张湃，孟庆莹

（唐山学院智能与信息工程学院，河北唐山，063000）

0 引言

2019年，教育部《关于深化本科教育教学改革全面提高人才培养质量的意见》强调，全面提高了人才学习的质量，需要促进支持教学的科学研究，促进高等教育机构和大学的发展，以使最新的研究成果成为一名教师，支持学生尽早进入项目、实验室和团队，通过先进的研究提高学生的创新能力和实践能力。近年来，研究团队致力于实施数学，在图像识别领域学习优秀，从研究内容和成果到数学建模课程教学，逐步形成了以质量、应用、研究为目标的多层次、创新的人才学习方式，取得了良好的实践教学效果。

随着数字和网络文字的出现，人脸识别技术[1]已逐渐渗透到的日常生活中[2-4]与基本的人脸识别技术相关。人脸识别是人脸数据处理的最重要内容，已成为模式识别、图像识别系统和计算机视觉等研究的热点。由于人脸是人体的生物学特性之一，因此人脸是个体外观等主观因素之一，表情和姿势的差异，以及图片质量、背景和复杂度、光照强度等客观因素对人脸识别结果的影响，因此人脸识别是一个非常复杂的问题，但也具有非常重要的学术价值和应用机会。

视觉是一个快速发展的科学方向，新方法层出不穷。科学技术的不断进步将逐步将人脸识别技术应用于许多领域，包括多生物特征人脸识别，近年来，视频监控摄像机已在多个城市普及，并在交通监控、社会保障、交通安全等方面发挥了重要作用，在调查和案例解决领域，本研究主要涉及人脸识别和基于集成系统的人脸识别网络。

人脸识别技术是指计算机用来检测人脸图像或视频流的技术。人脸的复杂性以及拍摄图像和视频的环境的多样性使得计算机领域的人脸识别技术成为一门非常复杂的学科。

面部识别的使用分类：（1）位置。它用于区分人脸与图像或视频流，并精确定位人脸和图像的确切位置；（2）关键位置。它用于检测照片或视频流中的人体特征，如眼镜、鼻子、嘴唇及其属性；（3）面部识别。它用于通过图像或视频流中的面部线条准确识别一个人的身份；（4）面部监控。连续监控并确定视频流面的位置、方向和一半；（5）面部表情识别。从图像或视频流中识别人们的情绪状态：快乐、悲伤、愤怒。

应用与展望：（1）给视频通话增加乐趣，比如动态地在脸上戴口罩；（2）同步虚拟图像和对应人脸的表情和动作；（3）识别某一级别，如登录验证；（4）运动捕捉和控制，例如使用手势控制计算机。

所涉区域：

（1）计算机学习

计算机学习始于1959年亚瑟·塞缪尔（Arthur Samuel）提出的国际象棋学习算法。1998年，汤姆·米切尔（Tom Mitchell）给出了一个数学定义：

对于计算机程序，给定任务T和性能监控方法P，如果测量结果P受T影响经验E，我们认为计算机程序已经学习了E；

反馈检测技术是对未知图像或视频流人脸的识别和定位，P在确定图像或视频流人脸时是准确的（实际上有一个更准确的评估标准用于此评估）。该程序通过体验一组人脸图像而非人脸图像来改进P。

计算机学习本质上是一组基于高等数学、概率论、数理统计和线性代数的复杂的人工命题。通过对一组样本的分析和评估，不断审查阈值，最终完成对未知样本的相对准确的评估。

（2）图像处理

主要用于图像处理时的物体去除和面部轮廓定位；提取特征时，应使用预视觉图像分离计算机学习所需样本的数学特征，并最终以直角绘制面部特征；利用轮廓点所示样本的线性变换得到面部轮廓的位置，作为特征轮廓矩阵；

处理流程：（1）像抓取人脸样本图谱一样抓取它；（2）学习像AdaBoost一样的抓地力。找到他脸的大致位置。

本实验根据人脸特征，根据图像轮廓构建方法，在此基础上，通过并行计算，向量函数由多个候选人脸的形态、颜色和纹理特性组成，快速提取目标，最后，将开发一种连续平均量化的人脸检测算法和埋入程序。本实验旨在利用数学理论和软件解决图像领域的突出问题，包括多个知识点和多个跨学科知识，具有综合性、适用性、可扩展性和可扩展性，交叉性和探索性，鼓励创新人才的培养。

本设计主要研究了基于连续平均量化的人脸识别技术，通过SMQT去除人脸特征，得到目标结构，并通过SNOW分类对人脸和人脸进行分类，准确定义人脸的具体位置。对于遮挡和多方面人脸，仍然精确耐用。

1 连续平均量化人脸检测原理

连续平均量化算法SMQT是Ni1sson，2005年提出的局部特征分配方法，可以以较低的运行成本获得结构特征[5]。基于win更新策略[6]具有良好的学习和预测率。该计划主要用于控制SMQT算法对光照、旋转、遮挡、，在复杂背景等因素的影响下，主要的识别过程是通过连续平均量化去除候选区域中的人脸特征，然后通过SNOW分类训练出的特征对人脸和人脸进行分类，而不是准确地识别人脸位置。

SMQT的目标是隔离对光和传感器可变性不敏感的功能。该方法可以自动降级图像结构并获取结构属性。该属性用于隔离对光不敏感的光敏感属性，为了减少绘制线条时对照明因素的影响。

SNOW分类器是瘦网络线性单元的训练结构。SNOW最初在Roth的面部位置提供。其主要目的是使用预定义的样本特征训练线性和可持续的网络，并训练面部和面部网络，在SNOW分类训练过程中，训练样本也分为两类：正样本和负样本，即人脸和人脸样本。

在表面检测期间，分类可能会出现重复检测等现象。该算法使用几何位置和分级方法来降低重复率。每个分类与其他分类分开识别。如果给定区域的重复率高于指定阈值，一定数量的分类能够检测到该区域，而使用不同的分类来识别该区域。保留分类结果较高的分类，删除其他分类，并且无法获得重复的结果。

2 样本处理和实验结果

（1）对于包含单个人脸图的不同表情，不同程度光照及不同偏转角度时检测结果分别如图1，图2所示。

图1 FERET人脸库中人脸不同表情检测结果

如上所示，该算法实现了目标人脸识别，图1显示了识别不同表情、不同角度的结果，基本达到100%。如图2所示，对于不同的光照，人脸正面和正面的检测效果、精度和强度都很好，因此，SMQT+SNOW算法不受光照不均匀、人脸角度低和旋转的影响。

（2）对于包含多张人脸的检测结果如图3、图4所示。

图3 包含五张人脸的图片和检测后的图片

图4 多张不同角度人脸图片及其检测结果

基于上述指标，可以看到，一张脸、两张脸以及不同灵巧度和光照水平的多个表情的检测结果原则上都在90%以上，检测效率也很高。然后分析了三个因素的影响：遮挡，采用SMQT+SNOW人脸检测方法，光照强，背景复杂。

（3）有眼镜，帽子，围脖等遮挡物时的人脸检测结果如图5所示。

图5 有各种遮挡物的人脸检测结果

由图5，图6可以观察，由于人脸有围巾，帽子，眼镜等障碍物的阻挡，导致人脸面部特征提取不全面，因此识别率有所下降。图6和图7降低了基于SMQT+SNOW的人脸识别算法检测结果的准确性，原因是密度过大、光线过强、人脸大小过大以及相互闭合，导致错误检测和漏检；表示如果在强光照下人脸固定区域过大，则SMQT+SNOW算法的检测率不高。以下指标显示了复杂背景下的人脸识别结果。

图6 单人脸较强光照的检测结果

图7 有较强光照时的人脸检测结果

①通过仿真实验图显示，SMQT+SNOW检测算法对单个人脸和多个人脸图像都具有较高的检测率；②根据上述所有图像的识别结果，可以得出结论，一般来说，通过矩形框识别的面部具有一个共同特征，即面部基本上为正，面部角度不太大，因此旋转角度太大）过多的表达会影响SMQT+SNOW的检测；③如果有帽子、围巾、头发等障碍物，会有一些虚假检测和未应答检测；④在普通光照条件下，SMQT+SNOW算法人脸识别效果好，检测率高，如果光线强，检测效果会降低，会消失，假检测也会消失，当然这也与人脸的数量和密度有关。总之，SMQT+SNOW算法对某些遮挡、强光照、困难背景、任意位置等因素具有较高的检测率。

3 结语

本设计主要研究基于连续平均量化的人脸识别技术，重点研究不同位置、不同表情、不平等购物对人脸识别的不利影响。是否有人脸图像。如果有肉，需要定位人脸并用矩形框进行识别。本设计使用连续平均变换去除人脸特征，然后使用雪分类对人脸和人脸进行分类，为了准确确定人脸的位置，为了提高检测算法的准确性和可靠性，改进训练方法，有效提高检测效率，降低误检率，这意味着：它提高了算法的速度，显著提高了算法的可靠性和准确性。