23岁男。
从高一开始就分不清楚人脸，一次把初中同学当成高中同学（长得我觉得有点像）闹了笑话。
见过的...
记忆力出现了问题建议自己锻炼一下，试着背背诗词电话号码等等，找一些明星的照片放在一起自己练习分辨。
人脸看一次记不住的算是脸盲吗
我一般要看三四次才能记住一个人的脸
我高中三年就认宿舍的还有同后桌。
老师也不认识，每没有看课程表的情况老师来上课，我都不知道要上什么课，还得问同桌是哪个老师。
放假回家连亲戚都不知道叫啥，尤其是我爷爷的兄弟，什么二爷，三爷，四爷，五爷的，还有二奶，三奶四奶五奶之类的都分不清楚。
高考作文材料之学校人脸识别系统篇
高考作文材料之学校人脸识别系统篇（一） 继上海一小学计划启用人工智能系统，对学生打哈欠等进行监控后，澎湃新闻又报道，位于江苏南京的中国药科大学正在部分教室“试水”安装人脸识别系统：学生进教室后自动识别个人信息，系统自动签到签退，全程监控学生上课听讲情况，就连你发呆、打瞌睡和玩手机等动作行为都能被识别出来。
必须明确，大学生逃课、“替同学答到”等现象在各地高校都不同程度地存在，这是不可否认的现实。
加强课堂教学管理，严抓教学纪律，也的确是高校的责任。
放任学生不来上课，是对学生的不负责任，也是学校管理者的失职。
在全面振兴本科教育的背景下，改变“快乐的大学”，当然就必须严格教学管理。
因此，包括家长在内的公众都对学校加强课堂教学管理持支持态度。
但争议在于，学校采用什么样的方式来加强管理。
安装人脸识别系统全程监控学生上课听讲情况，“学生是否认真听讲，课堂上是否抬头低头，抬头低头了几次，抬头低头了多长时间，低头是否在玩手机，是否闭眼打瞌睡，都逃不过人脸识别系统的‘法眼’。
”这恐怕不是打造高效课堂的正确姿势，而是让教室变成令人窒息的监狱。
首先，发呆、打瞌睡这些动作很难说明学生的状态如何。
打个比方，老师的课讲得很精彩，学生听得入迷，陷入沉思状态，然而对于人工智能识别系统来说，这是否会被认为是在发呆，是否意味着学生听课不认真、需要纠正
而如果教师在讲台上照本宣科，课上得味同
高中生为什么天天化妆的人脸会变白
晒不到太阳。
。
。
。
。
10句描写人物的英语句子
人脸识别技术概述 广义的人脸识别主要分为人脸检测(face detection)、特征提取(feature extraction)和人脸识别(face recognition)三个过程，如图1所示。
人脸,人脸识别,人脸识别技术 图1 典型的人脸识别过程 其中，第三步提到的人脸识别是狭义的人脸识别，即将待识别人脸所提取的特征与数据库中人脸的特征进行对比，根据相似度判别分类。
而人脸识别又可以分为两个大类：一类是确认(verification)，这是人脸图像与数据库中已存的该人图像比对的过程，回答你是不是你的问题;另一类是辨认(identification)，这是人脸图像与数据库中已存的所有图像匹配的过程，回答你是谁的问题。
显然，人脸辨认要比人脸确认困难，因为辨认需要进行海量数据的匹配。
在辨认过程中，海量数据的处理、特征提取和分类算法的选择变得非常重要。
识别率和识别速度是人脸识别技术中主要的衡量算法性能的指标。
本文后面提到的人脸识别，主要指的是人脸辨认。
人脸识别技术原理 人脸识别算法发展到今天，大致上可以分为两类：基于特征的人脸识别算法和基于外观的人脸识别算法。
其中，多数基于特征的人脸识别算法属于早期的人脸识别算法，现在已经不再使用。
不过近些年出现了一些新的基于特征的算法，并取得不错的效果。
而基于外观的人脸识别算法是由于实现简单，受到广泛关注。
接下来将分别介绍两类人脸识别算法。
基于特征的人脸识别算法：早期的人脸识别算法主要是基于特征模板和几何约束来实现的。
这一类算法首先对输入图像进行处理，提取出如眼睛、鼻子和嘴等面部特征和外观轮廓。
然后计算这些面部特征之间的几何关系，如距离、面积和角度等。
这样将输入图像转换为几何特征向量后，使用标准的统计模式识别技术进行匹配分类。
由于算法利用了一些直观的特征，计算量小。
不过，由于其所需的特征点不能精确选择，限制了它的应用范围。
另外，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大。
所以说，这类算法只适合于人脸图像的粗略识别，无法在实际中应用。
人脸,人脸识别,人脸识别技术 图2 一些典型的面部几何特征示意图 以上这些方法都是通过一些特征模板和几何约束来检测特定的面部特征，并计算特征之间的关系。
还有一些方法使用了图像的局部表示来提取特征。
其中最受关注的方法是局部二值模式(LBP)算法。
LBP方法首先将图像分成若干区域，在每个区域的像素3x3邻域中用中心值作阈值化，将结果看成是二进制数。
图3显示了一个LBP算子。
LBP算子的特点是对单调灰度变化保持不变。
每个区域通过这样的运算得到一组直方图，然后将所有的直方图连起来组成一个大的直方图并进行直方图匹配计算进行分类。
人脸,人脸识别,人脸识别技术 图3 LBP算子 基于特征的人脸识别算法主要的优势在于对姿态、尺度和光照等变化鲁棒。
由于多数特征是基于手动选择和先验知识，受图像本身的成像质量影响较少。
另外，提取出的面部特征往往维数较低，匹配速度快。
这些方法的缺点是自动特征提取的难度较大。
如果特征集的鉴别能力弱，再多的后续处理也无法补偿本身的不足。
基于外观的人脸识别算法：基于外观的人脸识别算法也称为整体方法。
它们使用图像的全局信息来辨识人脸。
最简单的整体方法是用二维数组来存放图像的灰度值，然后直接对输入图像和数据库中的所有图像进行相关性比较。
这种方法的缺点非常多，如易受环境影响、计算耗时等。
其中一个重要的问题是这样的分类是在一个非常高维的空间中进行的。
为了克服维数问题，一些算法使用统计降维方法来获取和保留更有用的信息，最典型的算法就是主成分分析(PCA)算法和线性鉴别分析(LDA)算法。
PCA算法指出任何特定的人脸可以由一个低维的特征子空间表示，并可以用这个特征子空间近似地重建。
将输入人脸图像投影到特征子空间上得到的特征与已知的数据库进行比对来确定身份。
PCA算法选取的特征最大化了人脸样本间的差异，但也保留了一些由于光照和面部表情产生的不必要的变化。
而同一个人由于光照产生的变化可能会大于不同人之间的变化，如图4所示。
LDA算法在最大化不同个体之间的样本差异的同时，最小化同一个体内部的样本差异。
这样达到了人脸特征子空间的划分。
图5是PCA和LDA算法的示例。
其中，PCA的特征脸是由组成PCA特征子空间的特征向量按二维图像来排列得到的类似人脸的图像。
LDA的Fisher脸也是同样道理。
经过特征脸和Fisher脸重构得到的人脸图像在第四行。
可以看到，PCA重构脸与输入人脸差异较小，但LDA的Fisher脸很难辨认，但突出了该个体的显著特征。
PCA和LDA方法都假设存在一个最优的投影子空间。
这个子空间的每个区域对应唯一的一个人。
然而，事实上在人脸空间中许多人经常会映射到相同的区域中，因此这种假设并不成立。
来源：海鑫科金
