基于对国家SNS网站的研究，分析用户群的特征和社会心理，分析SNS网站普及的原因，提出利用流行的持久应用组件。SNS网站上。究和分析了主动形状模型（ASM）和限制局部模型（CLM）的优缺点，以及从不同方面提取面部特征以及设计和开发应用程序组件的方法。过在线上传照片或拍照，基于图像库中的用户选择的照片捕获并合成面部化身和面部特征，以生成具有图像的两个特征的新化身。组件已连接到SNS网站。件优化解决方案通过与互联网的实际应用相关联的操作数据的分析周期提供。键词：人脸检测;功能的位置; SNS网站;申请部分编号CLC：TN911.7？ 34; TM417文件代码：A货号：1004？ 373X（2016）23？ 0170？ 04SNS研究和设计基于面部功能位置的网站应用组件？ Xin，LI Yuejun摘要：SNS中国网站的目的是分析用户群体特征和社会心理，以及剖析SNS网站的流行动机。过实验研究分析了活动形态模型（ASM）和CLM模型的优缺点，并结合模型的优点，阐述了提取人脸特征定位的方法。计和开发了一个应用程序组件：通过用户上传的照片和在线拍摄捕获头像和人脸。户在图像库中选择的照片被合成。组件可在SNS网站上访问。
分析运行周期数据和互联网实际应用的基础上，提出了组件优化方案。
键词：人脸检测;特征定位; SNS网站;应用的组成部分引言人脸识别是人工智能和模式识别研究的热点。通过图像采集装置获取用户的面部图像，然后计算和分析面部特征，然后与数据库中的现有样本进行比较，最后得到用户的真实身份。户已确定。部识别是人工智能和模式识别的研究中心，在家庭娱乐和互联网领域有一些有趣的应用，例如智能玩具和能够识别成员的机器人。个家庭。[1]。而，面部识别的广泛应用很弱，特别是对于流行的SNS社交网络平台。据SNS网站用户的需求，分析用户的基本特征目前，SNS网站主要用户中男性用户数明显高于用户，其渗透率在男性互联网用户高于女性互联网用户。该国SNS网站的现有用户中，男女比例约为0.621 [：] 0.379。互联网用户的年龄分布相比，SNS网站的用户年龄较小，30岁以下的用户占90％以上。前，SNS网站的用户年龄组主要为21至25岁，占总数的40％以上（42.7％），其次是16至20岁年龄组，约30％（30.6％）和不到30岁。过90％的SNS网站用户。户行为分析功能应用程序概述SNS网站的主要功能包括隐私设置，日志记录功能，相册功能，参与组，共享功能等。个功能的使用如图1所示。周连接到SNS的用户中有超过50％每天都会连接，其中近一半用户连接半天。次他们连接到SNS。图2，图3所示。
法和系统开发的实现基于Haar小波变换的Haar人脸检测算法是一种小波函数。广泛应用于使用小波变换提取特征的图像处理[2]。用小波模型的优点是它可以使用图像的小波系数的子集来定义和描述对象的形状;它保持颜色和纹理的不变变化：定义复杂对象实体的能力;可以导出基于小波模型的模型学习是在不需要运动信息和显式图像分割信息的情况下实现的。果选择包含面部的所有窗口的特征的平均值与背景噪声的平均值稍微不同，则该特性可以用作面部特征。来介绍了积分图像的概念：发现不同方向的小波系数（水平，垂直，对角线）可以组合成一个具有良好辨别能力的特征向量[3]。此，可以快速计算面部类的Haar特征。于Haar小波算法的人脸检测方法基本上通过Adaboost算法对Haar小波变换人脸检测器进行学习和整形，检测皮肤区域并确定面部区域，并使用面部区域提取人脸和嘴巴的颜色特征。
过根据面部器官的几何关系匹配图案来确定眼睛和嘴巴的候选区域，最后是眼睛和嘴巴的位置。于构建Adaboost的Adaboost算法是一种具有大量分类能力的弱分类器，它通过一些方法叠加形成一个具有高分类能力的强大分类器[4]。论上，只要弱分类器的分类效果高于随机分类，就可以构造一个强大的分类器，误分类率趋于零，具有良好的泛化能力。用Adaboost算法进行特征选择的原因之一是结果特征集可以逐个映射到原始特征，具有明确的物理意义[5]。取特征时，只需要在指定的位置，比例和采样方向上计算滤波结果，这可以大大减少计算量和存储的内存量。先，创建一个面部头像数据库，从互联网和摄影工作室的样本中收集数千张面部图像和成千上万的非人脸图像，然后将每个图像的像素大小设置为400×。
500像素。后，通过Adaboost算法形成轮廓，眉毛，眼睛，鼻子和嘴巴的特征值，以获得多个弱分类器。外，为了确保只有一个弱分类器也能够获得所需的训练结果，使用本地Haar特征的AdaBoost学习方法接收每个样本的权重，然后执行迭代训练。次训练后，选择最高的准确率。后，多个弱分类器统称为强分类器。方法的优点是计算简单，缺点是所包含的信息量很小。部特征提取算法基于活动形状模型的面部图案定位算法，在每个面部化身样本上手动标记60个特征点。有特征点都由脸部，眉毛，眼睛，鼻子和嘴巴的轮廓区域标记。义如表1所示。ASM的基础上，提出了一种自动人脸分类方法。先，使用不同面部形状的样本来形成面部形状模板库，然后使用ASM算法自动定位测试样品的正面形状和距离在每个模型的脸部形状之间进行比较。后，最近邻法用于执行面部形状的自动分类。真实验表明，该方法优于使用面部轮廓曲率或下颌曲率的方法，可充分利用面部形状信息，分类结果稳定，准确，这可以有效地提高大规模人脸识别的速度和准确性。ASM迭代步骤对于新的给定图像，迭代ASM过程如下：预处理：输入图像的三层金字塔采样和训练集的面部图像，估计初始形式，60个特征点的局部优化;更新相似变换参数和形状参数[p，]并限制它们，确定是否要进入搜索的下一层，是否满足收敛条件[Δp≤ε]，或者是否达到最大迭代次数。ASM定位和ASM定位实验分析的结果如图4所示。4 ASM定位结果ASM定位的优点：建模方便快捷，算法收敛速度快，计算效率高，初始位置不高，搜索范围宽，对光照变化的适应性强。ASM定位缺陷：特征点的定位精度较低，局部搜索使用固定的模型矢量，搜索方向是唯一的。于局部模型的局部人脸特征定位算法，Haar小波算法用于检测面部位置和眼睛和嘴巴的近似区域，并能快速收敛轮廓，眉毛，眼睛，鼻子和脸。
边。于受限局部模型（CLM）和凸二次对应（CQF）的面部特征[6]的定位的示例在图6中示出。5，CLM定位的优点：该算法收敛速度快，计算效率高;当收敛成功时，特征点具有较高的定位精度，对未知光照变化和纹理变化的适应性较强。CLM定位的缺点：建模复杂，分类器的每个元素必须分开形成，初始位置必须更高，搜索范围小。于主动表观模型的主动特征点位置（AAM）主动外观模型是ASM的直接扩展。ASM一样，AAM还必须使用统计分析来建立先前模型，然后使用先前的模型对图像中的目标对象执行映射操作。点是模型不仅包含目标对象的形状信息，还包含目标对象的内部纹理信息。理信息通常是构成目标对象的像素的灰度值。时，选择合理的匹配参数来提高匹配速度，使AAM的定位能力更强，定位效果更准确。算并构建形状模型。计模型的建立必须分为三个阶段：首先，获取样本图像中包含的信息，其次，样本图像集的归一化处理，最后，执行标准化数据的统计分析。立统计模型。立用于设置纹理的模板。得面部数据库中的面部形状的轮廓区域中的所有像素的灰度值，即，提取与形状无关的纹理值矢量。后使用主成分分析对形状无关的纹理进行分析和建模。得形状图像。练样本的面部图像变形为中面形状，矢量的尺寸统一并具有相同的对应关系。ASM与CLM，AAM算法的比较从图6中三者的比较经验可以看出，每种方法都不完善。了结合ASM和CLM的优点，提出了一种优化算法[7]，首先包括寻找眉毛，眼睛，鼻子和嘴巴的脸部和基部区域的轮廓。于活动表单模板算法。次，CLM的本地精确搜索确保了识别的准确性。6 ASM，AAM和CLM算法的性能比较实验实验验证结果分析面部样本实验收集了500张不露面的Google照片和Photo Studio样本图像，其中100张是简单的背景照片，100张单张背景，侧面小于15度的照片，100幅照片，其平面内的旋转角度不是大于90°，100张具有复杂背景或柔和光线的照片和100张单张背景的单张照片。片均匀裁剪至400 [×] 500像素。试环境在LAN环境中，使用Intel Pentium双核E5400处理器，2 GB内存，DELL Vostro V220 DELL Windows XP SP3工作站，并测试样本面。试项目分为：面部检测，面部轮廓区域定位，眉毛，
宁波网站建设眼睛，鼻子和嘴巴的面部特征，如图7所示，测试结果呈现表2示出了基于Haar小波算法的人脸检测技术具有高的人脸图像检测准确率。于面部特征的定位，基于ASM和CLM的定位算法更适合于识别“文档照片”和“旋转照片”，以及“侧面照片”的识别率和“对光照”略低。常，本文提出的基于活动形状模型和局限模型的特征定位算法可以应用于产品开发。
据系统的最终目标，有必要获得两张照片的组合效果。后为摘要选择100张文档照片和面部数据库模板。相同的测试环境中，400 [×] 500像素的新面的输出为50 ms。统实现和体系结构系统流程的设计考虑了SNS网站应用程序组件的特点，即：操作简单有趣：组件流程如下：登录后在SNS，用户可以选择将组件添加到应用程序页面并添加组件以访问主页。据用户的需求，用户可以上传符合当地要求的照片，如果可以的话，可以选择创建在线头像。入人脸检测和面部特征识别的过程，由程序自动完成。择您想要成为的星形。部发生变化并生成结果。务器软件体系结构该系统主要采用三层体系结构，即数据层（DAL），逻辑层（BLL）和表示层（UI）[8]。谓的三层体系结构包括在客户端和数据库之间添加“中间层”，也称为组件层。到的三级系统并不是指三个物理层，它不是一个简单的三层架构，它不仅仅是一个B / S应用程序，而是一个三层架构。三层是逻辑架构。三层，即使三层放在一台机器上。次结构的优点如下：开发人员只能关注整个结构的一层，很容易用新的实现替换初始层的实现;可以减少层之间的依赖性;有利地重用每层逻辑。之，分层设计可以实现以下目标：分散注意力，松散耦合，逻辑重用和标准定义。务器硬件体系结构整个硬件体系结构系统由数据库服务器，Web服务器，负载平衡器，备份服务器和监视系统组成。于系统包含大量用户信息和图像，并且随着数据量的增加，所需的存储空间量很大。旦损坏或数据库服务器的硬盘饱和，就会对用户产生负面影响，因此建议在硬件架构中使用。
个简单易用的备份解决方案。份方法：增量备份和实时备份。用户上传的照片上执行增量备份，并保存完成面部的照片。量数据备份仅备份新创建的文件，以便加快备份过程并更新数据库。据实时添加和删除。份设备：主要从成本效益和易用性的角度出发，选择了DELL刀片服务器，购买了大量更大更快的硬盘，RAID0技术被设计为保证数据存储传输的性能。统界面设计和功能实现系统属于娱乐类型应用类型，其原理是满足SNS网站设计规范，页面的一般风格主要是针对简单，操作平台是人人网，学生用户，年轻白领用户。多数时候，页面设计中添加了一个可爱的小图标。统主页上的下载页面包括用户上传的照片，面部检测和面部识别等功能。先从本地选择上传照片，然后使用网页上的提示。作完成后，页面将移至组件的主页。后，您可以根据自己的喜好在相应区域中选择星型模型。成后，单击中心区域中的“我编辑”以完成面部更改操作。论本文详细介绍了面部特征的人脸检测方法和点定位算法。细分析了人脸检测方法，对传统的主动形状模型，主动方面模型和受限局部模型算法进行了对比分析，结合ASM的优点进行了优化算法。出了CLM。脸识别技术在SNS网站上的应用正在被广泛讨论：SNS网站的功能与应用程序组件规范相结合，应用程序组件规范是应用于网站的娱乐组件。
SNS并建议在操作过程中对该组件进行适当的优化。计划最终证明了其数据的可行性。
本文转载自
宁波网站建设 https://www.leseo.net
补充词条：
宁波seo推广公司
宁波seo哪家好
宁波网络seo公司
宁波seo网站优化
宁波seo外包
