥管理方法. 信息安全与通信保密. 2001⑵123. 泵水力模型数字化CAD系统——工程图中的曲线识别与数字化的研究. 机械科学与技术. 2000.S1124. 扫描工程图像的浏览、圈阅与编辑技术研究. 组合机床与自动化加工技术. 2000⑴125. CAD系统中签名管理的设计与实现. 机械科学与技术. 2000⑹126. 工程图样管理系统及其关键技术. 机械科学与技术.V19.No.3. 2000.5.（EI收录）127. 面向对象的特征模型研究与实现. 机械科学与技术. V19.No.3. 2000.5.（EI收录）128. 基于特征技术的智能产品信息模型框架及其实现. 大连理工大学学报. V40.No.2. 2000.3.（EI收录）129. 基于单义域邻接图的工程图纸扫描图像的字符提取. 工程图学学报. V21.No.2. 2000.130. 基于单义域邻接图的圆弧与圆识别. 中国图像图形学报. 2000⑴131. 基于SQL Server的POS系统的开发与实现. 计算机应用研究. 2000⑵132. 基于CT图像反求技术的实体几何造型. 计算机应用. 2000(S1）133. 利用加密技术和网卡进行软件保护. 计算机应用. 2000(01）134. 工程图纸扫描图像的线段完整识别算法. 计算机工程.V26.No.8. 2000.8.（EI收录）135. 描述工程图纸扫描图像的单义域邻接图的构建方法. 计算机工程与应用. 2000(08）136. 基于个人特征的省份认证技术的发展与应用. 计算机工程. 2000⑿137. 基于颜色信息足球机器人视觉跟踪算法. 大连理工大学学报. 2000(06）138. 机车电气元件智能建库环境研究. 内燃机车. 2000⑾139. 产品信息模型中形状特征的表达研究. 组合机床与自动化加工技术. 1999⑻140. Pro/Engineer特征造型分析与应用. 工程设计CAD与智能建筑. 1999⑻141. 地理信息系统的研制开发. 计算机工程. 1999⑴142. 工程图扫描图像中交叉区域识别处理方法的研究. 中国图像图形学报. 1999⑼143. 工程图图像的骨架提取和识别技术综述. 计算机工程. 1999⑹144. 扫描图像的圆弧的定位识别算法. 中国图像图形学报. 1999⑹145. 网络环境下工程图纸的“电子签字”技术. 组合机床与自动化加工技术. 1999⑼146. Windows95/NT下加密和数字签名的开发与应用. 通信保密. 1999⑷147. 工程扫描图像的直线整体识别算法. 中国图像图形学报. 1998⑾148. 基于分形几何模型的图像放大. 中国图像图形学报. 1998⑾149. 二维参数化CAD中的过约束及欠约束检查策略与实现. 大连理工大学学报. 1998⑸（EI收录）150. 手绘CAD图形输入的识别. 机械科学与技术.V17.No.2. 1998.3（EI收录）151. 彩色印染图像的新的分组分段色分解技术. 计算机应用研究. 1998⑴152. 消防建筑图纸的审核管理. 计算机应用. 1998⑵153. 彩色图像颜色量化的优化. 大连理工大学学报. 1998⑴（EI收录）154. 网络环境下轴承CAD系统的开发. 计算机应用研究. 1998155. 联机手绘CAD图形的输入. 机械科学与技术. 1998⑵156. 彩色图像印染CAD系统. 计算机工程与应用. 1997⑿157. 数字曲线的线性逼近和分段识别. 大连理工大学学报. 1997⑸158. 基于多面体的过渡操作. 计算机应用与软件. 1996⑶159. 参数化CAD中基于当量图素的约束处理策略. 大连理工大学学报. 1995⑸160. 工程图样描述语言DDL. 大连理工大学学报. 1995⑸（EI收录）161. 实体造型中的回退原理及其应用. 大连理工大学学报. 1995⑸（EI收录）162. CAD图形数据库中特征关系和约束关系的自动识别和提取. 计算机工程. 1995⑹163. 基于ΓOCT21354－87标准的齿轮强度计算软件的开发. 机械科学与技术. 1995⑸ （EI收录）164. 二值和多值图像的边界跟踪和逼近. 大连理工大学学报. V35.No.3. 1995.6 （EI收录）165. 基于变异几何的平面连杆机构分析与仿真专家系统. 大连理工大学学报. 1995⑵166. 平面连杆机构分析与仿真专家系统. 计算机辅助设计与图形学学报. 1995⑴ （EI收录）
随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。我整理了图像识别技术论文，欢迎阅读!
图像识别技术研究综述
摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。基于图像处理技术进一步探讨图像识别技术及其应用前景。
关键词：图像处理;图像识别;成像
中图分类号：TP391 文献标识码：A 文章编号：1009-3044(2013)10-2446-02
图像是客观景物在人脑中形成的影像，是人类最重要的信息源，它是通过各种观测系统从客观世界中获得，具有直观性和易理解性。随着计算机技术、多媒体技术、人工智能技术的迅速发展，图像处理技术的应用也越来越广泛，并在科学研究、教育管理、医疗卫生、军事等领域已取得的一定的成绩。图像处理正显著地改变着人们的生活方式和生产手段，比如人们可以借助于图像处理技术欣赏月球的景色、交通管理中的车牌照识别系统、机器人领域中的计算机视觉等，在这些应用中，都离不开图像处理和识别技术。图像处理是指用计算机对图像进行处理，着重强调图像与图像之间进行的交换，主要目标是对图像进行加工以改善图像的视觉效果并为后期的图像识别大基础[1]。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。但是由于获取的图像本事具有复杂性和特殊性，使得图像处理和识别技术成为研究热点。
1 图像处理技术
图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。
1)图像采集，图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转为数字图像，和文字、图形、声音一起存储在计算机内，显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。
2)图像增强，图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分，使图像的主体结构更加明确，必须对图像进行改善，即图像增强。通过图像增强，以减少图像中的图像的噪声，改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量，使图像中的物体的轮廓更加清晰，细节更加明显。图像增强不考虑图像降质的原因，增强后的图像更加赏欣悦目，为后期的图像分析和图像理解奠定基础。
3)图像复原，图像复原也称图像恢复，由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊，为了提取比较清晰的图像需要对图像进行恢复，图像恢复主要采用滤波方法，从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建，该技术是从物体横剖面的一组投影数据建立图像。
4)图像编码与压缩，数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列，因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
5)图像分割技术，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域是像素的一个连续集，这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位，然后把目标从背景中分离出来。目前，图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法[2]。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰，使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。
2 图像识别技术
图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别[3]。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。主要识别技术有：
2.1 指纹识别
指纹识别是生物识别技术中一种最实用、最可靠和价格便宜的识别手段，主要应用于身份验证。指纹识别是生物特征的一个部分，它具有不变性：一个人的指纹是终身不变的;唯一性：几乎没有两个完全相同的指纹[3]。一个指纹识别系统主要由指纹取像、预处理与特征提取、比对、数据库管理组成。目前，指纹识别技术与我们的现实生活紧密相关，如信用卡、医疗卡、考勤卡、储蓄卡、驾驶证、准考证等。
2.2 人脸识别 目前大多数人脸识别系统使用可见光或红外图像进行人脸识别，可见光图像识别性能很容易受到光照变化的影响。在户外光照条件不均匀的情况下，其正确识别率会大大降低。而红外图像进行人脸识别时可以克服昏暗光照条件变化影响，但由于红外线不能穿透玻璃，如果待识别的对象戴有眼镜，那么在图像识别时，眼部信息全部丢失，将严重影响人脸识别的性能[4]。
2.3 文字识别
文字识别是将模式识别、文字处理、人工智能集与一体的新技术，可以自动地把文字和其他信息分离出来，通过智能识别后输入计算机，用于代替人工的输入。文字识别技术可以将纸质的文档转换为电子文档，如银行票据、文稿、各类公式和符号等自动录入，可以提供文字的处理效率，有助于查询、修改、保存和传播。文字识别方法主要有结构统计模式识别、结构模式识别和人工神经网络[5]。由于文字的数量庞大、结构复杂、字体字形变化多样，使得文字识别技术的研究遇到一定的阻碍。
3 结束语
人类在识别现实世界中的各种事物或复杂的环境是一件轻而易举的事，但对于计算机来讲进行复杂的图像识别是非常困难的[6]。在环境较为简单的情况下，图像识别技术取得了一定的成功，但在复杂的环境下，仍面临着许多问题：如在图像识别过程中的图像分割算法之间的性能优越性比较没有特定的标准，以及算法本身存在一定的局限性，这使得图像识别的最终结果不十分精确等。
参考文献：
[1] 胡爱明，周孝宽.车牌图像的快速匹配识别方法[J].计算机工程与应用，2003，39(7)：90—91.
[2] 胡学龙.数字图像处理[M].北京：电子工业出版社，2011.
[3] 范立南，韩晓微，张广渊.图像处理与模式识别[M].北京：科学出版社，2007.
[4] 晓慧，刘志镜.基于脸部和步态特征融合的身份识别[J].计算机应用，2009，1(29)：8.
[5] 陈良育，曾振柄，张问银.基于图形理解的汉子构型自动分析系统[J].计算机应用，2005，25(7)：1629-1631.
[6] Sanderson C，Paliwal K K.Information Fusion and Person Verification Using Speech & Face Information[C].IDIAP-RR 02-33，Martigny，Swizerland，2002.
点击下页还有更多>>>图像识别技术论文
传统的个人身份验证手段如口令、证件、IC 卡等方式，由于与身份人的可分离性，致 使伪造、盗用、破译等现象时有发生，已经不能满足现代社会经济活动和社会安全防范的需要。生物特征识别包括指纹、掌纹、语音、人脸、虹膜、步态、掌静脉等。生物特征识别技术先投入广泛应用的是指纹、掌纹扫描识别技术，但是却常常因为受到皮肤纹理及干燥程度等条件制约出现误判，引发不必要的麻烦，已远远不能满足人们的需求。随着科学技术的不断发展，以及社会对于身份识别越来越高的要求，生物特征识别技术逐渐呈多样化发展，例如虹膜识别、声音识别、笔迹识别、签名识别、人脸识别等各项生物特征识别技术。作为模式识别和图像处理领域成功的应用之一，人脸识别在过去 20 年里一直都是研究热点。相比之下，人脸识别的普遍性、可采集性与被采集者的可接受性较高，这就具有 了方便友好、易于接受、不易伪造等一系列优点。机器自动人脸识别研究开始于 1966 年 PRI 的 Bledsoe 的工作。1990 年日本研制的人像识别机，可在 1s 内中从 3 500 人中识别到 你要找的人。1993 年，美国国防部高级研究项目署（Advanced Research Projects Agency）和 美国陆军研究实验室（Army Research Laboratory）成立了 Feret（Face RecognitionTechnology） 项目组，建立了 Feret 人脸数据库，用于评价人脸识别算法的性能。2007 年，上海市质量 技术监督局公布了城市轨道交通和旅馆商务办公楼两项安全防范系统地方标准，为 2010 年 上海世博会应用人脸识别技术提供技术规范。2008 年人脸识别应用于奥运会的安防。人脸 识别技术已经开始走入普通生活。国内外人脸识别技术还在进一步发展和完善之中，市场机会处于起步阶段，可广泛应用于安全、考勤、网络安全、银行、海关边检、物业管理、 智能身份证、门禁、计算机登录系统、国家安全、公共安全、军事安全等领域。
汉玛智慧
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。
人脸识别最初在20世纪60年代已经有研究人员开始研究，真正进入初级的应用阶段是在90年代后期，发展至今其技术成熟度已经达到较高的程度。整个发展过程可以分为机械识别、半自动化识别、非接触式识别及互联网应用阶段。
与其他生物识别方式相比，人脸识别优势在于自然性、不被察觉性等特点。自然性即该识别方式同人类进行个体识别时所利用的生物特征相同。指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触，而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像，在采集过程中体验感不佳。目前人脸识别需要解决的难题是在不同场景、脸部遮挡等应用时如何保证识别率。此外，隐私性和安全性也是值得考虑的问题。人脸识别优势明显，未来将成为识别主导技术。具体来说，相比指纹识别、虹膜识别等传统的生物识别方式，优点主要还集中在四点：非接触性、非侵扰性、硬件基础完善和采集快捷便利，可拓展性好。在复杂环境下，人脸识别精度问题得到解决后，预计人脸识别有望快速替代指纹识别成为市场大规模应用的主流识别技术。（了解更多智慧人脸识别解决方案，欢迎咨询汉玛智慧 ）
而这，也彰显着人脸识别未来的发展趋势：
首先，人脸识别应用的最广泛领域便是安防行业，不仅给整个安防行业注入了新的生命活力，也进一步开拓了新的发展市场。作为安防市场未来的发展方向的智能视频分析，其中最重要的技术就是人脸识别。
其二，我国的三维测量技术近年来发展形势较好，而现今3D人脸识别算法正对2D投影的缺陷做了补充，此外对于其中的传统难点，包括人脸旋转、遮挡、相似度等在内的都有了很好的应对，这也成为了人脸识别技术的另一个最为重要的发展路线之一。
其三，大数据深度学习进一步提升了人脸识别的精确度，这也为2D人脸识别的应用作了一定的突破，将其应用于互联网金融行业当中，能够快速普及金融级应用。
其四，人脸识别技术由于其便利性、安全性，可在智能家居中用作门禁系统以及鉴权系统，因此智能家居与人脸识别技术的融合是未来发展的重点方向。智能家居中的人脸识别系统是结合嵌入式操作系统和嵌入式硬件平台建立的，加强了人脸识别技术与智能家居应用的结合度，具有概念新、实用性强等特点。
其五，人脸识别技术是未来基于大数据领域的重要发展方向。现如今公安部门都引入了大数据，这也弥补了传统技术的难点，通过人脸识别技术使得这些照片数据再度存储利用，能够大大提升公安信息化的管理和统筹，这将成为未来人脸识别的主要发展趋势。
人脸识别还在发展，这也是我们大家从生活中能够切实体会到的，希望终有一天能够看到足够成熟，足够便利的人脸识别技术吧，我们 汉玛智慧 也将为了这个目标和大家一起努力！
基于yolo算法的口罩人脸识别研究的意义如下：口罩人脸识别是利用计算机视觉技术判断图像或者视频序列中的行人是否存在未带口罩的情况，在一些需要佩戴口罩的特定场合，比如食堂、饭店等员工需要佩戴口罩上岗，或由于特殊情况，需要行人佩戴口罩的场景，都可以适用。目前市面上的口罩人脸识别系统，常用的方式先对人脸进行检测，再对人脸进行区域划分，统计分析脸部下方区域的颜色信息，进而判断人脸是否佩戴口罩的方式。但在实际现场应用中，人脸的倾斜角度不同，不同光线的干扰也不同，导致传统方式的精度并不理想。因此，现有技术需要改进。
写设计系统方面的就可以了。之前也是苦于写不出，还是学姐给的文方网，写的《人脸识别系统的研究与实现——图像获取、定位、特征提取和特征识别》，很专业的说人寿保险老业务综合处理系统的设计与实现输油泵机组远程监测及诊断系统设计与实现FORTRAN语言题库管理系统的设计与实现大中型企业网络会计信息系统的设计与实现住房改革管理信息系统的设计与实现DMS-2002型轮机模拟器船舶电力系统故障模拟的研制与实现利用MATLAB基于频率法实现系统串联校正基于红外线检测的停车场智能引导系统研究与实现网络选课系统研究与实现基于人脸识别技术的身份认证系统实现简介基于三维技术的城市工程地质信息系统设计与实现大型烧结机整粒自动控制系统的实现基于B/S模式的药品信息咨询系统的设计与实现使用UML实现学生注册管理系统需求建模基于UML实现三层C/S结构系统的架构基于MuitiGen机载导弹地面训练虚拟现实系统的实现基于Web Service技术实现大型系统集成图书管理系统的设计与实现基于Lucene的电子文档管理系统的设计与实现编组钩计划演示系统设计与实现网络型监控系统的设计与实现热量计多路数据采集系统的设计与实现铁路计量管理信息系统的设计与实现基于ARM的嵌入式绣花机系统的软件实现机载SAR监控系统的设计与实现基于B/S模式的教师信息管理系统的设计与实现一种教学机器人控制系统的设计与实现基于智能Agent的用户个性化检索系统的实现矿井通风实验装置监测监控系统软件的设计与实现基于J2EE的网上考试系统设计与实现基于21554的无主多处理器系统实现列车接近防护系统的设计与实现研究生教育网络管理系统的设计与实现嵌入式电力监控系统的研究与实现博硕士论文远程提交及检索系统功能模块的组成和实现基于Extranet和构件的造纸企业产品数据管理系统设计与实现DVB-C系统中两种滤波器的FPGA实现VC++实现基于工控机与单片机串行通讯的监控系统ERP系统用户权限的全动态配置研究及实现政府宏观决策信息网络系统的设计与实现基于CC1020芯片无线传输系统的设计与实现具有主动功能的连锁经营企业配送中心管理信息系统的设计与实现DLP背投系统的研究及在高速公路监控系统的实现学生评教系统的设计与实现微小型电动无人机动力系统试验台的设计与实现全集成船舶主机遥控系统的研究及实现
随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。我整理了图像识别技术论文，欢迎阅读!
图像识别技术研究综述
摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。基于图像处理技术进一步探讨图像识别技术及其应用前景。
关键词：图像处理;图像识别;成像
中图分类号：TP391 文献标识码：A 文章编号：1009-3044(2013)10-2446-02
图像是客观景物在人脑中形成的影像，是人类最重要的信息源，它是通过各种观测系统从客观世界中获得，具有直观性和易理解性。随着计算机技术、多媒体技术、人工智能技术的迅速发展，图像处理技术的应用也越来越广泛，并在科学研究、教育管理、医疗卫生、军事等领域已取得的一定的成绩。图像处理正显著地改变着人们的生活方式和生产手段，比如人们可以借助于图像处理技术欣赏月球的景色、交通管理中的车牌照识别系统、机器人领域中的计算机视觉等，在这些应用中，都离不开图像处理和识别技术。图像处理是指用计算机对图像进行处理，着重强调图像与图像之间进行的交换，主要目标是对图像进行加工以改善图像的视觉效果并为后期的图像识别大基础[1]。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。但是由于获取的图像本事具有复杂性和特殊性，使得图像处理和识别技术成为研究热点。
1 图像处理技术
图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。
1)图像采集，图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转为数字图像，和文字、图形、声音一起存储在计算机内，显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。
2)图像增强，图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分，使图像的主体结构更加明确，必须对图像进行改善，即图像增强。通过图像增强，以减少图像中的图像的噪声，改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量，使图像中的物体的轮廓更加清晰，细节更加明显。图像增强不考虑图像降质的原因，增强后的图像更加赏欣悦目，为后期的图像分析和图像理解奠定基础。
3)图像复原，图像复原也称图像恢复，由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊，为了提取比较清晰的图像需要对图像进行恢复，图像恢复主要采用滤波方法，从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建，该技术是从物体横剖面的一组投影数据建立图像。
4)图像编码与压缩，数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列，因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
5)图像分割技术，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域是像素的一个连续集，这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位，然后把目标从背景中分离出来。目前，图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法[2]。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰，使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。
2 图像识别技术
图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别[3]。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。主要识别技术有：
2.1 指纹识别
指纹识别是生物识别技术中一种最实用、最可靠和价格便宜的识别手段，主要应用于身份验证。指纹识别是生物特征的一个部分，它具有不变性：一个人的指纹是终身不变的;唯一性：几乎没有两个完全相同的指纹[3]。一个指纹识别系统主要由指纹取像、预处理与特征提取、比对、数据库管理组成。目前，指纹识别技术与我们的现实生活紧密相关，如信用卡、医疗卡、考勤卡、储蓄卡、驾驶证、准考证等。
2.2 人脸识别 目前大多数人脸识别系统使用可见光或红外图像进行人脸识别，可见光图像识别性能很容易受到光照变化的影响。在户外光照条件不均匀的情况下，其正确识别率会大大降低。而红外图像进行人脸识别时可以克服昏暗光照条件变化影响，但由于红外线不能穿透玻璃，如果待识别的对象戴有眼镜，那么在图像识别时，眼部信息全部丢失，将严重影响人脸识别的性能[4]。
2.3 文字识别
文字识别是将模式识别、文字处理、人工智能集与一体的新技术，可以自动地把文字和其他信息分离出来，通过智能识别后输入计算机，用于代替人工的输入。文字识别技术可以将纸质的文档转换为电子文档，如银行票据、文稿、各类公式和符号等自动录入，可以提供文字的处理效率，有助于查询、修改、保存和传播。文字识别方法主要有结构统计模式识别、结构模式识别和人工神经网络[5]。由于文字的数量庞大、结构复杂、字体字形变化多样，使得文字识别技术的研究遇到一定的阻碍。
3 结束语
人类在识别现实世界中的各种事物或复杂的环境是一件轻而易举的事，但对于计算机来讲进行复杂的图像识别是非常困难的[6]。在环境较为简单的情况下，图像识别技术取得了一定的成功，但在复杂的环境下，仍面临着许多问题：如在图像识别过程中的图像分割算法之间的性能优越性比较没有特定的标准，以及算法本身存在一定的局限性，这使得图像识别的最终结果不十分精确等。
参考文献：
[1] 胡爱明，周孝宽.车牌图像的快速匹配识别方法[J].计算机工程与应用，2003，39(7)：90—91.
[2] 胡学龙.数字图像处理[M].北京：电子工业出版社，2011.
[3] 范立南，韩晓微，张广渊.图像处理与模式识别[M].北京：科学出版社，2007.
[4] 晓慧，刘志镜.基于脸部和步态特征融合的身份识别[J].计算机应用，2009，1(29)：8.
[5] 陈良育，曾振柄，张问银.基于图形理解的汉子构型自动分析系统[J].计算机应用，2005，25(7)：1629-1631.
[6] Sanderson C，Paliwal K K.Information Fusion and Person Verification Using Speech & Face Information[C].IDIAP-RR 02-33，Martigny，Swizerland，2002.
点击下页还有更多>>>图像识别技术论文
学术堂整理了十五个好写的计算机软件毕业论文题目，供大家进行参考：1、基于西门子S7-1200电梯控制系统设计与实现2、基于ArcGIS Engine工程施工自动规划系统设计与实现3、基于云平台的光伏监控系统设计与实现4、基于移动终端的变电站导航系统设计与实现5、人造板在线同步图像采集系统设计与实现6、基于LoRa的园区能耗管理系统设计与实现7、电厂机组一次调频参数在线监测系统设计与实现8、基于组件技术的船舶导航系统设计与实现9、智能家居控制系统设计与实现10、大型地面光伏电站综合自动化系统设计与实现11、无人驾驶喷雾机电控系统设计与试验12、国产重力输液过程智能监控系统设计与临床转化应用研究13、大型医院医技检查自动预约系统的设计与应用14、高校计算机教学综合管理系统设计与实现15、基于移动物联网的智慧教室设计与实现
在学术论文中，引言是用相对简短的篇幅来勾勒全文的基本内容和轮廓。 eg: 研究方向：人脸识别 背景设定：假定此时所有已提出的方法都是基于手工特征 当前问题：识别率不准确 提出方法：利用深度学习解决 1.用一句话引出当前已经提出的属于本文研究领域的方法。 xxx can be categorized into three fields: xxx, xxx, and xxx xxx is/ are/ becomes very popular in xxx field since xxx 总结归纳： 2.概述目前已有的经典工作 总结各工作时，一般需要1-2句，不宜过长。总结时，需根据论文的研究内容，概述各工作的主要相关方法和优缺点。 3.总结目前已有的经典工作所存的问题。 一般来说，这一部分需要总结与本文内容相关的问题，并以此引出本文的Motivation。 本文研究综述段落包含了研究目的、方法和实验设计。 根据上段最后总结的现有方法的主要问题，提出本文的研究目的。 to address / solve / deal with xxx , this paper presents / proposes xxx in this paper , we aims to xxx by xxx As a consequence, this paper xxx 提出具体的解决方案。 提出验证方案 摘要和结论部分均属于总结性质的章节，完成全文其他部分，最后再进行摘要和结论的撰写。