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，只有张于训翻译时的速度这里我谈的是电子版和打印版的翻译速度，按个人翻译速度看，打印版的快些，因为看电子版本是费眼睛，二是如果我们用电脑，可能还经常时不时玩点游戏，或者整点别的，导致最终变慢，再之电脑上些词典金山词霸等在专业翻译方面也不是特别好，所以翻译效果不佳。在此本人建议大家购买清华大学编写的好像是国防工业出版社的那本英汉科学技术词典，基本上挺好用。再加上网站如翻译助手，这样我们的翻译速度会提高不少。具体翻译时的些技巧主要是写论文和看论文方面大家大概都应预先清楚明白自己专业方向的国内牛人，在这里我强烈建议大家仔细看完这些头上长角的人物的中英文文章，这对你在专业方向的英文和中文互译水平提高有很大帮助。我们大家最蹩脚的实质上是写英文论文，而非看英文论文，但话说回来我们最终提高还是要从下大工夫看英文论文开始。提到会看，我想它是有窍门的，个人总结如下把不同方面的论文分夹存放，在看论文时，对论文必须做到看完后完全明白你重视的论文懂得其部分讲了什么你需要参考的部分论文，在看明白这些论文的情况下，我们大家还得紧接着做的工作就是把论文中你觉得非常巧妙的表达写下来，或者是你论文或许能用到的表达摘记成本。这个本将是你以后的财富。你写论文时再也不会为了些表达不符合西方表达模式而烦恼。你的论文也降低了被或大牛刊物退稿的几率。不信，你可以试试把摘记的内容自己编写成检索，这个过程是我们对文章再回顾，而且是对你摘抄的经典妙笔进行梳理的重要阶段。你有了这个过程。写英文论文时，将会有种信手拈来的感觉。许多文笔我们不需要自己再翻译了。当然前提是你梳理的非常细，而且中英文对照写的比较详细。最后点就是我们往大成修炼的阶段了，万事不是说成的，它是做出来的。写英文论文也就像我们小学时开始学写作文样，你不练笔是肯定写不出好作品来的。所以在此我鼓励大家有时尝试着把自己的论文强迫自己写成英文的，遍不行，可以再修改。最起码到最后你会很满意。呵呵，我想我是这么觉得的。,,,,,钟相容的多糖。由于其抗菌能力，壳聚糖很有可能应用于抗菌包装。研究证明，壳聚糖薄膜和涂层对于食品保藏非常有效。在壳聚糖中加入活性物质，例如艾菊精油和薄荷，可以提高它的抗菌活性。虽然壳聚糖是种有前景的活性食品包装的生物高分子聚合物，但是它没有有效的抗氧化活性。壳聚糖抗氧化活性的提高可以拓宽其在活性食品包装中的应用。茶多酚是从茶叶中提取出来的，包含儿茶素黄酮类花青素和酚酸，但是儿茶素是其主要成分，含量超过。儿茶素主要包含表没食子儿茶素没食子酸脂没食子儿茶素表儿茶素没食子酸酯和表儿茶素。研究结果表明，茶多酚的抗菌性和抗氧化活性在他们被用作防腐剂和抗氧化剂方面表现出了良好的小粒子。不断循环着的不导电的液体，将侵蚀下来的金属粒子带走，同时也有助于驱散火花产生的热量。在最近几年，电火花加工的主要进步是降低了它加工后的表面粗糙度。用低的金属切除率时，表面粗糙度可达。用高的金属切除率如高达时，表面粗糙度为。需要的表面粗糙度的类型，决定了能使用的安培数,电容用统计方法，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