基于人臉識(shí)別的動(dòng)態(tài)識(shí)別簽到系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

基于人臉識(shí)別的動(dòng)態(tài)識(shí)別簽到系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)DesignandImplementationofDynamicRecognitionCheck-inSystemBasedonFaceRecognition內(nèi)容摘要目標(biāo)檢測(cè)（ObjectDetection）是近年來(lái)計(jì)算機(jī)科學(xué)的研究重點(diǎn)，他可以通過(guò)識(shí)別目標(biāo)的幾何特征，將復(fù)雜的場(chǎng)景分割并針對(duì)特定的目標(biāo)進(jìn)行識(shí)別，關(guān)鍵點(diǎn)在于準(zhǔn)確度以及實(shí)時(shí)性。人臉識(shí)別（Facerecognition）則是目標(biāo)檢測(cè)中，讓人最為看重的一個(gè)子類(lèi)。一旦我們的人臉識(shí)別技術(shù)足夠成熟，意味著我們不再需要其他物理的鑰匙或者是數(shù)碼的密鑰，而是用一張臉，就可以滿(mǎn)足日常生活中的一切。世界上可能有很多相似的人臉，但是絕對(duì)沒(méi)有完全相同的兩個(gè)人。當(dāng)人臉識(shí)別技術(shù)足夠成熟，我們完全可以將人臉識(shí)別作為身份分類(lèi)的一個(gè)重要指標(biāo)。 在深度學(xué)習(xí)的刺激下，人臉識(shí)別有了巨大突破，機(jī)器也變得會(huì)“思考”。這意味著人臉識(shí)別的安全等級(jí)將會(huì)提高，可以適用于更多安全要求更高的場(chǎng)景，同時(shí)人臉識(shí)別的研究也可以推動(dòng)更多神經(jīng)網(wǎng)絡(luò)、圖像處理等的領(lǐng)域發(fā)展。關(guān)鍵詞：□目標(biāo)檢測(cè)□人臉識(shí)別□深度學(xué)習(xí)Abstract□ObjectdetectionistheresearchfocusofComputerScienceinrecentyears.Itcanrecognizethegeometriccharacteristicsofthetarget,segmentthecomplexsceneandrecognizethespecifictarget.Thekeypointistheaccuracyandreal-time.Facerecognitionisoneofthemostimportantsubcategoriesintargetdetection.Onceourfacerecognitiontechnologyismatureenough,itmeansthatwenolongerneedotherphysicalkeysordigitalkeys,butwithaface,wecanmeeteverythinginourdailylife.Theremaybemanysimilarfacesintheworld,butthereareabsolutelynotwoidenticalpeople.Whenfacerecognitiontechnologyismatureenough,wecantakefacerecognitionasanimportantindexofidentityclassification.Underthestimulationofdeeplearning,facerecognitionhasmadeagreatbreakthrough,andmachineshavebecome"thinking".Thismeansthatthesecurityleveloffacerecognitionwillbeimproved,whichcanbeappliedtomoresceneswithhighersecurityrequirements.Atthesametime,theresearchoffacerecognitioncanalsopromotethedevelopmentofmoreneuralnetworks,imageprocessingandotherfields.Keywords：□objectdetection□facerecognition□recognitionspeed目錄第一章：緒論 第一章：緒論1.1研究背景及意義傳統(tǒng)的目標(biāo)檢測(cè)技術(shù)主要是通過(guò)幾何特征對(duì)圖像進(jìn)行切割，進(jìn)而對(duì)切割出的素材進(jìn)行幾何分析，根據(jù)特征將其分類(lèi)。但是實(shí)際使用中，各種物品雜亂無(wú)章重疊擺放，部分物品特征會(huì)被覆蓋導(dǎo)致目標(biāo)檢測(cè)準(zhǔn)確率較低，實(shí)用型并不高。而人工智能的到來(lái)，為我們展示了不一樣的世界。目前，各種人工智能設(shè)備早已被大眾所接受，各種IOT設(shè)備也已經(jīng)被量產(chǎn)。物聯(lián)網(wǎng)完全可以憑借AI這桿利刃，更上一層樓。人工智能所帶來(lái)的不僅僅是全新的人機(jī)交互體驗(yàn)，同時(shí)他也帶來(lái)了更多技術(shù)工種的就業(yè)機(jī)會(huì)，人工智能可以跨越多行業(yè)相結(jié)合，也就意味著需要更多的人才去進(jìn)行智能訓(xùn)練，人工智能就如同當(dāng)初的自動(dòng)化革命一般為我們的社會(huì)注入新的血液。人臉識(shí)別技術(shù)早在幾十年前的科幻電影中就已經(jīng)出現(xiàn)，跟著機(jī)器學(xué)習(xí)的腳步，它也走出電影來(lái)到了我們的生活中。傳統(tǒng)的物理密鑰、密碼都存在被盜取的風(fēng)險(xiǎn)，而人臉不一樣，就算是雙胞胎之間也不存在一摸一樣的五官角度，因此人臉識(shí)別是我們進(jìn)行身份管理最安全的一項(xiàng)技術(shù)。當(dāng)人臉識(shí)別技術(shù)越來(lái)越普及，我們的數(shù)據(jù)集會(huì)越來(lái)越豐富，通過(guò)更多的訓(xùn)練，可以讓機(jī)器更加的智能，更好的適應(yīng)我們的生活所需。在機(jī)器學(xué)習(xí)研究前期，機(jī)器算法都比較簡(jiǎn)單。在處理較為單一的場(chǎng)景下，有很優(yōu)秀的表現(xiàn)。但當(dāng)涉及到較為復(fù)雜的數(shù)據(jù)衍變時(shí)，簡(jiǎn)單的算法結(jié)構(gòu)的輸出結(jié)果準(zhǔn)確率極低。例如處理自然信號(hào)。在1980年，深度學(xué)習(xí)出現(xiàn)了。它的概念是在對(duì)\t"/item/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/_blank"人工神經(jīng)網(wǎng)絡(luò)的過(guò)程中所提出的，它的設(shè)計(jì)出發(fā)點(diǎn)在于建立一個(gè)機(jī)器人腦，通過(guò)模擬人體大腦的工作過(guò)程，來(lái)研發(fā)出一整套神經(jīng)網(wǎng)絡(luò)來(lái)處理和解析獲取的復(fù)雜數(shù)據(jù)，例如影、視、音等。深度學(xué)習(xí)是通過(guò)對(duì)輸入信號(hào)分解并組合低層次的特征，然后用來(lái)表示目標(biāo)的特征或者是類(lèi)別，并將特征輸出。由于各種外界因素的影響，人臉識(shí)別的準(zhǔn)度和精度還是不能滿(mǎn)足所有場(chǎng)景的需求。人臉識(shí)別在二維上的發(fā)展可能比較完善，但是我們還可以通過(guò)三維圖像綜合識(shí)別，也可以通過(guò)引入時(shí)間概念，通過(guò)對(duì)不同時(shí)間段的識(shí)別來(lái)確定識(shí)別對(duì)象的身份。因此，人臉識(shí)別的道路，還有很長(zhǎng)。1.2如何實(shí)現(xiàn)人臉識(shí)別1.2.1基于幾何特征的人臉識(shí)別幾何特征主要為五官的模型差距以及五官之間的距離以及幾何關(guān)系。該算法在理論上容易理解，識(shí)別的速度快，原理簡(jiǎn)單，所占用的內(nèi)存相對(duì)較少，遺憾的是識(shí)別率較低，不夠準(zhǔn)確。1.2.2基于特征臉(PCA)的人臉識(shí)別方法 特征臉?lè)椒ㄊ腔贙-LT所提出的人臉識(shí)別方法，K-LT全稱(chēng)是Karhunen-Loèvetranslation，他是一個(gè)最優(yōu)正交變換，此前用于壓縮圖像文件。通過(guò)對(duì)N維圖像進(jìn)行K-LT變換，獲取到一組低次分量。在其中選取重要的分量，然后擴(kuò)張為線性空間并進(jìn)行投影，所投影出來(lái)空間的即為我們判定是否為相同人臉的一個(gè)特征量。特征臉?lè)椒ǖ娜秉c(diǎn)在于它需要大量的訓(xùn)練樣本，才能保證識(shí)別精度的一個(gè)準(zhǔn)確性，并且完全是通過(guò)圖像灰度對(duì)特征進(jìn)行統(tǒng)計(jì)的。特征臉?lè)椒ㄒ灿性S多不同的版本，適應(yīng)在不同要求的場(chǎng)景下，但大體上原理都是一致的。1.2.3神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法神經(jīng)網(wǎng)絡(luò)的特點(diǎn)在于輸入變量類(lèi)型更多，他會(huì)根據(jù)輸入值的不同，通過(guò)不同的智能算法進(jìn)行分析，不同于傳統(tǒng)的識(shí)別方法一般都需要完整的人臉，但是神經(jīng)網(wǎng)絡(luò)可以通過(guò)部分人臉進(jìn)行分析，并得出結(jié)論。當(dāng)然，結(jié)論可能無(wú)法直接利用，卻可以篩選掉一些不符合的人，從而減少我們投入的人工。同時(shí)，缺點(diǎn)也十分明顯，需要較多的訓(xùn)練樣本來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行適應(yīng)性學(xué)習(xí)，訓(xùn)練樣本的數(shù)量跟識(shí)別的精準(zhǔn)度是成正比的。1.2.4彈性圖匹配的人臉識(shí)別方法彈性圖匹配的思路是從生物學(xué)的角度出發(fā)，定義基本臉型，通過(guò)二維拓?fù)浔憩F(xiàn)出來(lái)。同時(shí)，該拓?fù)渖蠄D像所有頂點(diǎn)都作為該臉圖的特征量，可以用來(lái)表示該點(diǎn)周?chē)木€性關(guān)系。其中彈性二字的意思是，允許圖像對(duì)比時(shí)具有一定的彈性變法，這樣可以克服微表情變化所帶來(lái)的識(shí)別障礙。通過(guò)幾何因素與灰度化特征相結(jié)合，彈性圖匹配被廣泛應(yīng)用在流式處理的在線識(shí)別產(chǎn)品上。更重要的是，它并不需要大量的訓(xùn)練樣品進(jìn)行適應(yīng)性訓(xùn)練。1.2.5LHD的人臉識(shí)別方法LHD是一群心理學(xué)家所提出的識(shí)別方法，他們認(rèn)為人類(lèi)對(duì)于輪廓線條的識(shí)別精準(zhǔn)度以及速度上并不差，因此他們提出了LHD。它從灰度化的人臉圖中，提取其中的輪廓線，用LDH來(lái)表示不同線條之間的距離關(guān)系。更重要的是，LDH沒(méi)有建議兩個(gè)線段之間的唯一對(duì)應(yīng)關(guān)系，因此它可以從多個(gè)方面驗(yàn)證單一線段是否發(fā)生了某種可容忍的變化，用來(lái)表示對(duì)不同人臉之間的相似程度。從結(jié)果來(lái)看，LHD繞過(guò)了光照條件以及姿態(tài)變化，因此在這方面他顯示了較良好的識(shí)別性能，但是由于輪廓無(wú)法體現(xiàn)人臉表情，因此它在表情處理方面識(shí)別效果并不如人所意。1.2.6SVM的人臉識(shí)別方法SVM中文名是支持向量機(jī)，在近幾年，他也進(jìn)入了智能識(shí)別領(lǐng)域的研究者眼中。通過(guò)支持向量機(jī)，用學(xué)習(xí)機(jī)的泛化能力換取更高的計(jì)算性能。SVM在識(shí)別過(guò)程中可以幫助我們將識(shí)別人臉?lè)纸鉃槎鄠€(gè)特征變量，進(jìn)而根據(jù)特征變量來(lái)對(duì)人臉特征進(jìn)行比對(duì)得出人臉識(shí)別的結(jié)果。通過(guò)SVM可以提高人臉識(shí)別的識(shí)別率，但同大多數(shù)識(shí)別方法一樣，SVM需要大量的訓(xùn)練樣本，而在實(shí)際應(yīng)用中訓(xùn)練樣本數(shù)量往往不足。并且SVM的訓(xùn)練過(guò)程耗時(shí)長(zhǎng)，算法種類(lèi)也有各有千秋，因此該方法并沒(méi)有一個(gè)統(tǒng)一的定論。1.3本文的主要工作本文從目標(biāo)檢測(cè)出發(fā)，針對(duì)人臉識(shí)別進(jìn)行研究，講述了人臉識(shí)別的研究意義以及發(fā)展方向。著重介紹了深度學(xué)習(xí)對(duì)于人臉識(shí)別研究的巨大幫助，深度學(xué)習(xí)讓人臉識(shí)別能夠更加智能的識(shí)別，增加識(shí)別的速度以及精度。人臉識(shí)別目前已經(jīng)廣泛應(yīng)用在企業(yè)打卡簽到以及部分智能家居產(chǎn)品上了，但部分特殊的場(chǎng)景還是沒(méi)有采用人臉識(shí)別，而是利用更精密的識(shí)別手段諸如瞳孔或者物理密鑰這種形式。這主要是由于人臉識(shí)別的缺點(diǎn)比較顯而易見(jiàn)，它存在被欺騙的可能性。同時(shí)，針對(duì)臉部豐富的表情變化以及外界環(huán)境光照等不可預(yù)見(jiàn)的因素，人臉識(shí)別可能會(huì)受到影響、或許是識(shí)別速度過(guò)慢或者是無(wú)法正常識(shí)別等問(wèn)題。 本文簡(jiǎn)單地實(shí)現(xiàn)了一個(gè)動(dòng)態(tài)人臉識(shí)別的簽到系統(tǒng)，識(shí)別流程大抵是先對(duì)素材庫(kù)中的人臉預(yù)處理，以包含人臉特征的二維數(shù)組這種形式緩存下來(lái)，在打開(kāi)攝像頭進(jìn)行識(shí)別的時(shí)候提取關(guān)鍵幀的人臉并處理為測(cè)試數(shù)據(jù)，將其與緩存中的素材集進(jìn)行對(duì)比，根據(jù)相對(duì)應(yīng)的閾值找到素材庫(kù)中對(duì)應(yīng)的人名，保存在簽到名單中。當(dāng)攝像頭關(guān)閉時(shí)將簽到名單保存為T(mén)XT在項(xiàng)目根目錄中。對(duì)于預(yù)處理素材庫(kù)中的素材這一步，被處理過(guò)的素材會(huì)緩存在內(nèi)存中，因此當(dāng)素材過(guò)多時(shí)對(duì)內(nèi)存資源要求較高。本文一共分為四個(gè)章節(jié)：第一章：緒論，針對(duì)人臉識(shí)別與深度學(xué)習(xí)的結(jié)合，人臉識(shí)別煥發(fā)了活力，介紹了人臉識(shí)別的多種方式及其效率以及人臉識(shí)別對(duì)科技生活的巨大幫助。第二章：擁有深度學(xué)習(xí)新特性的人臉識(shí)別與傳統(tǒng)的人臉識(shí)別相比的優(yōu)勢(shì)所在。第三章：通過(guò)face_recognition實(shí)現(xiàn)了一個(gè)動(dòng)態(tài)的人臉識(shí)別簽到系統(tǒng)，擁有在線添加素材、實(shí)時(shí)人臉識(shí)別、導(dǎo)出簽到人員表等功能。第四章：如何突破現(xiàn)在人臉識(shí)別效率與準(zhǔn)確率無(wú)法并取的現(xiàn)狀。第五章：結(jié)論與展望。第二章：人臉識(shí)別的新特性-深度學(xué)習(xí)2.1深度學(xué)習(xí)我們將深度學(xué)習(xí)分為“深度”“學(xué)習(xí)”兩個(gè)過(guò)程來(lái)理解：學(xué)習(xí)的詞義解釋是指通過(guò)閱讀、聽(tīng)講、思考、研究、實(shí)踐等途徑獲得知識(shí)或技能的過(guò)程。在深度學(xué)習(xí)中，其實(shí)也差不多，只是我們的輸入值不再是通過(guò)聽(tīng)講、思考等動(dòng)作，而是換成了機(jī)器能夠讀取的一個(gè)個(gè)數(shù)據(jù)集。而深度的意思是，從輸入值到輸出值這個(gè)過(guò)程中，所要經(jīng)歷的各個(gè)計(jì)算過(guò)程，它們各自聯(lián)系，由淺入深，最終輸出我們想要的數(shù)據(jù)。而這個(gè)計(jì)算過(guò)程，有好有壞，有的效率高輸出值缺不準(zhǔn)確；有的效率低，輸出值卻準(zhǔn)確。因此，我們可以形象的稱(chēng)這個(gè)過(guò)程為“學(xué)習(xí)策略”，好的學(xué)習(xí)策略雖然需要花費(fèi)大量時(shí)間去規(guī)劃，但是他的結(jié)果是足夠準(zhǔn)確的；不好的學(xué)習(xí)策略會(huì)導(dǎo)致錯(cuò)誤，會(huì)讓學(xué)習(xí)過(guò)程走更多的彎路。學(xué)術(shù)界嘗試模擬人腦，完成一套計(jì)算機(jī)能夠理解的學(xué)習(xí)策略，他被稱(chēng)之為“神經(jīng)網(wǎng)絡(luò)”。在人的大腦皮層中，是由一個(gè)一個(gè)神經(jīng)元所組成的一個(gè)大的神經(jīng)網(wǎng)，所以神經(jīng)網(wǎng)絡(luò)也是模仿這個(gè)概念去設(shè)計(jì)。如圖中的輸入值，x1、x2、x3，在經(jīng)過(guò)包括輸入層的四層結(jié)構(gòu)之后，輸出了我們所期望看到的結(jié)果，這就是一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。其中L1跟l4分別是輸入層和輸出層，l2、l3則是隱藏的處理層，越是復(fù)雜的運(yùn)算，所需要的處理層就越多，同時(shí)每個(gè)處理層所包含的參數(shù)也就越多，因此也就導(dǎo)致整個(gè)神經(jīng)網(wǎng)絡(luò)的規(guī)模呈現(xiàn)一個(gè)非線性的擴(kuò)大。總結(jié)一下，深度學(xué)習(xí)就是是通過(guò)多層次的計(jì)算以及分析，通過(guò)由淺入深，獲取所需要的輸出值的過(guò)程。而神經(jīng)網(wǎng)絡(luò)，則是我們通過(guò)分析整個(gè)運(yùn)算，所規(guī)劃的由各種參數(shù)與處理層所組成的一個(gè)大型的計(jì)算網(wǎng)絡(luò)，我們可以通過(guò)這個(gè)計(jì)算網(wǎng)絡(luò)實(shí)現(xiàn)輸入值到輸出值的一個(gè)轉(zhuǎn)變。2.2深度學(xué)習(xí)與人臉識(shí)別的二次結(jié)合傳統(tǒng)的人臉識(shí)別模型一般為圖2-2，通過(guò)對(duì)比提取到的cnn特征作為判斷的依據(jù)，而當(dāng)深度學(xué)習(xí)與人臉識(shí)別二次結(jié)合，人臉識(shí)別走出了另一條全新的道路。深度學(xué)習(xí)可以在通過(guò)多次訓(xùn)練后，訓(xùn)練出一種類(lèi)人腦的一種思維方式，只要樣本數(shù)足夠多的，理論上可以像大腦一般準(zhǔn)確分析思考。他會(huì)根據(jù)多個(gè)數(shù)據(jù)集的結(jié)果，微調(diào)每個(gè)數(shù)據(jù)對(duì)于最后結(jié)果的判定占比。如圖2-2-2，圖像之間的數(shù)值就是歐式空間中的距離，該數(shù)據(jù)越低，證明兩張照片為同個(gè)人的可能性越高，訓(xùn)練的樣本數(shù)越高，照片之間的距離參數(shù)也會(huì)改變，趨近于真相。圖2-2-1圖2-2-22.2.1VGG模型最初VGG并不是用作為圖像分類(lèi)識(shí)別訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，它是由牛津大學(xué)科學(xué)工程系發(fā)布，用來(lái)探究圖像分類(lèi)過(guò)程中網(wǎng)絡(luò)深度是如何影響識(shí)別的準(zhǔn)確率以及精度的。最初的VGG-16（VGG-Very-Deep-16CNN），從全稱(chēng)中我們也可以看出發(fā)布者對(duì)于VGG-16的研究深度標(biāo)準(zhǔn)之高，VGG不同于傳統(tǒng)的卷積網(wǎng)絡(luò)模型，他的卷積層與池化層并不是一一對(duì)應(yīng)的關(guān)系，規(guī)定整個(gè)模型中有5個(gè)池化層，他們分別與一部分卷積層相關(guān)聯(lián)，可以從圖2-2-3中看到池化層的分配關(guān)系。VGG按卷積層的數(shù)量劃分命名，最少的由3個(gè)全連接層+8個(gè)卷積層組成，命名為VGG11;最多則由3個(gè)全連接層+16個(gè)卷積層組成，命名為VGG19。圖2-2-3當(dāng)然，作為一個(gè)曾在ImageNet上大放光彩的模型，它并沒(méi)有那么簡(jiǎn)單。它的結(jié)構(gòu)設(shè)計(jì)也并不是一成不變，我們完全可以用全卷積網(wǎng)絡(luò)的概念對(duì)他進(jìn)行改造，將首個(gè)全連接層改為7x7其余的全連接層改為1x1。在VGG之前，沒(méi)有其他的神經(jīng)網(wǎng)絡(luò)模型能夠做到在突破10層的情況下，保證效果良好，不受影響。VGG雖然突破了網(wǎng)絡(luò)深度，卻沒(méi)有徹底解決網(wǎng)絡(luò)深度所帶來(lái)的一系列問(wèn)題。當(dāng)網(wǎng)絡(luò)層數(shù)過(guò)多以后，同樣會(huì)出現(xiàn)梯度性能下降等問(wèn)題?？偟膩?lái)說(shuō)VGG在剛提出的時(shí)候也是受到推崇，但是隨著時(shí)間的流逝，越來(lái)越多的更加優(yōu)秀的訓(xùn)練模型被提出，VGG也就不那么耀眼了。2.2.2優(yōu)圖祖母模型祖母模型提出之初，就已經(jīng)決定了要成為一個(gè)百寶箱，它并不特別指代一種深層的神經(jīng)網(wǎng)絡(luò)模型，它是一個(gè)具有相同結(jié)構(gòu)特征的神經(jīng)網(wǎng)絡(luò)模型的集合。在不同的應(yīng)用場(chǎng)景下，優(yōu)圖祖母模型可以提供不同的神經(jīng)網(wǎng)絡(luò)模型，完成所需要實(shí)現(xiàn)的效果。因此，也有人叫它優(yōu)圖祖母模型族。目前，最流行的深層神經(jīng)網(wǎng)絡(luò)模型（圖2-2-4）從結(jié)構(gòu)上劃分一共有三種：1.單支型（如AlexNet，VGGNet）；2.雙分支型（如ResNet）；3.多分支型（如GoogleNet）。直線型結(jié)構(gòu)設(shè)計(jì)最為簡(jiǎn)單，但當(dāng)網(wǎng)絡(luò)深度過(guò)深會(huì)出現(xiàn)性能爆炸或性能消退等問(wèn)題，同時(shí)由于結(jié)構(gòu)單一，他也缺乏改造性。局部多分支型具有較強(qiáng)的計(jì)算能力和較高的計(jì)算效率，但其設(shè)計(jì)也最為復(fù)雜，設(shè)計(jì)所耗費(fèi)的人力物力較多。結(jié)合以上兩點(diǎn)，祖優(yōu)圖最終采用雙分支型這種折中的架構(gòu)來(lái)構(gòu)建祖母模型族。雙分支型本身具有很強(qiáng)的學(xué)習(xí)能力，也有許多采用該結(jié)構(gòu)的訓(xùn)練集在比賽中獲獎(jiǎng)；其次他的結(jié)構(gòu)設(shè)計(jì)較為簡(jiǎn)單，前期人力消耗可控，最大的特點(diǎn)之一就是識(shí)別能力與神經(jīng)網(wǎng)絡(luò)的深度是一個(gè)正相關(guān)的一個(gè)關(guān)系，這意味著我們?cè)卺槍?duì)不同的應(yīng)用場(chǎng)景的多個(gè)模型進(jìn)行識(shí)別訓(xùn)練的時(shí)候，完全可以通過(guò)控制網(wǎng)絡(luò)深度來(lái)應(yīng)對(duì)不同的需求。為了滿(mǎn)足用戶(hù)的識(shí)別需求，一般會(huì)要求獲取用戶(hù)最大的數(shù)據(jù)集進(jìn)行訓(xùn)練，以保證神經(jīng)網(wǎng)絡(luò)模型的可用性。圖2-2-4祖母模型在近期也在識(shí)別流程上進(jìn)行了一次較大的變動(dòng)：流程的變更主要是由于遷移學(xué)習(xí)的提出，遷移學(xué)習(xí)是人工智能領(lǐng)域所提出，用來(lái)解決不同的處理場(chǎng)景下訓(xùn)練時(shí)長(zhǎng)過(guò)長(zhǎng)的問(wèn)題，而神經(jīng)網(wǎng)絡(luò)模型完全可以通過(guò)遷移學(xué)習(xí)，減少訓(xùn)練所花費(fèi)的時(shí)間。簡(jiǎn)單點(diǎn)來(lái)講，就是將整個(gè)訓(xùn)練過(guò)程分為：1、預(yù)訓(xùn)練（pre-train）；2、精細(xì)化調(diào)整（fine-tune）。針對(duì)人臉識(shí)別場(chǎng)景，咱們只要將已被訓(xùn)練完成的優(yōu)圖祖母模型針對(duì)新場(chǎng)景上的新數(shù)據(jù)進(jìn)行精細(xì)化調(diào)整，就滿(mǎn)足新場(chǎng)景的一個(gè)識(shí)別需求。2.3本章總結(jié)本章介紹了VGG以及優(yōu)圖祖母模型兩種人臉識(shí)別模型，VGG和優(yōu)圖祖母模型。VGG是由牛津大學(xué)科學(xué)工程系發(fā)布，用來(lái)探究圖像分類(lèi)過(guò)程中網(wǎng)絡(luò)深度是如何影響識(shí)別的準(zhǔn)確率以及精度的。在研究過(guò)程中，人們用其進(jìn)行識(shí)別訓(xùn)練，憑借著VGG結(jié)構(gòu)清晰簡(jiǎn)潔的優(yōu)點(diǎn)，取得了不錯(cuò)的成效。同時(shí)，通過(guò)使用多個(gè)小型濾波器代替正常的濾波器，獲得了更好的性能，這也就印證了：通過(guò)不斷加深網(wǎng)絡(luò)結(jié)構(gòu)可以提升性能。但是VGG對(duì)計(jì)算資源的要求是非常高的，由于使用了大量的參數(shù)，它比其他的深度學(xué)習(xí)模型需要占用更多內(nèi)存。其中，大部分參數(shù)來(lái)自全連接層。但是，根據(jù)部分實(shí)驗(yàn)結(jié)果的效果看來(lái)，就算去除掉所有的全連接層，他的性能也沒(méi)有太大的影響，這樣就顯著的降低了參數(shù)的數(shù)量。優(yōu)圖提出的祖母模型在我看來(lái)，是未來(lái)深度學(xué)習(xí)的一個(gè)主流。優(yōu)圖祖母模型的核心，就是通過(guò)大量的，各式各樣的樣本，來(lái)訓(xùn)練出一個(gè)龐大的數(shù)據(jù)集集合。該集合可以用于多處使用（如人臉識(shí)別、目標(biāo)檢測(cè)、動(dòng)態(tài)跟蹤、自動(dòng)駕駛等），并且近年遷移學(xué)習(xí)提出讓祖母模型族成型的可能性大大提升，進(jìn)行基礎(chǔ)模型的預(yù)訓(xùn)練，在特定任務(wù)上對(duì)模型進(jìn)行精細(xì)化調(diào)整。這樣一來(lái)，大大優(yōu)化了祖母模型對(duì)于特定場(chǎng)景訓(xùn)練的流程，減少訓(xùn)練時(shí)長(zhǎng)，可以完成更多的訓(xùn)練。目前，優(yōu)圖祖母模型也已經(jīng)投入應(yīng)用中，并且取得了不錯(cuò)的成果，我們可以在騰訊云的AI人臉識(shí)別產(chǎn)品中對(duì)第三代優(yōu)圖祖母模型進(jìn)行測(cè)試。：動(dòng)態(tài)人臉識(shí)別簽到系統(tǒng)實(shí)現(xiàn)3.1實(shí)現(xiàn)思路首先，一個(gè)可以上線的簽到系統(tǒng)最少要有以下三個(gè)功能：1、人像素材上傳2、通過(guò)攝像頭設(shè)備對(duì)比素材庫(kù)進(jìn)行識(shí)別3、保存簽到成功的人像名單其中1、3我通過(guò)Python的一些自帶庫(kù)實(shí)現(xiàn)了，核心的識(shí)別功能我選擇了github上的一個(gè)開(kāi)源項(xiàng)目FaceRecognition，通過(guò)對(duì)其進(jìn)行二次開(kāi)發(fā)實(shí)現(xiàn)了動(dòng)態(tài)人臉識(shí)別簽到系統(tǒng)實(shí)現(xiàn)。3.2算法實(shí)現(xiàn)3．2．1環(huán)境依賴(lài) 根據(jù)FaceRecognition的開(kāi)發(fā)文檔，該項(xiàng)目的運(yùn)行環(huán)境支持linux/樹(shù)莓派，但是我的設(shè)備系統(tǒng)環(huán)境為win10，通過(guò)查找資料后，我找到了一個(gè)可以在win10上運(yùn)行的安裝方式:1、安裝Anaconda2、通過(guò)Anaconda安裝CMake3、安裝dilb4、成功安裝facerecognition3.2.2實(shí)現(xiàn)普通的人臉識(shí)別 想實(shí)現(xiàn)人臉識(shí)別，首先要解決的就是如何找到畫(huà)面上的所有人臉。在人臉識(shí)別的初期，這個(gè)問(wèn)題是第一個(gè)被提出的，一時(shí)間有出現(xiàn)了許多識(shí)別的算法。 根據(jù)不同的知識(shí)體系出發(fā)，大抵上可以分為人工智能、神經(jīng)網(wǎng)絡(luò)、圖像處理、模式識(shí)別等多種識(shí)別方法，雖然出發(fā)點(diǎn)并不一致，但最終都是采用了特征臉?lè)椒▉?lái)實(shí)現(xiàn)人臉識(shí)別。 特征臉?lè)椒ɡ梅治龇ǎ瑢⑷四槇D像分解并提取特征樣本。它實(shí)際上就相當(dāng)于將人臉化為一組組向量，然后將提取的特征樣本與參考庫(kù)中所提取的特征樣本進(jìn)行比對(duì)，根據(jù)匹配的特征樣本數(shù)取最高來(lái)找到識(shí)別度最高的人臉。由于特征樣本在返回時(shí)，還具有人臉的一定特征，因此我們也叫特征樣本為“特征臉”。圖3-2-1 從圖3-2-1中我們可以看到，我們可以將一副人臉圖像分解成一組權(quán)值向量，然后利用向量為單位找到距離最小對(duì)應(yīng)的人臉圖像的身份作為測(cè)試人臉圖像的身份。這如同派出所使用的素描畫(huà)嫌疑人畫(huà)像的過(guò)程，以一個(gè)基礎(chǔ)臉型為出發(fā)點(diǎn)，然后畫(huà)出不同的眼睛、嘴巴等五官給目擊者確認(rèn)，逐漸拼湊出一張疑似嫌疑人的一張圖像。電腦實(shí)現(xiàn)的過(guò)程大抵是一致的，只是他的五官是以特征樣本的抽象形式體現(xiàn)的。 而在faceRecognition中，通過(guò)load_image_file()函數(shù)，可以把實(shí)現(xiàn)圖片導(dǎo)入，而后只需要把導(dǎo)入的圖片數(shù)據(jù)傳入face_locations()識(shí)別圖片中的人臉的位置，該函數(shù)的返回值為一個(gè)列表，其包含多個(gè)元組，代表著人臉的位置信息。接下來(lái)，我將展示演示所用到的圖片素材：素材3.2.1實(shí)現(xiàn)的代碼如下：importface_recognition

image=face_recognition.load_image_file("素材3.2.1.jpg")

face_locations=face_recognition.face_locations(image)

print(face_locations)讓我們來(lái)看下執(zhí)行的結(jié)果： 我們可以觀察到，執(zhí)行結(jié)果返回了六個(gè)元組，每個(gè)元組中的數(shù)據(jù)代表的正是每張臉的位置信息，四個(gè)像素級(jí)的位置點(diǎn)把人臉圈起來(lái)了。這樣一樣，我們也就成功的找到了所有的人臉。 接下來(lái)的問(wèn)題，就在于如何進(jìn)行人臉比對(duì)。而人臉識(shí)別的實(shí)現(xiàn)則是依賴(lài)“彈性圖匹配”這種方法。彈性圖匹配的思路是忽略人與人之間五官特征的角度和長(zhǎng)度，更多的將關(guān)注點(diǎn)放在圖像變換后的不變性，所以它還有另一個(gè)名字“橡皮泥幾何學(xué)”。它以一個(gè)人臉拓?fù)涓爬ㄋ械娜四?，根?jù)這個(gè)拓?fù)浣Y(jié)構(gòu)劃分基準(zhǔn)點(diǎn)。圖3-2-2 每次進(jìn)行識(shí)別，我們需要對(duì)識(shí)別圖像人臉進(jìn)行拓?fù)浣?，獲取特征向量。同時(shí)，讀取素材庫(kù)中已有的人臉?biāo)鶎?duì)應(yīng)的特征向量進(jìn)行比對(duì)，找到相似程度最高的一張圖。然后以此圖建立拓?fù)?，進(jìn)行更多特征向量的比對(duì)，進(jìn)而找到測(cè)試人臉的身份。 在faceRecognition中，只需要將需要對(duì)比的兩張照片所對(duì)應(yīng)的編碼作為參數(shù)傳入face_pare_faces()，該函數(shù)會(huì)返回值的類(lèi)型為boolean，該值為T(mén)RUE則證明大概率為同個(gè)人，為FALSE則大概率不是同一個(gè)人。該函數(shù)的判定闕值可以在傳入編碼時(shí)使用tolerance關(guān)鍵字加上闕值限制作為第三個(gè)參數(shù)進(jìn)行修改，目前合理的闕值大概為0.73左右，可以盡可能的做出準(zhǔn)確的判斷。接下來(lái)，我展示下演示所用的素材：實(shí)現(xiàn)的代碼如下：importface_recognition

known_image=face_recognition.load_image_file("素材3.2.2.jpg")known_image=face_recognition.load_image_file("unknown.jpg")

unknown2_image=face_recognition.load_image_file("unknown2.jpg")

lhf_encoding=face_recognition.face_encodings(known_image)[0]

unknown_encoding=face_recognition.face_encodings(unknown_image)[0]

unknown2_encoding=face_recognition.face_encodings(unknown2_image)[0]

results=face_pare_faces([lhf_encoding],unknown_encoding)

results2=face_pare_faces([lhf_encoding],unknown2_encoding)

print(results)

print(results2)執(zhí)行的結(jié)果如下：我們可以看到，第一次對(duì)比的結(jié)果集為T(mén)RUE素材的選取一張為我高二時(shí)的相片、一張為我大三時(shí)的照片，經(jīng)過(guò)五年時(shí)間的成長(zhǎng)，依舊可以識(shí)別成功；而第二次對(duì)比的結(jié)果集為FALSE，素材的選取為明星吳彥祖，對(duì)比的結(jié)果也是正確的。 至此，已經(jīng)成功實(shí)現(xiàn)了靜態(tài)的人臉檢測(cè)、識(shí)別的功能。3.3完善動(dòng)態(tài)人臉識(shí)別簽到系統(tǒng)3.3.1從視頻流中取幀進(jìn)行識(shí)別 在這個(gè)方面，我選用了opencv處理視頻流流，之后通過(guò)獲取視頻流的每一幀通過(guò)3.2中的人臉識(shí)別相關(guān)代碼進(jìn)行識(shí)別，在原幀中圈出檢測(cè)到的人臉并且在框中標(biāo)出識(shí)別的結(jié)果，具體實(shí)現(xiàn)的代碼如下：defaction():

video_capture=cv2.VideoCapture(0)

#引用素材庫(kù)生成流

addpeople.Reading()

addpeople.change()#測(cè)試根據(jù)list生成流

known_face_encodings=addpeople.known_face_encodings#賦值

known_face_names=addpeople.known_face_names#賦值

#Initializesomevariables

face_locations=[]

face_encodings=[]

face_names=[]

process_this_frame=True

s=set()

arrivename=[]

whileTrue:

#Grabasingleframeofvideo

ret,frame=video_capture.read()

#Resizeframeofvideoto1/4sizeforfasterfacerecognitionprocessing

small_frame=cv2.resize(frame,(0,0),fx=0.25,fy=0.25)

#ConverttheimagefromBGRcolor(whichOpenCVuses)toRGBcolor(whichface_recognitionuses)

rgb_small_frame=small_frame[:,:,::-1]

#Onlyprocesseveryotherframeofvideotosavetime

ifprocess_this_frame:

#Findallthefacesandfaceencodingsinthecurrentframeofvideo

face_locations=face_recognition.face_locations(rgb_small_frame)

face_encodings=face_recognition.face_encodings(rgb_small_frame,face_locations)

face_names=[]

forface_encodinginface_encodings:

#闕值設(shè)置在這里

matches=face_pare_faces(known_face_encodings,face_encoding,tolerance=0.75)

name="Unknown"

ifTrueinmatches:

first_match_index=matches.index(True)

name=known_face_names[first_match_index]

face_names.append(name)

process_this_frame=notprocess_this_frame

#Displaytheresults

for(top,right,bottom,left),nameinzip(face_locations,face_names):

#Scalebackupfacelocationssincetheframewedetectedinwasscaledto1/4size

top*=4

right*=4

bottom*=4

left*=4

#Listidentifiedq

ifname!="Unknown":

s.add(name)

arrivename.append(name)

else:

pass

#Drawaboxaroundtheface

cv2.rectangle(frame,(left,top),(right,bottom),(0,0,255),2)

#Drawalabelwithanamebelowtheface

cv2.rectangle(frame,(left,bottom-35),(right,bottom),(0,0,255),cv2.FILLED)

font=cv2.FONT_HERSHEY_DUPLEX

cv2.putText(frame,name,(left+6,bottom-6),font,1.0,(255,255,255),1)

#Displaytheresultingimage

cv2.imshow('Video',frame)

#按Q推出ifcv2.waitKey(1)&0xFF==ord('q'):

print(s)

savelist.save(arrivename)

break

#Releasehandletothewebcam

video_capture.release()

cv2.destroyAllWindows()實(shí)現(xiàn)的效果如下：其中l(wèi)hf為我上傳的圖片名，通過(guò)掃描素材庫(kù)文件名獲取。3.3.2實(shí)現(xiàn)上傳素材、導(dǎo)出簽到表通過(guò)selectPath讀取素材的路徑之后通過(guò)提交按鈕對(duì)原素材進(jìn)行素材提交，相關(guān)代碼如下：defsubmit():

str=path.get()

addr2=str.replace('/',r'\\')

print(addr2)

f=open(addr2,'rb')

f_str=base64.b64encode(f.read())

f.close()

str=f_str

file_str=open('Materialbank\\%s.jpg'%TEXT.get(),'wb')

file_str.write(base64.b64decode(str))

file_str.close()將識(shí)別的列表進(jìn)行去重之后保存在TXT文件中，實(shí)現(xiàn)了簽到表的導(dǎo)出，相關(guān)代碼如下：defsave(arrivename):

arrivename2=list(set(arrivename))

data=open("text.txt",'w+')

print(arrivename2,file=data)

data.close()3.3.3使用演示 運(yùn)行項(xiàng)目，我們可以看到使用的UI界面（圖3-3-1），填寫(xiě)完上傳的資料后，可以通過(guò)路徑選擇按鈕對(duì)想要上傳的原圖像進(jìn)行上傳(圖3-3-2)，上傳的新文件的名字為資料的名字，后綴為JPG格式，完成素材上傳后，點(diǎn)擊打開(kāi)攝像頭后即可開(kāi)始簽到過(guò)程，需在攝像頭前等待1~2s后在人像臉上標(biāo)注出名字后（圖3-3-3），完成簽到。等到所有成員完成簽到后，按“Q”退出攝像頭界面后，系統(tǒng)會(huì)將成功簽到的人員列表存放在根目錄中，名字為text.txt（圖3-3-4），至此整個(gè)程序的演示結(jié)束。圖3-3-1圖3-3-2圖3-3-3圖3-3-43.4本章小結(jié)本章主要展示了我在開(kāi)發(fā)過(guò)程中的思路以及所利用的一些demo測(cè)試，并最終實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的人臉識(shí)別項(xiàng)目。程序是利用python進(jìn)行開(kāi)發(fā)，使用了facerecognition項(xiàng)目。從最初的環(huán)境搭建到整個(gè)開(kāi)發(fā)過(guò)程中，所遇到的一些問(wèn)題以及解決方案都在本章中有體現(xiàn)。在視屏處理方面，我使用的是opencv，利用截取關(guān)鍵幀來(lái)實(shí)現(xiàn)從視屏流到人臉截圖這種形式的轉(zhuǎn)變，最終利用人臉圖進(jìn)行識(shí)別并返回結(jié)果，標(biāo)出人臉身份。整個(gè)流程思路好還是比較清晰的，最終實(shí)現(xiàn)的效果比較簡(jiǎn)陋，但基礎(chǔ)的功能也還可以。由于素材庫(kù)緩存的原因，該程序?qū)?nèi)存資源有一定的要求，因此如果有復(fù)現(xiàn)的需求，需要保證內(nèi)存在8G，并且素材庫(kù)素材不可過(guò)多；如果有大型應(yīng)用場(chǎng)景，建議采用分布式的架構(gòu)，將素材分布于不同的節(jié)點(diǎn)上，這樣既能保證性能又能滿(mǎn)足使用的需求。目前，市面上的大型IT企業(yè)都有自己的人臉識(shí)別產(chǎn)品，并且已經(jīng)投入使用了。我的程序無(wú)法與他們相提并論，但是對(duì)于初學(xué)者來(lái)說(shuō)，可以經(jīng)由這個(gè)項(xiàng)目入手，對(duì)于理解人臉識(shí)別或者是深入學(xué)習(xí)更多的物品識(shí)別等會(huì)有一定的好處。開(kāi)發(fā)所利用的Demo以及項(xiàng)目使用的代碼在本章中都有展示，UI界面較簡(jiǎn)陋，可以自行改進(jìn)。第四章：總結(jié)與展望4.1論文總結(jié)人臉識(shí)別技術(shù)是一種生物識(shí)別技術(shù)，自二十多年前的科幻劇中就有了它的出現(xiàn)，相對(duì)于其他生物識(shí)別技術(shù)，他的效果更直觀、使用更簡(jiǎn)便，并且相對(duì)于物理密鑰或者是電子密鑰來(lái)說(shuō)，他不具備有被盜竊的可能性。但人臉識(shí)別技術(shù)在提出之初也被種種問(wèn)題所環(huán)繞：1、相似的人臉是否會(huì)解鎖；2、拿著圖片解鎖；3、會(huì)不會(huì)因?yàn)榛瘖y或者年齡變大而無(wú)法解鎖等。這些問(wèn)題截至目前，也基本上已經(jīng)解決了。因此，現(xiàn)階段的研究方向更多的是從兩方面出發(fā)：1、提高識(shí)別的精準(zhǔn)度；2、在復(fù)雜環(huán)境下保證識(shí)別可行性。目前的檢測(cè)方法有許多，但是整體的安全等級(jí)還是不足以滿(mǎn)足特定場(chǎng)景的需求，因此我們需要將更多的識(shí)別因素加入到人臉識(shí)別中，如：時(shí)間，空間等。更多的因素的加入會(huì)導(dǎo)致資源占用更高，但是隨著云計(jì)算的發(fā)展，計(jì)算資源并不是一個(gè)難以解決的問(wèn)題，通過(guò)深度學(xué)習(xí)模型來(lái)訓(xùn)練一套安全系數(shù)更高的人臉識(shí)別體系。我們的人臉識(shí)別系統(tǒng)會(huì)越來(lái)越智能，我們可以通過(guò)人臉識(shí)別完成更多的身份管理，在未來(lái)的世界中，我們不再需要一個(gè)身份證，臉就是我們的通行證。本文介紹了VGG模型，現(xiàn)在我們下載VGGface模型中，已經(jīng)具備有一個(gè)較為成熟的識(shí)別體系了，在經(jīng)過(guò)特定圖片集的訓(xùn)練后，其的識(shí)別準(zhǔn)確率也不低。但是我們?cè)谑褂脮r(shí)，還是應(yīng)該根據(jù)自己的使用環(huán)境，對(duì)其進(jìn)行適應(yīng)性訓(xùn)練，這樣可以滿(mǎn)足我們更高的精準(zhǔn)度需求。本文還介紹了優(yōu)圖祖母模型族的宏圖，當(dāng)前優(yōu)圖祖母模型已經(jīng)第三代了，滿(mǎn)足大多數(shù)場(chǎng)景下的應(yīng)用了，我們可以在騰訊云的AI欄目里測(cè)試祖母模型，感受百寶袋的各種智能算法。本文使用了一個(gè)簡(jiǎn)單的開(kāi)源項(xiàng)目face_recognition，實(shí)現(xiàn)了一個(gè)動(dòng)態(tài)識(shí)別人臉的簽到系統(tǒng)，通過(guò)攝像頭輸入視頻流，以幀為單位與素材庫(kù)中的圖片進(jìn)行對(duì)比，當(dāng)匹配幾率高于0.75時(shí)，則系統(tǒng)認(rèn)證為同一個(gè)人。在素材庫(kù)不多時(shí)，該系統(tǒng)在一定程度上是可信的。但是一旦素材庫(kù)過(guò)多，就會(huì)導(dǎo)致識(shí)別結(jié)果可信度降低。因此，在人臉識(shí)別的道路上，該項(xiàng)目還做不真正的普及使用，但是在機(jī)器學(xué)習(xí)的幫助下，我相信有朝一日可以真正的實(shí)現(xiàn)智能化識(shí)別人臉。4.2展望本文通過(guò)探討傳統(tǒng)目標(biāo)檢測(cè)和基于深度學(xué)習(xí)的人臉識(shí)別算法展開(kāi)，在開(kāi)發(fā)過(guò)程中學(xué)習(xí)到了不少的東西，但程序還是存在不少的缺點(diǎn)，為了解決這些問(wèn)題，今后將從以下幾個(gè)方面對(duì)程序進(jìn)行改進(jìn)：1、尋找和替換更合理的算法，改善識(shí)別的精準(zhǔn)度以及速度。 2、嘗試替換視頻流的輸入格式，以2S為間隔，同時(shí)將在該區(qū)間內(nèi)的所有幀與素材庫(kù)進(jìn)行對(duì)比，當(dāng)所有對(duì)比的結(jié)果加起來(lái)達(dá)到某個(gè)閾值時(shí)，才認(rèn)為兩者匹配。這樣一來(lái)，可以大大加強(qiáng)識(shí)別的可信度。3、設(shè)計(jì)合理的UI界面，提升用戶(hù)的視覺(jué)效果體驗(yàn)。隨著云計(jì)算等計(jì)算平臺(tái)的發(fā)展，計(jì)算資源已經(jīng)不再成為難題，未來(lái)會(huì)有更多優(yōu)秀的識(shí)別算法被提出，一“臉”行天下，就在不遠(yuǎn)的未來(lái)。參考文獻(xiàn)基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)研究錢(qián)程基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的統(tǒng)計(jì)機(jī)器翻譯研究楊南基于局部特征和進(jìn)化算法的人臉識(shí)別李根優(yōu)圖祖母模型的「進(jìn)化」/jjjndk1314/article/details/80579552VGG卷積神經(jīng)網(wǎng)絡(luò)模型解析/gloomyfish/2105427計(jì)算機(jī)到底是怎么識(shí)別人臉的騰訊科技致謝四年前，我對(duì)大學(xué)迷茫而恐懼；四年后，我如紅日初升，意氣風(fēng)發(fā)；四年前，覺(jué)得求學(xué)異鄉(xiāng)是離親別友；四年后，我和志同道合的伙伴談笑風(fēng)生；四年前，我認(rèn)為小安是福、隨遇而安；四年后，我身似山河，敢問(wèn)天地試鋒芒；斗轉(zhuǎn)星移，大學(xué)四年似乎改變了一切。唯一不變的，是我對(duì)“改變”的追求。一謝師長(zhǎng)，言傳身教。大學(xué)四年，學(xué)的東西雜且多，雖無(wú)法做到樣樣精通，時(shí)至今日也敢于出口說(shuō)自己大都有所涉獵。對(duì)我影響最大的是趙元成老師，是他引領(lǐng)我接觸到云計(jì)算這個(gè)行業(yè)，并在我蹣跚學(xué)步的過(guò)程中引領(lǐng)我前行。時(shí)至今日，我也決定在這個(gè)行業(yè)繼續(xù)往下走。恩師于我，授我漁魚(yú)，高山景行，師之范者。二謝親友，予我歡情。在我最不懂事的時(shí)候，家人的鼓勵(lì)讓我我成為一名大學(xué)生。我曾以為大學(xué)也不過(guò)是求學(xué)的四年，與六年小學(xué)三年初中三年高中并無(wú)大區(qū)別。但是，經(jīng)歷過(guò)才知道，大學(xué)四年求學(xué)并不是最重要的