（定稿）富马酸副产物提纯再生项目投资申请报告8（喜欢就下吧）

给定出组标著了征特点的人脸图像，需要时同时求取标准人脸上特征点的置位与每个练训图相和标准人脸之间的变换数参。

这个代迭过程包括下列的步奏初始化所有练训样本上的对应样本点的平均置位作为标准人脸上的征特点。

对任意个练训人脸，计算出该人脸的征特点置位和平均置位之间的应射关系，利用将应射到标准人脸坐标坐。

利用更新平均置位。

如果的变改较小则停止迭代过程，否则转向步奏。

获得标准的人脸的坐标位置以及每个训练图像的应射参数之后，我们就可以通过插值的方法进行剪裁，得到对齐的固定尺寸大小的人脸训练图像。

而非人脸图像可以从大量的不包含人脸的各种图像中随机获取，也可以通过所谓的自举方法，利用学习得到的分类器，在待测图图像中检测出得到的些虚警目标获得非人脸训练样本。

预处理预处理的目的是降抵光照条件不均匀所造成的影响。

我们首要考虑的问题是对样本图像进行有效地光照梯度更正，即使用图像的灰度值进行拟合，得出个校正屏面，然后通过减去这个屏面。

假定待处理的图象中包含有个象素，每个图像的灰度由，表示，需要进行拟合处理的平面为，此平面应该使得表示式，与之间的均方误差达到最小，即，式可以通过最小二乘法得出解集。

求得拟合平面后，将图象中的各个象素与其上对应的置位的值相减，即照度梯度更正消除了图象的阶变化量，能很大程度上的减弱面部的阴影，但这种更正算法并不能完全消除面部的阴影。

这种阴影可以把它看作是人脸检测过程中固有的干扰分量，需采用数理统计学习的方法使分类器适应这些干扰。

为了进步增强人脸模式识别的致性，可以对样本图片的数理统计特性进行归化所谓标准化。

考虑最基本最主要的统计量灰度的均值和方差，将它们调整到给定的大小值。

使得大小为像素的图像灰度矩阵表示为，，那么这个图像的灰度均值和方差分别可以表示为，，不失般性，将图像是指那些从背景图像中抽取出来的和模板大小相同的并且不包含待测目标的系列窗口。

通过检测率，和虚警率，或，之间的变化关系进行定义。

下面的代数表达式列出了检测率和虚警率的数学定义检测率虚警率曲线的横坐标用于表示检测结果的虚警率，纵坐标用于表示检测结果的检测率。

如果个分类器的曲线越是靠近此坐标系的左上角，表明这个分类器的检测性能越优越。

不同的曲线的检测性能的比较可以通过使用在指定的虚警率下对应的检测率或曲线下的面积，的大小对性能进行比较。

下面列出了图，这个坐标系中的曲线是基于测试集而得出的关于人脸检测性能的曲线。

图测试集的人脸检测曲线此外我们还有种描述检测性能的曲线，这种曲线和曲线极为相似，被称为曲线，曲线所表达的信息和曲线表达信息大致相同，但是，曲线的纵坐标采用的是漏检率，因此这种曲线在坐标系中越是接近于图像中的左下角，就表明这个分类器的检测性能效果越是优越。

上文介绍的这两种曲线，即曲线以及曲线，他们的评架方法比较简单直接明了，可以比较有效地评架个分类器对待测目标的检测效率。

但是这两种曲线的灰度均值和方差调整到给定的大小值和，则需要对每个象素点的灰度大小值进行如下代数变换变换后的图像可以部分地消除训练样本与测试样本光照变化。

特征提取特征提取的目地是将训练图像的象素值应射到特征空间，以降低类内间距，提高类间间距，以便于分类器进行分类。

常用的特征包括原始象素特征特征和征特等。

特征提取要同时考虑到特征的别鉴能力和计算复杂程度。

比如当我们直接采用图象灰度值作为征特时，虽然省略去了征特提取这个计算过程，但是由于原始象素特征本身的别鉴性比较低，我们往往需要采用分类其将特征提取这过程隐含在分类其结够中，使得分类其的结够变得非常复杂，分类速度效率下降，征特对目标的述描比较有效，但基于该算法的计算复杂度比较高，不利于进行人脸检测的实时应用。

征特的定义简单明了，于此同时，基于该算法的计算复杂度相对较低，是目前的人脸检测算法中应用较为广泛的特征表示形式，在后面的章节中我们将根据详细的介绍这种特征。

分类器的学习分类器的学习是模式识别和机器学习研究的主要内容，现在比较常用的方法包括神经网络和集成分类器等算法。

神经网络主要应用在世纪年代早期后来随着算法的发展，使得可以采用神经网络的地方已大多被算法替代。

采用算法的优点是可以通过这种算法避免不必要地反复选取神经网络的隐藏节点，且推广性较好。

集成分类器的优点是可以从个特征集合中选择出对于需训练的分类器最为有用的特征子集，基于算法我们会在后面的章节详细介绍。

在分类其训练程过中可以通过自举的方法提高分类其的性螚。

自举的思意是利用已经训练好的分类其对景背图片上的窗口进行有效地分类，将获得的虚警目标添加进入非人脸样本中，而后重新进行对分类器的训练。

自举的目的是将最容易淆混的非人脸样本逐步地加入到训练集样本中，以提高分类其的鉴别能力。

自举的方法可以反复地进行，直到所获得的分类其在测试集合或者验证数据的集合上的性螚上没有明显改善为止。

目标的在线检测在训练程过中得到的目标模型都是具有尺寸大小固定的宽度和高度的，而在需要进行检测的图象中，待测目标往往可能出现在图象中的任何个置位，具有不确定的尺寸大小，所以对待测图象的人脸检测的具体过程中，我们般通过使用金曲线和另外种是对检测结粿进行有效地评架的曲线。

基于对分类器的检测性能进行评价的曲线用于描述分类器在扫描窗口级别的性能料率，所谓的正面检测样本材料是系列的和模板大小相同的并且包含了待测目标的需要分类器进行扫描的窗口，所谓的负面测试样本材料在给定组对应的点后，上面的代数式可以变化成下式当两个图像有两个以尚的对映点时，上述的线型方程组可以通过所谓的伪逆方法求解。

我们假定表达式等号左边的矩阵被称为，那么求解变量，，等号右边的矢量表示为，则有代数表达式如下通过式的逆变换，任意个训练图像上的特征点可以变换有个。

本例预测是根据从风电场获得的风电机组输出功率数据，运用神经网络对风功率进行超短期实时预测并检验预测结果。

数据预处理合理性检验风电场输出功率值应均为正值，且不能大于总机组安装容量，故数值范围为单位为。

在此数值要求情况下，对风电场输出功率数据进行适当修正。

数据标准化在保证数据信息损失小的前提下，为减少网络的训练时间，利用最大最小标准化为数据进行归化，并对数值保留小数点后四位。

归化计算公式为式中，和分别为校正风功率数据中的最大值和最小值，该公式将数据归化到，之间。

转化矩阵形式对时间序列数据进行，这样会导致解线性方程组时出现奇异矩阵，导致解的结果不可靠，这种情况随着样本数的增加而更加明显。

因此，这种方法适用于那些给定样本数据具有代表性的问题。

而对于输入样本数据具有定冗余性的问题来说，这种方法就不太适用。

为此，设计者可以考虑在样本密集的地方中心点可以适当多些，样本稀疏的地方中心点可以少些进步的方法是通过自组织的方法自动找到不同区域样本的代表向量。

在这种方法中，旦中心点选定，就而已进步确定基函数的扩展系数。

例如高斯函数的宽度可以取式中，是所选数据中心之间的最大距离，是数据中心的数目。

自组织学习选取中心及网络设计中心通过自组织学习进行聚类，选取聚类中心作为中心，而输出层的权值可以通过解线性方程组，也可以通过有监督的学习规则计算。

自组织学习的目的是使的中心位于样本空间的代表性区域。

年，和提出种由两个阶段组成的混合学习过程的思路。

第阶段为自组织学习阶段，目的是为隐藏层径向基函数的中心估计个合适的位置，可采用聚类算法确定合适的数据中心，并根据各中心之间的距离确定隐节点的扩展系数第二阶段为监督学习阶段，用有监督学习算法，如梯度法训练网络得出输出层的权值。

虽然可以用批处理来执行上述两种学习阶段，但是用自适应迭代的方法更理想。

对于自组织学习过程，我们需要个聚类的算法将所给的数据点剖几个不同的部分，每部分中的数据都尽量有相同性质。

种这样的算法为均值聚类算法，他将径向基函数的中心放在输入空间中重要数据点所在的区域上。

那么，数据中心的均值聚类算法的步骤如下初始化。

选择个互不相同向量作为初始聚类中心，选择方法可以是随机选取。

计算各样本点与聚类中心点的距离。

相似匹配。

将全部样本划分为个子集，每个子集构成个以聚类中心为典型代表的聚类域。

更新各类的聚类中心。

对各聚类域中的样本取均值表示聚类中心。

令，转到第步，标，将能够令误差最小的扩展参数的值选出，并用在最后的网络预测中，而式可以作为网络训练的终止准则。

可以看出，扩展参数的确定过程体现了对网络性能的验证过程。

文中由于将预测的数据均标准化至，区间内，输入向量之间距离的最大及最小值分别为和，因此选择扩展参数由，并以步长为进行变化。

采用进化优选算法选择中心把网络的结构设计问题归结为寻找最优选择路径问题，然后采用进化策略进行寻找，从而得到最优的数据中心及扩展系数。

例如基于免疫算法的网络优化基于遗传算法的网络优化。

下面以遗传算法为例介绍。

遗传算法，到标准人脸坐标。

给定出组标著了征特点的人脸图像，需要时同时求取标准人脸上特征点的置位与每个练训图相和标准人脸之间的变换数参。

这个代迭过程包括下列的步奏初始化所有练训样本上的对应样本点的平均置位作为标准人脸上的征特点。

对任意个练训人脸，计算出该人脸的征特点置位和平均置位之间的应射关系，利用将应射到标准人脸坐标坐。

利用更新平均置位。

如果的变改较小则停止迭代过程，否则转向步奏。

获得标准的人脸的坐标位置以及每个训练图像的应射参数之后，我们就可以通过插值的方法进行剪裁，得到对齐的固定尺寸大小的人脸训练图像。

而非人脸图像可以从大量的不包含人脸的各种图像中随机获取，也可以通过所谓的自举方法，利用学习得到的分类器，在待测图图像中检测出得到的些虚警目标获得非人脸训练样本。

预处理预处理的目的是降抵光照条件不均匀所造成的影响。

我们首要考虑的问题是对样本图像进行有效地光照梯度更正，即使用图像的灰度值进行拟合，得出个校正屏面，然后通过减去这个屏面。

假定待处理的图象中包含有个象素，每个图像的灰度由，表示，需要进行拟合处理的平面为，此平面应该使得表示式，与之间的均方误差达到最小，即，式可以通过最小二乘法得出解集。

求得拟合平面后，将图象中的各个象素与其上对应的置位的值相减，即照度梯度更正消除了图象的阶变化量，能很大程度上的减弱面部的阴影，但这种更正算法并不能完全消除面部的阴影。

这种阴影可以把它看作是人脸检测过程中固有的干扰分量，需采用数理统计学习的方法使分类器适应这些干扰。

为了进步增强人脸模式识别的致性，可以对样本图片的数理统计特性进行归化所谓标准化。

考虑最基本最主要的统计量灰度的均值和方差，将它们调整到给定的大小值。

使得大小为像素的图像灰度矩阵表示为，，那么这个图像的灰度均值和方差分别可以表示为，，不失般性，将图像是指那些从背景图像中抽取出来的和模板大小相同的并且不包含待测目标的系列窗口。

通过检测率，和虚警率，或，之间的变化关系进行定义。

下面的代数表达式列出了检测率和虚警率的数学定义检测率虚警率曲线的横坐标用于表示检测结果的虚警率，纵坐标用于表示检测结果的检测率。

如果个分类器的曲线越是靠近此坐标系的左上角，表明这个分类器的检测性能越优越。

不同的曲线的检测性能的比较可以通过使用在指定的虚警率下对应的检测率或曲线下的面积，的大小对性能进行比较。

下面列出了图，这个坐标系中的曲线是基于测试集而得出的关于人脸检测性能的曲线。

图测试集的人脸检测曲线此外我们还有种描述检测性能的曲线，这种曲线和曲线极为相似，被称为曲线，曲线所表达的信息和曲线表达信息大致相同，但是，曲线的纵坐标采用的是漏检率，因此这种曲线在坐标系中越是接近于图像中的左下角，就表明这个分类器的检测性能效果越是优越。

上文介绍的这两种曲线，即曲线以及曲线，他们的评架方法比较简单直接明了，可以比较有效地评架个分类器对待测目标的检测效率。

但是这两种曲线