基于图像矩阵判别局部保持投影的人脸识别

合集下载

人脸识别经典算法

人脸识别经典算法
人脸识别经典算法是指在人脸识别领域经典、应用广泛的算法，主要包括以下几种：
1. 特征脸算法（Eigenface）：该算法是利用主成分分析（PCA）对人脸图像进行降维处理，将高维度的图像转换为低维度的向量，然后通过计算向量之间的距离来实现人脸识别。

2. Fisherfaces算法：该算法和特征脸算法类似，但是在计算主成分时，将类内距离最小和类间距离最大作为优化目标，来提高人脸识别的准确率。

3. 局部二值模式（Local Binary Pattern）算法：该算法使用图像中每个像素点周围的像素点值来构建特征向量，并采用模式匹配算法来实现人脸识别。

4. 非负矩阵分解（Nonnegative Matrix Factorization）算法：该算法是将人脸图像矩阵分解为两个非负矩阵，利用这两个矩阵的乘积来表示原始矩阵，实现人脸特征提取和识别。

5. 线性判别分析（Linear Discriminant Analysis）算法：该算法通过最大化类间距离和最小化类内距离来提高人脸识别准确率，同时可以降低维度，减少计算量。

以上算法都有其优缺点，在实际应用中需要根据具体情况选择合适的算法来实现人脸识别。

随着人工智能技术的不断发展，人脸识别算法也在不断改进和创新。

- 1 -。

局部保持鉴别投影及其在人脸识别中的应用

ｔｈｅｉｎｔｒｉｎｓｉｃ１ｏｃａｌｎｅｉｇｈｂｏｒｓｔｒｕｃｔｕｒｅｏｆｔｈｅｓａｍｐｌｅｓｏｆｓａｍｅｃｌａｓｓｉＳｍａｉｎｔａｉｎｅｄａｎｄｔｈｅｄｉｓｔａｎｃｅｓｂｅｔｗｅｅｎｔｈｅｍａｒｅ
ＰｒｏｊｅｃｔｉｏｎｆｏｒＦａｃｅＲｅｃｏｇｎｉｔｉｏｎ
ＺｈａｏＺｈｅｎ．．ｈｕａＨａｏＸｉａｏ．．ｈｏｎｇ
（ＣｏｌｌｅｇｅＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｉｎｒｇ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙｏ／Ｔｅｃｈｎｏｌｏｇｙ，Ｌａｎｚｈｏｕ７３００５０，Ｃｈｉｎａ）
ｄｉｍｅｎｓｉｏｎａｌｉｔｙｉｓｐｒｏｐｏｓｅｄｆｏｒｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ．Ｉｎｔｈｉｓｓｔｕｄｙ，ｔｈｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｇｒａｐｈｏｆＬＰＰｉｓｓｐｌｉｔｉｎｔｏｗｉｔｈｉｎ — ｃｌａｓｓｇｒａｐｈａｎｄｂｅｔｗｅｅｎ — ｃｌｓｓａｇｒａｐｈａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｌｓｓａｌａｂｅｌｉｎｆｏｒｍａｔｉｏｎｏｆｓａｍｐｌｅｓ．Ａｆｔｅｒｏｐｔｉｍｉｚｉｎｇ，

局部保持最大间距准则在人脸识别中的应用

（ｃｌｅｗｅ —ｌｓｃｔｒｔｘ和局部类内散布矩阵（ｃｌｉｉ— ｌｓｓａｅｍａｉ）因此最终的嵌入能同时保持相邻的几何结构和提取１ａｂｔｅｎｃａｓｓａｔｍａ）ｏｅｉｒ１ａｗｔｎｃａｓｃｔｒｔｘ，ｏｈｔｒ重要的判别信息。言之，换引入恰当的权重能在局部方式提升最大间距准则（ｘｍｕＭａｇｎＣｉｒｎ，写：Ｍａｉｍｒｉｒｅｏ缩ｔｉＭＭＣ）的表现。基准数据库中的在
实验结果一致证明了识别效果的提高
【键词】部保持最大间距准则；征提取；脸识别关局特人
Ｏ概述
远则Ａ（Ｊ较小。换言之，ｉ）节点轧和 ≈上的处理。因此，些新ｉ）Ａ（是 √ 这的权重矩阵描述训练样本之间的局部结构和邻近关系。通常，射矩仿
ｎ
一
．
，
，＝＝设ＪＬ一则可以定义另一个ｎ）一＝维对称的，单一特征（而全局的或局部的）于描述基本的真实结构可能不够Ｄ二Ｗ，，一，：Ｗ，用
一
算子（ｖｒｅｏｅａｒ，此令降低维数和分类更加简便。ｉｅｓｐｒｔ）由ｎｏ其中一个不能忽视的事实是，现实世界数据的结构通常是复杂
设Ｄ和为ｎ维对角线矩阵，对角线元素Ｄ＝，）

基于图像识别的人脸识别技术研究

基于图像识别的人脸识别技术研究人脸识别技术是近年来计算机科学领域中非常热门的话题，其可以应用于安保领域、人机交互领域、计算机视觉领域等多个领域。

而基于图像识别的人脸识别技术作为其中的一种，由于其灵敏度高、准确度高等特点得到了人们的广泛应用和研究。

一、人脸识别技术基础1.1 人脸图像采集为了让计算机对人脸进行识别，首先需要采集人脸图像。

常见的采集手段有摄像头、照相机等。

在采集人脸图像的同时，需要注意图像的质量，光照的均匀性、角度等各种因素都会影响人脸识别技术的准确性。

1.2 人脸检测人脸检测是人脸识别技术中非常重要的一环。

简单来说，就是从一张图片中找出脸部区域。

这个问题在计算机视觉中被称为目标检测问题。

常见的人脸检测算法有Haar特征分类器、Viola-Jones算法等。

1.3 人脸关键点定位人脸关键点定位是指定位出人脸的各个特征点，比如眼睛、鼻子、嘴巴等等。

关键点的定位对于后续的特征提取非常重要。

常见的算法有基于模板匹配的算法、基于深度学习的算法等。

1.4 人脸特征提取人脸特征提取是指从采集到的人脸图像中提取能够反映人脸特征的信息。

常见的算法有主成分分析法、线性判别分析法、局部二值模式算子法等。

1.5 人脸识别人脸识别是指根据图像识别技术提取到的人脸特征对人脸进行鉴别的过程。

常见的算法有基于最近邻算法的人脸识别、基于支持向量机的人脸识别等。

二、基于图像识别的人脸识别技术研究进展2.1 基于深度学习的人脸识别技术近年来，随着深度学习技术的快速发展，基于深度学习的人脸识别技术也不断取得了突破性进展。

深度学习模型能够学习到更为抽象的特征，从而极大地提高了人脸识别的准确性和鲁棒性。

常见的基于深度学习的人脸识别算法有DeepFace、FaceNet、OpenFace等。

2.2 基于模型的人脸识别技术基于模型的人脸识别技术是指通过构建人脸识别模型，对已知的人脸样本进行训练，从而实现对新的未知人脸的识别。

常见的基于模型的人脸识别算法有局部Gabor二值模式算法、自适应特征融合方法等。

用于人脸识别的半监督优化局部保持投影

问题。为此提出一种用于人脸识别的半监督的优化的局部保持投影（ＳＳＯＬＰＰ）。该算法在ＳＯＬＰＰ的基础上，通过加权平衡参
数融合了未监督的主成分析（ＰＣＡ）降维算法，使得投影后的数据保持了高维数据中的未标注样本的、全局的散布结构信息和
ＰｒｅｓｅｖｒｉｎｇＰｒｏｊｅｃｔｉｏｎ，简称ＳＯＬＰＰ）。与只考虑局部
１基本理论
１．１ＬＰＰ
信息的ＬＰＰ相比，ＳＯＬＰＰ还设计相似矩阵来反映样
第１３卷
第９期
２０１３年３月
科
学
技
术
与
工
程
Ｖ０１．１３Ｎｏ．９Ｍｏｒ．２０１３
１６７１ —１８１５（２０１３１０９．２３９８ — ０５
ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ
信息。在Ｙａｌｅ和ＹａｌｅＢ上实验结果验证了所提算
法的有效性。
ｊｅｃｔｉｏｎ，简称ＳＯＬＰＰ）Ｅ４］基础上，文献［５］提出了监督的优化的局部保持投影（ＳｕｐｅｒｖｉｓｅｄＯｐｔｉｍａｌＬｏｃａｌｉｔｙ
维算法。该算法在保持了ＳＯＬＰＰ的特性，通过引
入非监督的主成分分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａ１．

基于改进的子模式局部保持映射人脸识别方法

ｓｃｈｅｍｅｕｓｉｎｇｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗａｓｐｒｏｐｏｓｅｄｆｏｒＳｐＬＰＰ．Ｔｈｅｉｍｐｏｒｔａｎｔｐｒｏｂｌｅｍｏｆｔｈｉｓ
Ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｓｕｂ－ｐａｔｔｅｒｎｌｏｃａｌｉｔｙｐｒｅｓｅｒｖｉｎｇｐｒｏｊｅｃｔｉｏｎＲＥＮＣｈｅｎｇ－ｊｕａｎ
０引言
由于计算机人脸识别在管理、公共安全等领域有着巨大的应用前景，目前已成为人工智能和模式识别领域的一个研究热点。特征提取是计算机人脸识别的核心步骤，子空间分析方法因其具有技术代价小、易实现、描述能力强和可分性好等优点被广泛地应用于人脸特征提取，成为目前人脸识别的主流
Ａｂｓｔｒａｃｔ：ＡｌｔｈｏｕｇｈＳｕｂ — ｐａｔｔｅｒｎｏｃＬｌａｉｔｙＰｒｅｓｅｖｉｒｎｇＰｒ０ｊｅｃｔｉｏｎｓｉｓｒｏｂｕｓｔｔｏｖａｉｒａｔｉｏｎｉｎｉｌｌｕｍｉｎａｔｉｏｎ，
２０１３年第ｇ期
文章编号：１００９— ２５５２（２０１３）０９— ００４２～０４中图分类号：ＴＰ３９１文献标识码：Ａ

基于Haar小波和保局投影的人脸识别

［ｓｒｃＩＦｒｔｅｕｅｏｏａｔｒｓｒｉｇＰ（ｅｔｎ（Ｐｆｒａｅｒｃｇｉｏｎｅｒａｏｉｄｍａｅｙｎｉ，ｈｓａｅｒｓｎｓＡｂｔａｔｏｓｆｃｌｙＰｅｅｖｎｒｃｉｓｈＬｉｏＬＰ）ｏｃｅｏｎｔｎａｄｔｌｗａｇｄｂｏｓｔｉｐｐｒｅｅｔａｆｉｈｅｆｌｓｅｐ
其中，权值矩阵ｗ是相似矩阵；，是矩阵第ｉ行、第列的元素的权值：
属于一的最近邻点个之一或者属于ｔ个的
第３７卷第ｌ期８
、０１７，．３
・
计
算
机
工
程
２１０１年９月
Ｓｅｔｍｂｅ０１ｐｅｒ２１
ＮＯ．８１
ＣｏｕｔｒＥｎｇｎｅｉｇｍｐｅｉｅｒｎ
人工智能及识别技术・
文章绩号：１３２（１１—０８—ｏ文献标识码ｔＡ０＿４８ｏ１８＿８＿ｏ２）１２
Ｉｙｗｏｄａｅｒｃｇｉｏ；ｆａｕｅｅｔｃｉｎｒｓｆｃｅｏｎｔｎｅｔｒｘｒｔ；ＨａａｅｅｔｎｆｒｔｎｏａｉｒｓｒｉｇＰｏｅｔｎ（Ｐ）ｅｅｔｎｉｈｏＫｅｌｉａｏｒａｗｖｌｔｒｓｏｍａｉ；ＬｃｌｙＰｅｅｖｎｒｊｃｉｓＰ；ｎａｓｅｇｂｒａｏｔｏＬｒ
ｃａｓｆｃｔｏｌｓｉａｉｎｉ
Ｄ０Ｉ１．６／ｉｎ１０ —４８２１．８０２：０３９ｊｓ．０３２．０１１．６９．ｓ０
１概述

本科毕业论文-—基于opencv的图像识别

基于2DPCA的人脸识别算法研究摘要人脸识别技术是对图像和视频中的人脸进行检测和定位的一门模式识别技术，包含位置、大小、个数和形态等人脸图像的所有信息。

由于近年来计算机技术的飞速发展，为人脸识别技术的广泛应用提供了可能，所以图像处理技术被广泛应用了各种领域。

该技术具有广阔的前景，如今已有大量的研究人员专注于人脸识别技术的开发。

本文的主要工作内容如下：1)介绍了人脸识别技术的基础知识，包括该技术的应用、背景、研究方向以及目前研究该技术的困难，并对人脸识别系统的运行过程以及运行平台作了简单的介绍。

2)预处理工作是在原始0RL人脸库上进行的。

在图像的预处理阶段，经过了图象的颜色处理，图像的几何归一化，图像的均衡化和图象的灰度归一化四个过程。

所有人脸图像通过上述处理后，就可以在一定程度上减小光照、背景等一些外在因素的不利影响。

3)介绍了目前主流的一些人脸检测算法，本文采用并详细叙述了Adaboost人脸检测算法。

Adaboost算法首先需要创建人脸图像的训练样本，再通过对样本的训练，得到的级联分类器就可以对人脸进行检测。

4)本文介绍了基于PCA算法的人脸特征点提取，并在PCA算法的基础上应用了改进型的2DPCA算法，对两者的性能进行了对比，得出后者的准确度和实时性均大于前者，最后将Adaboost人脸检测算法和2DPCA算法结合，不仅能大幅度降低识别时间，而且还相互补充，有效的提高了识别率。

关键词：人脸识别 2DPCA 特征提取人脸检测2DPCA Face Recognition Algorithm Basedon The ResearchAbstract：Face recognition is a technology to detect and locate human face in an image or video streams,Including location, size, shape, number and other information of human face in an image or video streams.Due to the rapid development of computer operation speed makes the image processing technology has been widely applied in many fields in recent years. This paper's work has the following several aspects:1)Explained the background, research scope and method of face recognition,and introduced the theoretical method of face recognition field in general.2)The pretreatments work is based on the original ORL face database. In the image preprocessing stage, there are the color of the image processing, image geometric normalization, image equalization and image gray scale normalization four parts. After united processing, the face image is standard, which can eliminate the adverse effects of some external factors.3)All kinds of face detection algorithm is introduced, and detailed describing the Adaboost algorithm for face detection. Through the Adaboost algorithm to create a training sample,then Training the samples of face image,and obtaining the cascade classifier to detect human face.4)This paper introduces the facial feature points extraction based on PCA ,and 2DPCA is used on the basis of the PCA as a improved algorithm.Performance is compared between the two, it is concluds that the real time and accuracy of the latter is greater than the former.Finally the Adaboost face detection algorithm and 2DPCA are combined, which not only can greatly reduce the recognition time, but also complement each other, effectively improve the recognition rate.Key words：Face recognition 2DPCA Feature extraction Face detection目录第1章前言 (1)1.1 人脸识别的应用和研究背景 (1)1.2 人脸识别技术的研究方向 (2)1.3 研究的现状与存在的困难 (3)1.4 本文大概安排 (4)第2章人脸识别系统及软件平台的配置 (4)2.1 人脸识别系统概况 (4)2.1.1 获取人脸图像信息 (5)2.1.2 检测定位 (5)2.1.3 图像的预处理 (5)2.1.4 特征提取 (6)2.1.5 图像的匹配与识别 (6)2.2 OpenCV (6)2.2.1 OpenCV简介 (6)2.2.2 OpenCV的系统配置 (7)2.3 Matlab与图像处理 (8)第3章图像的检测定位 (8)3.1 引言 (8)3.2 人脸检测的方法 (8)3.3 Adaboost算法 (9)3.3.1 Haar特征 (10)3.3.2 积分图 (10)3.3.4 级联分类器 (11)第4章图像的预处理 (13)4.1 引言 (13)4.2 人脸图像库 (13)4.3 人脸预处理算法 (14)4.3.1 颜色处理 (14)4.3.2几何归一化 (15)4.3.3直方图均衡化 (16)4.3.4灰度归一化 (18)4.4 本章小结 (19)第5章图像的特征提取与识别 (19)5.1 引言 (19)5.2 图像特征提取方法 (20)5.2.1基于几何特征的方法 (20)5.2.2基于统计的方法 (20)5.2.3弹性图匹配(elastic graph matching) (21)5.2.4神经网络方法 (21)5.2.5支持向量机(SVM)方法 (22)5.3 距离分类器的选择 (22)5.4 PCA算法的人脸识别 (24)5.5 二维主成分分析（2DPCA） (25)5.5.1 2DPCA人脸识别算法 (25)5.5.2 特征提取 (27)5.5.3 分类方法 (27)5.5.4 基于2DPCA的图像重构 (28)5.6 实验分析 (28)第6章总结与展望 (33)6.1 本文总结 (33)6.2 未来工作展望 (33)致谢 (34)参考文献： (35)第1章前言1.1 人脸识别的应用和研究背景随着社会科学技术的发展进步，特别是最近几年计算机的软硬件技术高速发展，以及人们越来越将视野集中到快速高效的智能身份识别，使生物识别技术在科学研究中取得了重大的进步和发展。

人脸识别常用算法

人脸识别常用算法人脸识别是一种通过计算机视觉技术对图像或视频中的人脸进行检测、识别和验证的技术。

它在安防监控、人脸支付、人脸解锁等领域有着广泛的应用。

人脸识别的核心在于算法的设计与优化，下面将介绍几种常用的人脸识别算法。

一、特征提取算法特征提取算法是人脸识别的关键步骤，它通过对人脸图像进行分析和处理，提取出具有代表性的特征信息。

常用的特征提取算法有主成分分析（PCA）算法、线性判别分析（LDA）算法和局部二值模式（LBP）算法。

PCA算法通过对人脸图像进行降维，将高维的图像数据映射到低维的特征空间中，然后利用这些特征进行分类和识别。

LDA算法则是通过最大化类间距离和最小化类内距离的方式，寻找最优的投影方向，以实现人脸的区分和识别。

LBP算法则是一种局部特征描述算法，它通过对图像的每个像素点与其周围像素点进行比较，得到一个二进制编码，从而提取出人脸的纹理信息。

二、人脸检测算法人脸检测算法是人脸识别的前置步骤，它主要用于检测图像或视频中是否存在人脸，并将其位置标记出来。

常用的人脸检测算法有Viola-Jones算法、卷积神经网络（CNN）算法和级联分类器算法。

Viola-Jones算法是一种基于机器学习的人脸检测算法，它通过训练一个级联的强分类器来实现人脸的检测。

CNN算法则是一种深度学习算法，它通过构建多层的卷积神经网络来提取图像的特征，并通过分类器进行人脸检测。

级联分类器算法则是将多个分类器组合在一起，通过级联的方式进行人脸检测，以提高检测的准确率和速度。

三、人脸识别算法人脸识别算法是通过对提取的人脸特征进行匹配和比对，从而实现对人脸的识别和验证。

常用的人脸识别算法有支持向量机（SVM）算法、人工神经网络（ANN）算法和卷积神经网络（CNN）算法。

SVM算法是一种监督学习算法，它通过构建一个超平面来实现对不同类别的人脸进行分类和识别。

ANN算法则是一种模拟人脑神经元工作原理的算法，它通过构建多层的神经网络来实现对人脸的识别。

基于图像处理技术的人脸识别实现

基于图像处理技术的人脸识别实现随着科技的不断进步，人脸识别技术成为了近年来发展最快的一种识别技术之一。

目前，基于图像处理技术的人脸识别已经成为了现代化社会中的一种重要应用。

这项技术使得人们在安全管理、门禁系统、身份认证、刑侦调查等领域中拥有更加准确、高效的解决方案。

在本文中，我将介绍基于图像处理技术的人脸识别实现方法以及它的应用。

一、人脸识别技术的基本原理在介绍人脸识别技术的实现方法之前，我们需要了解一些基本原理。

人脸识别技术主要分为三个步骤：人脸检测、人脸对齐和人脸识别。

1. 人脸检测人脸检测是指通过图像处理技术，从复杂的背景中提取并定位出人脸区域。

常用的人脸检测算法有Haar+Adaboost算法、HOG+SVM算法、Cascade CNN等。

2. 人脸对齐由于人脸在不同位置、角度、光线下的图像特征差异非常大，因此在进行人脸识别前，必须对数据进行归一化。

所谓的归一化即是对人脸进行标准化处理，使得人脸在空间上具有一定的统一性。

通常使用人脸对齐算法对人脸进行标准化处理，常用的人脸对齐算法有仿射变换和人脸特征点对齐。

3. 人脸识别人脸识别是指通过人脸图像的特征信息，对不同的人脸进行识别和区分。

常用的人脸识别算法有PCA算法、LDA算法、SVM 分类器等。

二、基于图像处理技术的人脸识别实现方法1. 采集人脸图像首先，需要采集人脸图像数据。

采集人脸图像时，应注意到采集设备的摄像头像素、拍摄距离、环境光等因素。

高像素的摄像头和较近的拍摄距离可以获得高质量的人脸图像，以便后续的特征提取和分类。

2. 人脸检测和对齐对于采集的人脸图像，需要进行人脸检测和对齐，以获得统一标准的人脸图像。

常用的人脸检测和对齐算法可用OpenCV、dlib 等开源库实现。

3. 特征提取一般情况下，将原始的人脸图像进行降维处理，变成一组高维度的特征向量，以便于后续的分类和识别。

主流的人脸特征提取算法有PCA、LDA、特征脸等。

4. 特征分类和识别对于提取到的人脸特征进行分类和识别的目的是判别出这张人脸所属的个体是谁。

核判别保局投影的人脸识别算法

核判别保局投影的人脸。别算法＂Ｅｌ
郭志强，杨杰
（汉理工大学信息工程学院，湖北武汉４０７）武３００
摘要。针对人脸识别中的特征提取问题，提出了核判别保局投影算法，即ＫＤＬＰ。该算法通过核技巧将人脸样本Ｐ
２ＬＰ和ＤＰＰＬＰ介绍
２１保局投影．
设在Ｒ空间中的数据集为Ｘ＝，，）保局投影的思想是寻找一变换矩阵Ａ， … ，：将数据集映射为低维空间Ｒ（的数据集Ｙ，，Ｙ）ｍ＜）＝ …，，使得在高维空间Ｒ中互为邻近的数据，在低：和
ＸＬＸ院：ＡＸＤＸ
（）３
收藕日期ｔ２１・１２０００－５
修订日期：２１—３２源自００－０基金项目，国家自然科学基金资助项目（０７１７５７５６）；湖北省科技攻关资助项目（０７０ｃ２２０Ａ１１５）
第４期
郭志强等：核判别保局投影的人脸识别算法
其中为对角矩阵，对角线上的值等于Ｗ列ｉ（行）元素之和，Ｌ＝Ｄ—Ｗ为拉普拉斯矩阵。如果对或应于方程特征值
变换公式为
点。Ｔｒ【提出了特征脸（ｉｅｆｃ）人脸识别方法，ＢｌｕｕＬ提出了ｆｈｒｃ人脸识别方法，成ｕｋＪＥｇｎａｅｅｈｍｅｒ２ｉｅｆｅｓａ
为子空间投影人脸识别最著名的两种方法。Ｈｅ３于流形学习思想，提出了保局投影（ｏａｉ［基ＪＬｃｌｙｔＰｅｅｃｎｒｊｃｉｎ，ＬＰ）方法，并成功用于人脸识别。实验证明ＬＰ得了与ｆｈｒａ相近的识别ｒｓｒｉｇＰｏｅｔｓＰｏＰ取ｉｅｆｃｓ率，在光照、姿态变化强烈的情况下，识别率优于Ｅｇｎａｅ之后Ｃｉ】ＬＰ展到正交保局投影ｉｅｆｃ。ａ［把Ｐ扩

人脸识别的特征提取方法简单案例

人脸识别的特征提取方法简单案例人脸识别是一种基于计算机视觉的技术，用于识别和验证人脸的身份。

其中，人脸识别的特征提取是实现人脸识别的关键步骤之一。

本文将列举10个常用的人脸识别特征提取方法，并对每种方法进行简要的介绍。

1. 主成分分析（Principal Component Analysis，PCA）主成分分析是一种常用的特征提取方法，它通过线性变换将原始的高维人脸图像转换为低维的特征向量。

PCA通过对图像协方差矩阵进行特征值分解，得到一组主成分，即特征脸。

每个特征脸都是一个特征向量，可以用来表示人脸图像。

2. 线性判别分析（Linear Discriminant Analysis，LDA）线性判别分析是一种常用的人脸识别方法，它通过最大化类间散布矩阵和最小化类内散布矩阵的比值，来寻找一个投影方向，使得同一类别的人脸图像尽可能接近，不同类别的人脸图像尽可能远离。

这个投影方向可以用来提取人脸的特征。

3. 局部二值模式（Local Binary Patterns，LBP）局部二值模式是一种基于纹理特征的人脸识别方法，它通过比较中心像素与周围像素的灰度值大小，将每个像素点转换为一个二进制数，然后将二进制数串联起来形成一个特征向量。

LBP可以有效地捕捉人脸的纹理信息，对光照变化和表情变化具有较好的鲁棒性。

4. 高斯混合模型（Gaussian Mixture Model，GMM）高斯混合模型是一种常用的概率模型，用于对人脸图像进行建模。

GMM可以将人脸图像表示为一组高斯分布的加权和，每个高斯分布代表一个人脸的特征。

通过对训练样本进行参数估计，可以得到每个人脸的特征向量。

5. 尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）尺度不变特征变换是一种常用的图像特征提取方法，它可以提取出图像中的尺度不变特征点。

SIFT通过在不同尺度和方向上计算图像的梯度信息，然后对梯度信息进行描述，得到每个特征点的特征描述子。

人脸识别原理

自动人脸识别基本原理人脸识别经过近 40 年的发展，取得了很大的发展，涌现出了大量的识别算法。

这些算法的涉及面非常广泛，包括模式识别、图象处理、计算机视觉、人工智能、统计学习、神经网络、小波分析、子空间理论与流形学习等众多学科。

所以很难用一个统一的标准对这些算法进行分类。

根据输入数据形式的不同可分为基于静态图象的人脸识别与基于视频图象的人脸识别。

因为基于静态图象的人脸识别算法同样合用于基于视频图象的人脸识别，所以惟独那些使用了时间信息的识别算法才属于基于视频图象的人脸识别算法。

接下来分别介绍两类人脸识别算法中的一些重要的算法。

特征脸方法利用主分量分析进行降维与提取特征。

主分量分析是一种应用十分广泛的数据降维技术，该方法选择与原数据协方差矩阵前几个最大特征值对应的特征向量构成一组基，以达到最佳表征原数据的目的。

因为由主分量分析提取的特征向量返回成图象时，看上去仍像人脸，所以这些特征向量被称为“特征脸”。

在人脸识别中，由一组特征脸基图象张成一个特征脸子空间，任何一幅人脸图象(减去平均人脸后)都可投影到该子空间，得到一个权值向量。

计算此向量与训练集中每一个人的权值向量之间的欧式距离，取最小距离所对应的人脸图象的身份作为测试人脸图象的身份。

下图给出了主分量分析的应用例子。

图中最左边的为平均脸，其他地为对应 7 个最大特征值的特征向量。

主分量分析是一种无监督学习方法，主分量是指向数据能量分布最大的轴线方向，因此可以从最小均方误差意义下对数据进行最优的表达。

但是就分类任务而言，由主分量分析得到的特征却不能保证可以将各个类别最好地区分开来。

线性鉴别分析是一种著名的模式识别方法，通过将样本线性变换到一个新的空间，使样本的类内扩散程度达到最小，同时类间扩散程度达到最大，即著名的 Fisher 准则。

标准特征脸同一个人不同图象之间的的特征脸不同人的图象之间的特征脸Lades 等人针对畸变不变性的物体识别问题提出了一种基于动态连接结构的弹性图匹配方法，并将其应用于人脸识别。

一种面向人脸识别的加权代价敏感局部保持投影

ｌ１５６
ＪｏｕｒｎａｌｏｆＳｏｆｔｗａｒｅ软件学报Ｖｏ１．２４，Ｎｏ．５，Ｍａｙ２０１３
式【卜和ｉｄｅｎｔｉｉｆｃａｔｉｏｎ模式［９，１ｏ１．本文主要关注ｉｄｅｎｔｉｉｆｃａｔｉｏｎ模式．Ｉｄｅｎｔｉｉｆｃａｔｉｏｎ模式下的人脸识别问题是一个多
为此，本文将错分代价融入到ＬＰＰ的目标函数中，提出了一种错分代价最小化的局部保持降维方法．同时，采用了加权策略，平衡了不同类样本对投影方向的贡献．在人脸数据集ＡＲｔＨ】，ＰＩＥ［，ＥｘｔｅｎｄｅｄＹａｌｅＢ【】上的实验
（２）最小化投影后异类样本间的距离，使原空间近邻的异类样本近邻得以保持，降低了投影方向Ｗ的判别
能力：
（３）没有考虑人脸数据集中存在的类别不平衡问题，使得投影方向Ｗ由多数类决定，降低了Ｗ对少数类的
局部保持能力．
： ∑∑Ｉ１ｗＴｘ一ＷＴＸｊ
’ ｉ＝１ｊ＝ｌ
（１）
其中，是无监督的近邻图，定义如下：
＝
｛ｅｘｐ “ 矿 ’ ０ｉｆｍｘｅ￣￣ｋｎｎ。
） ’ ｉｆｌ（ｘｉ）＿ｆ（）ａｎｄｘｉ ∈ ｋｎ）０ｒｘｊ ∈ ｋｎ
代价．
１相关工作
１．１局部保持降维

基于改进的局部保持投影算法的人脸识别

器进行分类识别。在ＯＬ人脸数据库中，用了一系列的实验来对比该算法与传统局部保持投影算法和主成分分析Ｒ采
算法的识别效果。实验结果验证了改进的局部保持投影算法在人脸识别的有效性。关键词：流形学习；部保持投影；局奇异值分解；人脸识别；式识别模
ＣＥＮＪＩＵＯＤＹＩＤ
ｈｐ／ｗｗｊａｃｔ：／ｗ．ｃ．ｎｔｏ
ｄｉ１．７４Ｓ．．０７２１．０２ｏ：０３２／ＰＪ１８．０２０５８
基于改进的局部保持投影算法的人脸识别
龚劬，华桃桃。
ＪｕｎｌｏｍｐｔｒＡｐｌａｉｎｏｒａｆＣｏｕｅｐｉｔｓｃｏ
ＩＳ０１９８ＳＮ１０．０ｌ
２１．２００２０ — １
计算机应用，０２３（）５８— ３，３２１，２２：２５０５４文章编号：０１９８（０２００２ —０１０ — ０１２１）２— ５８３
（重庆大学数学与统计学院，重庆４１３）０３１（通信作者电子邮箱ｔｚｅｉｉ２．ｏ）￥ａｉｍｍ＠１６ｅｍｏｄ
摘
要：局部保持投影算法是基于流形的学习方法，在人脸识别过程中容易遇到奇异值问题，为此提出一种利用
奇异值分解的方法。在模型中，样本数据被投影到一个非奇异正交矩阵中，解决了奇异值问题；然后再根据局部保持投影算法求出新样本空间的低维投影子空间。将训练样本和测试样本分别投影到低维子空间中，再利用最近邻分类

一种基于2DLPP和2DLDA的人脸识别方法研究

ｅｕｔｈａｔｅｔａｉｏａＬＰＰａｄＬｒｓｌｓｔｎｈｒｄｔｎｉｌｎＤＡｔｏｓｍｅＩｄ．ｌＫｅｒｓｆｃｅｏｎｔｎ；ｅｔｒｘａｔｎ；ｅｔｒｅｅｕｉｎｙｗｏｄ：ａｅｒｃｇｉｏｆａｕｅｅｔｃｉｉｒｏｆａｕｌｖｌｆｓｏｅ
ｂＤＬＰＰｎｄ２ＤＬＤＡｙ２ａ
ＨＡＮＬｕｉｔｎ－ａｊｇ２００－ｈｎ）ＮａｊｎｖｒｔｆｓｎｉＰｓｅｃｍｎｃｉｓＮｎｉ１０３Ｃｉａｅａｏｎ
Ａｂｔｃ：ｏａｔｒｓｒｉｇｐｏｅｔｎＬＰ）ａｄｌｅｒｄｓｒｎｔａａｙｉＬｓａｔＬｃｌｙｐｅｅｖｎｒｊｃｏｓ（Ｐｒｉｉｎｉａｉｉａｎｌｓｓ（ＤＡ）ａｗｆｔｅ１ｆｔｒｘｒｔｎｍｅ — ｎｃｍｉｎｅｒｔｏｅｆｉＤａｕｅｔｃｏｔｃｅｖｅｅａｉｈ
ｏｓｄ，ｗｈｃａｅｂｅｄｌｐｌｄｔａｅｒｃｇｉｉｎｉｈｈｖｅｎｗｉｅｙａｐｉＯｆｃｅｏｎｔ．Ｈｏｖｒｕｈ１ｆａｕｅｅｔａｔｏｔｏｓａｗａｓｄｓｒｙｔｅｓｒｃｕｎｅｏｗｅｅ，ｓｃＤｅｔｒｘｒｃｉｎｍｅｈｄｌｙｅｔｏｈｔｕｔｒｉ — ｅ
ｆｒｔｏｎａｆｃｍａｅｗｈｎｃｎｅｔｇｉｔｅｔｒｏｍａｉｎｉａｅｉｇｅｏｖｒｎｔｉｏａｖｃｏ．Ａｎｉｃａｅｉｇｓａｅｈｇ —ｄｍｅｓｏａ，１ｍｅｈｄｕｆｒｔｅｓｎｕａｉｎｄｓｅｆｃｍａｅｌｉｈｉｎｉｎｎｌＤｔｏｓｓｆｅｉｇｌｒｈ

基于局部保持投影的复合位置投影

基于局部保持投影的复合位置投影林克正;李姝;林晟【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)032【摘要】为解决在人脸识别领域的特征提取问题,提出一种基于局部保持投影(LPP)的复合位置投影(MLPP)方法,通过选取不同的类内、类间度量矩阵和约束矩阵,将求解最优变换矩阵的问题转换成普通的特征值问题.在构造邻接图时,该算法将相同类各点作为邻接点,将类内结构保持到特征空间中,在保留局部结构稳定的同时,使整体结构趋于最大化,从而形成高效的聚簇.在AT&T和JAFFE标准人脸图像库上的实验结果表明,MLPP算法具有较高的识别率.%With the purpose of solving feature extraction problem in face recognition area, a new manifold learning algorithm is proposed, called Multiple Locality PreservingProjections(MLPP) based on Locality Preserving Projections (LPP). By selecting different measure matrix and constraints matrix those include intra-class matrix and inter-class matrix, the problem can be converted into the normal eigenvalue problem. When constructing the graph, this algorithm makes point with the same attributes as neighborhood points, which makes the intra-class construct save to feature space. As a result, the local construct remains stable, and at the same time the global construct tends to maximalism, so the cluster with high efficiency has been obtained. The results of the experiments on JAFFE and AT&T face database indicate that MLPP improves recognition rate.【总页数】4页(P208-211)【作者】林克正;李姝;林晟【作者单位】哈尔滨理工大学计算机科学与技术学院,哈尔滨150080;哈尔滨理工大学计算机科学与技术学院,哈尔滨150080;哈尔滨理工大学计算机科学与技术学院,哈尔滨150080【正文语种】中文【中图分类】TPTP309.7【相关文献】1.基于局部保持投影的统计不相关复合信息投影 [J], 林克正;陈冬梅;吴清英2.基于全局-局部保持投影的稀疏降维方法 [J], 江粼;房小兆;滕少华3.基于全局-局部保持投影的稀疏降维方法 [J], 江粼;房小兆;滕少华4.基于局部保持投影的鲁棒稀疏子空间学习 [J], 胡文涛;陈秀宏5.基于局部保持投影的光伏组件热斑故障诊断 [J], 张杰;易辉;王远鸣;顾梦埙;黄阅因版权原因，仅展示原文概要，查看原文内容请购买。

基于局部特征的三维人脸识别

基于局部特征的三维人脸识别
胡敏艳;孙杳如
【期刊名称】《现代计算机（专业版）》
【年(卷),期】2016(000)006
【摘要】Shape Index和曲度用于构造局部特征,并运用于三维人脸识别中.这种局部特征的提取方法用于人脸识别,不需要预先进行对齐处理,而且对有遮挡的人脸数据具有相对较好的识别效果.这里,局部特征提取的主要步骤如下:在不同的尺度上对三维人脸上的关键点进行检测;再对检测到的关键点确定主方向,然后根据主方向构造关键点在某一邻域内的特征向量.实验所用数据库是Bosphorus Database,是Bogazici大学采集的三维人脸数据库.
【总页数】6页(P33-38)
【作者】胡敏艳;孙杳如
【作者单位】同济大学电子与信息工程学院计算机科学与技术系,上海201804;同济大学电子与信息工程学院计算机科学与技术系,上海201804
【正文语种】中文
【相关文献】
1.基于关键点和局部特征的三维人脸识别 [J], 郭梦丽;达飞鹏;邓星;盖绍彦
2.基于区域分割的表情鲁棒三维人脸识别方法 [J], 桑高丽; 郑增国; 闫超
3.基于分层特征化网络的三维人脸识别 [J], 赵青;余元辉
4.基于Sin-K2DPCA的三维人脸识别 [J], 吴林
5.基于Sin-K2DPCA的三维人脸识别 [J], 吴林
因版权原因，仅展示原文概要，查看原文内容请购买。

face_recognition库原理

face_recognition库原理Face_recognition是一个用于人脸识别的Python库，其基本原理是使用深度学习模型来提取和比较人脸特征。

下面我们将详细介绍face_recognition库的原理。

1.人脸检测：Face_recognition库使用HOG（Histogram of Oriented Gradients，方向梯度直方图）算法进行人脸检测。

HOG算法通过计算图像局部区域的梯度直方图来获得图像的特征向量，然后使用滑动窗口的方法来检测人脸。

2.人脸对齐：在进行人脸识别之前，需要对人脸进行对齐，使得不同人脸的特征点对应位置相同。

为了实现人脸对齐，face_recognition库使用了dlib库中的正交距离变换（Orthogonal Procrustes Analysis）算法。

该算法通过计算两组特征点之间的旋转、缩放和平移变换，使得两组特征点对应的点之间的欧式距离最小。

3.人脸特征提取：Face_recognition库基于深度学习模型的思想，使用预训练的卷积神经网络（Convolutional Neural Networks，CNN）来提取人脸特征。

具体来说，它使用了dlib库中的基于ResNet的深度学习模型。

该模型可以将人脸图像映射到一个128维的特征向量，这个特征向量被称为人脸嵌入（face embedding）或人脸特征向量。

4.人脸比较：在进行人脸识别时，face_recognition库将两个人脸的特征向量进行比较，通过计算两个特征向量之间的欧式距离来判断其相似度。

欧式距离越小，说明两个人脸越相似。

5.人脸识别：总的来说，face_recognition库的原理是使用深度学习模型来提取和比较人脸特征，通过计算特征向量之间的欧式距离来判断人脸的相似度，从而实现人脸检测和识别的功能。

这个库在准确性和速度上都具有较高的性能，因此被广泛应用于人脸识别系统中。

人脸检测的原理

人脸检测的原理人脸检测是一种基于计算机视觉和模式识别技术的应用，被广泛应用于人机交互、安防监控、人脸识别等领域。

它的原理是通过对图像或视频中的人脸区域进行定位和判别，实现对人脸的自动检测。

本文将介绍人脸检测的一般原理及其常用的算法。

一、色彩空间转换在进行人脸检测之前，通常需要对图像进行预处理，将其转换到适合的色彩空间。

色彩空间转换的目的是提高图像的对比度，减少光照和背景的影响，从而更好地检测人脸区域。

常用的色彩空间转换方法包括灰度化、彩色归一化等。

二、特征提取特征提取是人脸检测的关键步骤，其目的是从图像中提取出能够代表人脸属性的特征。

根据特征的不同，人脸检测算法可以分为基于颜色信息和基于纹理信息的方法。

1. 基于颜色信息的方法基于颜色信息的人脸检测方法通常利用人脸区域与背景的颜色差异来进行判别。

其中，肤色模型是最常用的方法之一。

它将人脸区域的颜色分布与背景颜色分布进行对比，通过设置合适的阈值来判断是否存在人脸。

2. 基于纹理信息的方法基于纹理信息的人脸检测方法主要利用人脸区域的纹理特征与背景的纹理特征进行区分。

其中，Haar-like特征是一种常用的纹理特征描述方法。

它通过计算图像中矩形区域的灰度差异来表示该区域的特征。

三、分类器训练与检测分类器训练是人脸检测的重要环节。

在训练过程中，需要准备足够数量的正、负样本图像。

正样本图像包含人脸区域，负样本图像则不含人脸区域。

根据特征提取得到的特征向量，可以利用机器学习算法训练分类器模型，如支持向量机（SVM）、AdaBoost等。

经过训练后，分类器可以对新的图像进行检测，判断是否存在人脸。

四、后处理在进行人脸检测的过程中，通常会进行一些后处理操作，以提高检测结果的准确性和稳定性。

常用的后处理操作包括非极大值抑制（NMS）和姿态校正。

1. 非极大值抑制非极大值抑制是一种常用的目标检测算法，用于去除冗余的检测框。

在人脸检测中，非极大值抑制的目的是消除重叠的人脸框，保留最佳的检测结果。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

３ｎｔｕｅｏｏｐｔｇＴｃｎｌｇ，ｈｎｓｃｄｍｙｏｃｎｅ，ｅｉｇ１０８，ｈｎ．ｓｔｔｆＣｍｕｉｅｈｏｏＣｉｅｅＡａｅｆＳｉｃｓＢｉｎ０００ＣｉａＩｉｎｙｅｊ
ＷＡＮＧｏｑａｇＳａｆｎ。Ｇｕ－ｉｎ。ＨＩＮｉｎ－ｅｇＯＵｎ－ｉｇＦａｅｒｃｇｉｏａｅｎｉａｅｍａｒｘｄｓｒｍｉａｔｌｃｌｙｒｓｒ — Ｚｏｇｙｎ．ｃｅｏｎｔｎｂｓｄｏｍｇｉｔｉｉｃｉｎｎｏａｉｐｅｅｖｔ
ｎｅｏｂｃｎｅｅｉｔｅｔｒ，ｅｐｈｓａｉｐｓｔｎｉｆｒｔｎｏｉｅｉａｅｍａｅａｄａｏｄｈｉｇｌｒｐｏｌｍ．ｅｄｔｅｏｖｒｄｎｏｖｃｏｓｋｅｓｔｅｐｔｔｌａｏｉｏｎｏｍａｉｆｐｘｌｎｆｃｉｇ，ｎｏ
ＣｍｕｅｎｉｅｒｇａｄＡｐｉａｏｓｏｐｔｒＥｇｎｅｉｎｐｌｔｎ计算机工程与应用ｎｃｉ
２１，６１）００４（６
１１９
基于图像矩阵判别局部保持投影的人脸识别
王国强－，．石念峰３欧宗瑛２２，
ＷＡＮＧＧｕ — ａｇ＇，ｏｑｉｎ１ＳＨＩａｆｎ．２Ｎｉｎ— ｅｇＯＵＺｎｇｉｇｏ－ｙｎｚ
ｃｓｓａｅｏｓａｔｉｔｔｅｏｊｃｖｕｃｏ．ｄｉｏ．ＩｌｓｃｔｒｃｎｔｉｎｏｈｂｅｔｅｆｎｔｎＩａｄｉＩ胛ａｔｒｎｉｉｎｔｎＭＤｗｒｓｄｒｃｙｗｔｏｇｎｍａｅｍｔｃｓｗｉｏｎｔｏｋｉｔｉｌｒｉａｉｇａｉｅｈｃｄｏｅｌＩｉｌｒｈ
１．洛阳理工学院计算机与信息工程系，南洛阳４１２河７０３２．大连理工大学机械工程学院ＣＤＡ＆网络研究所，辽宁大连１６２０４１
３中国科学院计算技术研究所，．北京１０８０００
１ＤｅａｔｎｆＣｍｐｔｒａｄＩｆｒｔｎＥｇｎｅｎ，ｕｙｎｎｔｕｅｏｃｅｃｎｃｎｌｇ，ｕｙｎ，ｎｎ４０３，ｈｎ．ｐｒｍｅｔｏｏｕｅｎｎｏｍａｉｎｉｅｒｇＬｏａｇＩｓｉｔｆＳｉｎｅａｄＴｅｈｏｏｙＬｏａｇＨｅａ７１２Ｃｉａｏｉｔ２ＩｓｔｔｆＣＡＤ＆ＮｅｗｏｋＴｅｈ，ｃｏｌｏｃａｉａｎｉｅｒｇＤａｉｎＵｎｖｒｉｆＴｃｎｌｇ，ｔｎＬａｎｎ１０４，ｈｎ．ｔｕｅｏｎｉｔｒｃ．ｈｏｆＭｅｈｎｃｌＥｇｎｅｎ，ｌｉｅｓｙｏｅｈｏｏＤａｉ，ｉｏｉｇ１６２ＣｉａＳｉａｔｙａ
ｉｇｐｏｅｔｎ．ｏｕｅｎｉｅｒｇａｄＡｐｆａｉｎ。００４（６：９－９．ｎｒｊｃｏｓｍｐｔｒＥｇｎｅｉｎｐｃｔｓ２１，６１）１１１６ｉＣｎｉｏ
ＡｂｔａｔｅａｅｒｃｇｉｏｅｏａｅｎＩａｅＭａｘＤｓｒｉａｔＬｃｌｙＰｅｅｖｇＰｏｅｔｎ（ＭＬＰｉｐｏｓｃ：ＡｎｗｆｃｅｏｎｔｎｍｔｄｂｓｄｏｍｇｔｉｉｎｎｏａｔｒｓｒｉｒｃｏｓＩＤＰ）ｓｒ— ｒｉｈｉｒｃｍｉｎｊｉｐｓｄＢｓｄｏｏａｔＰｅｅｉｇＰｏｅｔｎ（Ｐ，ＭＤＰａｅｎｏａｃｕｔｔｅｃａｓｌｂ１ｉｏａｏ，ｎｄｓｂｔｅｎｏｅ．ａｅｎＬｃｉｒｓｒｎｒｊｃｏｓｕ））ＩＬＰｔｋｓｉｔｃｏｎｈｌｓａｅｎｒｔｎａｄａｄｅｅ — ｌｙｖｉｆｍｉｗ
Ｔｅｅｐｒｍｅｔｌｒｓｌｓｉｄｃｔｅｅｆｃｉｅｅｓｏｈｒｐｓｄｍｅｈｄｈｘｅｉｎａｅｕｔｎｉａｅｔｆｔｎｓｆｔｅｐｏｏｅｔｏ．ｈｅｖ
Ｋｅｒｓｏａｉｒｓｒｎｒｅｔｎ；ａｅｍａｉｄｓｒｉａｔｏａｉｒｓｒｉｇｐｏｅｔｎ；ａｉｌｌｒｉｇｆｅｒｏｉｏｙｗｏｄ：ｌｌｔｐｅｅｉｇｐｏｃｉｓｉｇｔｘｉｉｎｎｃｌｙｐｅｅｖｒｊｃｏｓｍｎｆｄｅｎｎ；ｃｃｇｔｎｃｙｖｊｏｍｒｃｍｌｔｎｉｏａａｅｎｉ
摘
要：出一种基于图像矩阵判别局部保持投影的人脸识别方法。图像矩阵判别局部保持投影是在局部保持投影基础上进行了提
扩展，考虑了类标签信息并在其目标函数中增加类间散度约束，使得求解的特征更具判别性。另外，图像矩阵判别局部保持投影是直接处理图像矩阵而不需要将矩阵转化为向量，留了像素间的空间位置关系，保避免了奇异性问题。实验结果表明该方法是有效的。