部类相匹配。个简单的技巧是通过计算的距离，其中是类的均值向量。当时，这个测试图像可以认为是类的，其中和是阀值。分块方法基于的人脸识别方法在多姿态和光照变化的情况下不是非常有效，因为处理每幅图像的全部信息，同时用组权值进行表示。在上述条件下的权重向量很大的不同与正常姿态和光照条件下图像的权重向量，因此很难正确的识别他们。另方面，如果人脸图像被分成较小的区域，同时计算每个区域的权重向量，这些权重将会更加具有人脸本地信息的代表性。当只有姿态或光照种因素变化时，只有些人脸区域将会变化，其他区域将会保持致与正常人脸图像区域。所以脸部区域权重不会受到变化的姿态和光照的影响，将紧密地与同个人在正常情况下的脸部区域权重相匹配。因此期望通过以下分块方法提高识别率。我们预计如果人脸图像被分成非常小的区域人脸将可能会丢失全局信息，同时这种方法的准确性可能会恶化。在这个方法中，每幅在训练集中的图像被分成个小的图像。因此每个子图的大小将是。这些子图用数学表示为,其中从到，是训练集中图像的数量，从到，是子图的数量，和从到。图表显示的是将人脸图像使用式在时分成四个子图的结果。所有训练子图的均值图像可以通过以下计算出来下步是通过减去均值来标准化每个训练子图,通过标准化子图的可以计算协防差矩阵如下下步我们发现的特征向量与最大的特征值相关联。我们把特征向量记为,。通过特征向量计算权重如下所示,其中取值为从到，为每个人的图片数量，从到，为训练集中人的数量。同样也可以使用特征向量即如下所示的方程计算测试子图的权重。,在训练集中每类均值权重集通过类的权重组计算出来。如下所示,下步通过如下所示计算出最小距离，为个特定的值。在训练集对应的人脸类是最接近测试图像。因此测试图像被公认为属于人脸类。图像数据库在和两个图像数据库下进行评估传统算法和分块算法的表现。数据库图像有不同的姿态，数据库图像有不同的光照和表情方式。在这两个数据库中的所有图像都进行了规范化，并剪切成像数。姿态数据库在我们测试中我们采取了人脸数据,,,,,,,,,,,,,,,,,,,,,,,,,库的部分，它有个不同的人，每人张图像。每个人的每个图像都是在不同的姿态和正常的表情下采集的。取出个人的十张图像，只有八张用于训练，其余的两张用于测试识别率。图和显示了个人的组分别用于训练和测试的图像。在选择训练和测试图像时，测试这两个算法的测试图像的头部姿态角，要在训练图像头部姿态角度以外。在这个选择的训练图像和测试图像下，算法和分块方法可能表现不佳，但是我们的目标是用训练图像头部姿态角度以外测试图像比较它们的性能。表情和光照数据库数据库有个成人的张图像，每个人张图像。这些人脸图像面部表情和光照是变化的。这些图像有正常，悲伤，高兴，困乏，惊讶和眨眼的表情。也有光源在中心，左边，右边的图像。除了这些，还有戴眼镜与不戴眼镜的图像。取出个人的张图像，只有张用统计方法，神经网络方法和特征方法的调查。目前，主成分分析在正面人脸识别可以取得不错的结果。它是种统计方法，人脸被表示为他们特征向量的个子集，并因此被称为特征脸，。也已被用于指纹设别等人,人造目标识别工业机器人等人和移动机器人。但是结果表明在姿态变化和光照极度变化的情况下识别率不尽如人意。这个研究的主要目标是改善人脸识别受到面部表情，光照和头部姿态变化下的准确度。在上述之前，方法已是人脸识别领域非常流行的技术。但是这种技术在光照和面部姿态变化非常大时并不十分准确。在这项研究工作试图提高这项技术在面部表情，光照和姿态变化条件下的准确性。我们提出了分块方法，这是传统方法的个延伸。在分块方法，人脸图像被分成较小的图像，使用处理每个子图。而在传统方法以整个人脸图像来考虑，因此大范围姿态或光照的变化会严重影响识别率。对于分块方法，原始图像被分成子图，这个图像姿态或光照的变化将只会影响些子图。所以我们希望这个方法相比传统方法有比较好的识别率。个相似的方法叫做特征空间被等人在年提出。在这个方法中方法应用在面部图像的眼睛和鼻子。本文组织如下第二节介绍传统方法。第三节阐述分块方法。第四节介绍用于测试人脸识别方法的人脸数据库。第五节介绍方法和提出的分块方法在人脸图像设置在强光照和姿态变化下的模拟结果。最后，在第六节得出结论。方法的回顾方法已被广泛应用于人脸识别领域。在整体人脸近似重建方面，使用加权组合的特征向量特征脸，它是从整体中提取出来的,。把给定的图像用被看成全局面部特征的特征图像进行扩展。这个工作的深入延伸是和的人脸特征图像固有对称性。在人脸数据库中的所有人脸被以很长的向量进行表示，而不是用普通矩阵进行表示。这样就构造出了整个图像空间，其中每个图像就是个点。由于人脸都有相似的结构眼睛，鼻子和嘴等等，那些描述人脸的向量都有相互的联系。我们可以看到同类的人脸图像位于图像空间的位置周围。因此人脸图像用组由训练人脸图像协方差矩阵产生的特征向量表示。这个想法来自于特征图像我们的案例特征图像是去找到个更低维空间，在哪儿用短的向量描述人脸图像。图以图形的方式阐释了这个想法。计算特征脸假设人脸数据库的人脸图像是的。这些图像可以被表示为维的向量，或维空间的个点。组图像相当于组在高维空间的点。因为脸部图像在结构上是相似的，这些点将不会随机的分布，因此可以使用低纬子空间进行描述。给出了这个子空间的基向量被称为面部空间。每个基向量的长，同时协防差矩阵的特征向量与原人脸图像相致。,为组人脸图像训练集。平均脸定义为每个脸偏离平均脸程度用向量表示，协方差矩阵为协方差矩阵的特征向量被计算出来，同时选择最大特征值对应的特征向量作为有意义的特征向量。从这些特征向量，每幅图像在训练组的分量通过如下计算出来,其中是最大的特征值对应的特征向量，从变化到。分类测试图像通过以下操作如下放入面部空间权重组成个向量这个描述每个输入脸部图像的特征脸的贡献。这个向量可以用来使测试图像与预先确定的脸于训产转化为股权的财政政策。因此，在整个论文中，我们考虑了连接资产波动和股权波动的财务杠杆。由此可知，财务杠杆可以衡量资产和股权的波动性。由于财政政策是由经营者或经营者决定，因此我们应该注意与企业资产和运营有关的金融政策的影响。具体来说，我们研究了以前的研究表明的各种特点，并尽可能明确区分与公司运营有关的风险即决定经济的风险因素和与企业融资有关的风险即财务风险的决定因素。然后，我们使经济风险成为利兰和托夫特模型或者是降低财务杠杆的模型中财政政策的决定性因素。采用结构模型的优点是，我们能够考虑，无论是有关财务及经营问题的些可能性因素如分红，还是般破产决定，且为财政政策内生性的可能性。我们代理的公司风险是从股票每天回报率的标准差而得的普通股的收益波动性计算而来。我们代理的经济风险是用来维护的公司的业务和资产，确定产生的现金流量的过程为公司的本质特征。例如，企业规模和年龄可以衡量企业的成熟度有形资产厂房，财产和设备代表个公司的硬件资本开支衡量资本密集度以及企业发展潜力。营业利润及其波动性可以衡量现金流量的及时性和存在的风险。要了解公司财务风险的影响因素，我们需考察总债务，债务期限，股息支出，以及现金和短期投资。我们分析的核心结果是惊人的个典型公司经济风险的决定性因素可以解释绝大多数股票的波动性变化。相应地，隐含的财务杠杆远远比看到的负债比率低。具体来说，我们在涵盖年至年的样本中平均实际净财务市场杠杆约为，而我们的估计值根据型号不同规格，估计技术在和之间。这表明，企业可能采取其他金融政策管理金融风险，从而将有效杠杆降低到几乎可以忽略不计的水平。这些政策可能包括动态调整财务变量，如债务水平，债务期限，或现金控股见如阿查里雅，阿尔梅达，和坎佩洛，。此外，许多公司也利用诸如金融衍生工具，与投资者的合同安排如信贷额度，债务合同要求规定，或在供应商合同应急费用，车辆特殊用途特殊目的公司使用明确的金融风险管理技术，或其他替代风险转移技术。对股票波动性产生影响的经济风险因素预测的迹象通常非常显著。此外，影响的幅度也是巨大的。我们发现，股权会随着企业规模和年龄的大小而波动。这是直观的，因为大型和成熟的企业通常有反映资本报酬波动的较稳定业务范围。资本支出的减少对股票的波动影响较弱。与牧师和韦罗内西年的预测相致，我们发现，具有较高的盈利能力和较低的利润波动性的公司股票的波动性较低。这表明，有更高，更稳定的经营性现金流量的公司破产的可能性较小，因此存在潜在风险的可能性较小。在所有的经济风险因素中，公司规模，利润波动及股利政策对股票波动性的的影响突出。不像以前的些研究中，我们对增加总公司杠杆风险的财政政策的内生性精心研究证实。否则，金融风险与总风险存在不确定的关系。鉴于大量关于财政政策文献的研究，毫不奇怪，至少部分金融变量由企业存在的经济风险决定。不过，具体的调查结果有些出人意料。例如，在个简单的模型中，资本结构，股利支出会增加财务杠杆，因为它们代表了个企业即增加的净债务的现金流出。我部类相匹配。个简单的技巧是通过计算的距离，其中是类的均值向量。当时，这个测试图像可以认为是类的，其中和是阀值。分块方法基于的人脸识别方法在多姿态和光照变化的情况下不是非常有效，因为处理每幅图像的全部信息，同时用组权值进行表示。在上述条件下的权重向量很大的不同与正常姿态和光照条件下图像的权重向量，因此很难正确的识别他们。另方面，如果人脸图像被分成较小的区域，同时计算每个区域的权重向量，这些权重将会更加具有人脸本地信息的代表性。当只有姿态或光照种因素变化时，只有些人脸区域将会变化，其他区域将会保持致与正常人脸图像区域。所以脸部区域权重不会受到变化的姿态和光照的影响，将紧密地与同个人在正常情况下的脸部区域权重相匹配。因此期望通过以下分块方法提高识别率。我们预计如果人脸图像被分成非常小的区域人脸将可能会丢失全局信息，同时这种方法的准确性可能会恶化。在这个方法中，每幅在训练集中的图像被分成个小的图像。因此每个子图的大小将是。这些子图用数学表示为,其中从到，是训练集中图像的数量，从到，是子图的数量，和从到。图表显示的是将人脸图像使用式在时分成四个子图的结果。所有训练子图的均值图像可以通过以下计算出来下步是通过减去均值来标准化每个训练子图,通过标准化子图的可以计算协防差矩阵如下下步我们发现的特征向量与最大的特征值相关联。我们把特征向量记为,。通过特征向量计算权重如下所示,其中取值为从到，为每个人的图片数量，从到，为训练集中人的数量。同样也可以使用特征向量即如下所示的方程计算测试子图的权重。,在训练集中每类均值权重集通过类的权重组计算出来。如下所示,下步通过如下所示计算出最小距离，为个特定的值。在训练集对应的人脸类是最接近测试图像。因此测试图像被公认为属于人脸类。图像数据库在和两个图像数据库下进行评估传统算法和分块算法的表现。数据库图像有不同的姿态，数据库图像有不同的光照和表情方式。在这两个数据库中的所有图像都进行了规范化，并剪切成像数。姿态数据库在我们测试中我们采取了人脸数据,,,,,,,,,,,,,,,,,,,,,,,,,库的部分，它有个不同的人，每人张图像。每个人的每个图像都是在不同的姿态和正常的表情下采集的。取出个人的十张图像，只有八张用于训练，其余的两张用于测试识别率。图和显示了个人的组分别用于训练和测试的图像。在选择训练和测试图像时，测试这两个算法的测试图像的头部姿态角，要在训练图像头部姿态角度以外。在这个选择的训练图像和测试图像下，算法和分块方法可能表现不佳，但是我们的目标是用训练图像头部姿态角度以外测试图像比较它们的性能。表情和光照数据库数据库有个成人的张图像，每个人张图像。这些人脸图像面部表情和光照是变化的。这些图像有正常，悲伤，高兴，困乏，惊讶和眨眼的表情。也有光源在中心，左边，右边的图像。除了这些，还有戴眼镜与不戴眼镜的图像。取出个人的张图像，只有张用