Afr算法

⑴ 人脸识别的发展历史是怎样的

人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR的研究历史按照研究内容、技术方法等方面的特点大体划分为三个时间阶段，如表1所示。该表格概括了人脸识别研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍：

第一阶段(1964年~1990年)

这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometricfeature based)的方法。这集中体现在人们对于剪影(Profile)的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事AFR研究的研究人员除了布莱索(Bledsoe)外还有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄于1973年在京都大学完成了第一篇AFR方面的博士论文，直到现在，作为卡内基-梅隆大学(CMU)机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域的一支重要力量。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。

第二阶段(1991年~1997年)

这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了着名的FERET人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为着名的Visionics(现为Identix)的FaceIt系统。

美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸已经与归一化的协相关量(NormalizedCorrelation)方法一道成为人脸识别的性能测试基准算法。

这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里(Brunelli)和波基奥(Poggio)于1992年左右做的一个对比实验，他们对比了基于结构特征的方法与基于模板匹配的方法的识别性能，并给出了一个比较确定的结论：模板匹配的方法优于基于特征的方法。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别方法研究，并在很大程度上促进了基于表观(Appearance-based)的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展，使其逐渐成为主流的人脸识别技术。

贝尔胡米尔(Belhumeur)等提出的Fisherface人脸识别方法是这一时期的另一重要成果。该方法首先采用主成分分析(PrincipalComponent Analysis，PCA，亦即特征脸)对图像表观特征进行降维。在此基础上，采用线性判别分析(LinearDiscriminant Analysis, LDA)的方法变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸识别方法之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA判别方法以及近期的一些基于核学习的改进策略。

麻省理工学院的马哈丹(Moghaddam)则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别方法。该方法通过“作差法”，将两幅人脸图像对的相似度计算问题转换为一个两类(类内差和类间差)分类问题，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策(最大似然或者最大后验概率)的方法来进行人脸识别。

人脸识别中的另一种重要方法——弹性图匹配技术(Elastic GraphMatching，EGM) 也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征——Gabor变换[12]特征，称为Jet;边的属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化搜索策略来定位预先定义的若干面部关键特征点，同时提取它们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该方法的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。近来还出现了一些对该方法的扩展。

局部特征分析技术是由洛克菲勒大学(RockefellerUniversity)的艾提克(Atick)等人提出的。LFA在本质上是一种基于统计的低维对象描述方法，与只能提取全局特征而且不能保留局部拓扑结构的PCA相比，LFA在全局PCA描述的基础上提取的特征是局部的，并能够同时保留全局拓扑信息，从而具有更佳的描述和判别能力。LFA技术已商业化为着名的FaceIt系统，因此后期没有发表新的学术进展。

由美国国防部反毒品技术发展计划办公室资助的FERET项目无疑是该阶段内的一个至关重要的事件。FERET项目的目标是要开发能够为安全、情报和执法部门使用的AFR技术。该项目包括三部分内容：资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET人脸识别性能评测。该项目分别于1994年，1995年和1996年组织了3次人脸识别评测，几种最知名的人脸识别算法都参加了测试，极大地促进了这些算法的改进和实用化。该测试的另一个重要贡献是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识别问题逐渐成为热点的研究方向。

柔性模型(Flexible Models)——包括主动形状模型(ASM)和主动表观模型(AAM)是这一时期内在人脸建模方面的一个重要贡献。ASM/AAM将人脸描述为2D形状和纹理两个分离的部分，分别用统计的方法进行建模(PCA)，然后再进一步通过PCA将二者融合起来对人脸进行统计建模。柔性模型具有良好的人脸合成能力，可以采用基于合成的图像分析技术来对人脸图像进行特征提取与建模。柔性模型目前已被广泛用于人脸特征对准(FaceAlignment)和识别中，并出现了很多的改进模型。

总体而言，这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别商业公司。从技术方案上看， 2D人脸图像线性子空间判别分析、统计表观模型、统计模式识别方法是这一阶段内的主流技术。

第三阶段(1998年~现在)

FERET’96人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的商业系统进一步发展。为此，美国军方在FERET测试的基础上分别于2000年和2002年组织了两次商业系统评测。

基奥盖蒂斯(Georghiades)等人提出的基于光照锥 (Illumination Cones) 模型的多姿态、多光照条件人脸识别方法是这一时期的重要成果之一，他们证明了一个重要结论：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形成一个凸锥——即光照锥。为了能够从少量未知光照条件的人脸图像中计算光照锥，他们还对传统的光度立体视觉方法进行了扩展，能够在朗博模型、凸表面和远点光源假设条件下，根据未知光照条件的7幅同一视点图像恢复物体的3D形状和表面点的表面反射系数(传统光度立体视觉能够根据给定的3幅已知光照条件的图像恢复物体表面的法向量方向)，从而可以容易地合成该视角下任意光照条件的图像，完成光照锥的计算。识别则通过计算输入图像到每个光照锥的距离来完成。

以支持向量机为代表的统计学习理论也在这一时期内被应用到了人脸识别与确认中来。支持向量机是一个两类分类器，而人脸识别则是一个多类问题。通常有三种策略解决这个问题，即：类内差/类间差法、一对多法(one-to-rest)和一对一法(one-to-one)。

布兰兹(Blanz)和维特(Vetter)等提出的基于3D变形(3D Morphable Model)模型的多姿态、多光照条件人脸图像分析与识别方法是这一阶段内一项开创性的工作。该方法在本质上属于基于合成的分析技术，其主要贡献在于它在3D形状和纹理统计变形模型(类似于2D时候的AAM)的基础上，同时还采用图形学模拟的方法对图像采集过程的透视投影和光照模型参数进行建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配置、光照情况等外部参数完全分开，更加有利于人脸图像的分析与识别。Blanz的实验表明，该方法在CMU-PIE(多姿态、光照和表情)人脸库和FERET多姿态人脸库上都达到了相当高的识别率，证明了该方法的有效性。

2001年的国际计算机视觉大会(ICCV)上，康柏研究院的研究员维奥拉(Viola)和琼斯(Jones)展示了他们的一个基于简单矩形特征和AdaBoost的实时人脸检测系统，在CIF格式上检测准正面人脸的速度达到了每秒15帧以上。该方法的主要贡献包括：1)用可以快速计算的简单矩形特征作为人脸图像特征;2)基于AdaBoost将大量弱分类器进行组合形成强分类器的学习方法;3)采用了级联(Cascade)技术提高检测速度。目前，基于这种人脸/非人脸学习的策略已经能够实现准实时的多姿态人脸检测与跟踪。这为后端的人脸识别提供了良好的基础。

沙苏哈(Shashua)等于2001年提出了一种基于商图像[13]的人脸图像识别与绘制技术。该技术是一种基于特定对象类图像集合学习的绘制技术，能够根据训练集合中的少量不同光照的图像，合成任意输入人脸图像在各种光照条件下的合成图像。基于此，沙苏哈等还给出了对各种光照条件不变的人脸签名(Signature)图像的定义，可以用于光照不变的人脸识别，实验表明了其有效性。

巴斯里(Basri)和雅各布(Jacobs)则利用球面谐波(Spherical Harmonics)表示光照、用卷积过程描述朗博反射的方法解析地证明了一个重要的结论：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间。这意味着一个凸的朗博表面物体在各种光照条件下的图像集合可以用一个低维的线性子空间来近似。这不仅与先前的光照统计建模方法的经验实验结果相吻合，更进一步从理论上促进了线性子空间对象识别方法的发展。而且，这使得用凸优化方法来强制光照函数非负成为可能，为光照问题的解决提供了重要思路。

FERET项目之后，涌现了若干人脸识别商业系统。美国国防部有关部门进一步组织了针对人脸识别商业系统的评测FRVT，至今已经举办了两次：FRVT2000和FRVT2002。这两次测试一方面对知名的人脸识别系统进行了性能比较，例如FRVT2002测试就表明Cognitec, Identix和Eyematic三个商业产品遥遥领先于其他系统，而它们之间的差别不大。另一方面则全面总结了人脸识别技术发展的现状：较理想条件下(正面签证照)，针对37437人121,589 幅图像的人脸识别(Identification)最高首选识别率为73%，人脸验证(Verification)的等错误率(EER[14])大约为6%。FRVT测试的另一个重要贡献是还进一步指出了目前的人脸识别算法亟待解决的若干问题。例如，FRVT2002测试就表明：目前的人脸识别商业系统的性能仍然对于室内外光照变化、姿态、时间跨度等变化条件非常敏感，大规模人脸库上的有效识别问题也很严重，这些问题都仍然需要进一步的努力。

总体而言，目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting[15]的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。

总而言之， 人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题。国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用。这些成果更加深了我们对于自动人脸识别这个问题的理解，尤其是对其挑战性的认识。尽管在海量人脸数据比对速度甚至精度方面，现有的自动人脸识别系统可能已经超过了人类，但对于复杂变化条件下的一般人脸识别问题，自动人脸识别系统的鲁棒性和准确度还远不及人类。这种差距产生的本质原因现在还不得而知，毕竟我们对于人类自身的视觉系统的认识还十分肤浅。但从模式识别和计算机视觉等学科的角度判断，这既可能意味着我们尚未找到对面部信息进行合理采样的有效传感器(考虑单目摄像机与人类双眼系统的差别)，更可能意味着我们采用了不合适的人脸建模方法(人脸的内部表示问题)，还有可能意味着我们并没有认识到自动人脸识别技术所能够达到的极限精度。但无论如何，赋予计算设备与人类似的人脸识别能力是众多该领域研究人员的梦想。相信随着研究的继续深入，我们的认识应该能够更加准确地逼近这些问题的正确答案。

⑵ 璋佺殑鐤间笉鏄鐤硷细鍐椤湪AFR125S瀹夐┚锘硅钖

鍦ㄨ豹鐖佃嚜鐢变箣镞呯7瀛ｆ祹鍗楃珯锛屾湁涓涓嶅悓浠ュ线镄勯”鐩锛岄偅灏辨槸ABS瀹夐┚浣挞獙锘硅銆傚畠閲嶅湪浣挞獙锛岀壒鍒鏄缁椤疄闄呯敤鎴峰甫𨱒ヤ简鍓嶆墍链链夌殑瀹炴搷锛屽苟銮峰缑链鐩磋傜殑缁撹恒

銆愭湰鏂囨潵镊鏄撹溅鍙蜂綔钥呮恳镓樻淳锛岀増𨱒冨綊浣滆呮墍链,浠讳綍褰㈠纺杞杞借疯仈绯讳綔钥呫傚唴瀹逛粎浠ｈ〃浣滆呰傜偣锛屼笌鏄撹溅镞犲叧銆

⑶ wcdma淇″彿澶勭悊镞讹纴GSM閲囩敤镞跺垎澶氩潃锛屾疮涓杞芥尝链夊氩皯涓镞堕殭锛孏SM镄勬带鍒朵俊鍙锋湁鍝浜

鍒嗙被鍙傛暟鍙傛暟涓鏂囧悕HCS鍙傛暟LAYER灏忓尯镄勫眰鍊糎CS鍙傛暟LAYERHYST鐢变绠浼桦厛绾у皬鍖哄垏鎹㈣呖楂树紭鍏堢骇灏忓尯镄勪俊鍙峰己搴﹁繜婊潍CS鍙傛暟LAYERTHR鐢变绠浼桦厛绾у皬鍖哄垏鎹㈣呖楂树紭鍏堢骇灏忓尯镄勪俊鍙峰己搴﹂棬闄愬糎CS鍙傛暟PSSTEMP灞傞棿淇″彿寮哄害𨱍╃綒鍊糎CS鍙傛暟PTIMTEMP灞傞棿淇″彿寮哄害𨱍╃綒镞堕棿瀹氢綅绠楁硶--锘烘湰鎺挜槦BSRXSUFFBTS鎺ユ敹鍒扮殑瓒冲熶俊鍙峰己搴﹀畾浣岖畻娉--锘烘湰鎺挜槦MSRXMIN鍒囨崲鐩镙囧皬鍖轰笅琛岄摼璺镄勬渶灏忎俊鍙峰己搴﹀畾浣岖畻娉--锘烘湰鎺挜槦MSRXSUFFMS鎺ユ敹鍒扮殑瓒冲熶俊鍙峰己搴﹀畾浣岖畻娉--绱фュ垏鎹PSSBQ鍙戠敓璐ㄥ樊鍒囨崲镞讹纴瀵瑰垏鍑哄皬鍖虹殑淇″彿寮哄害镄勬儵缃氩煎畾浣岖畻娉--绱фュ垏鎹PSSHF鍙戠敓鍒囨崲澶辫触镞剁殑淇″彿寮哄害𨱍╃綒鍊煎畾浣岖畻娉--绱фュ垏鎹PSSTA鍙戠敓瓒匮A鍒囨崲镞讹纴瀵瑰垏鍑哄皬鍖虹殑淇″彿寮哄害镄勬儵缃氩煎畾浣岖畻娉--绱фュ垏鎹PTIMBQ鍙戠敓璐ㄥ樊鍒囨崲镞讹纴瀵瑰垏鍑哄皬鍖虹殑淇″彿寮哄害镄勬儵缃氭椂闂村畾浣岖畻娉--绱фュ垏鎹PTIMHF鍙戠敓鍒囨崲澶辫触镞剁殑𨱍╃綒镞堕棿瀹氢綅绠楁硶--绱фュ垏鎹PTIMTA鍙戠敓瓒匮A鍒囨崲镞讹纴瀵瑰垏鍑哄皬鍖虹殑淇″彿寮哄害镄勬儵缃氭椂闂村畾浣岖畻娉--绱фュ垏鎹QLIMDL涓嬭岃阔宠川閲忓艰嚧镄勭揣镐ュ垏鎹㈤棬闄愬畾浣岖畻娉--绱фュ垏鎹QLIMUL涓婅岃阔宠川閲忓艰嚧镄勭揣镐ュ垏鎹㈤棬闄愬畾浣岖畻娉--绱фュ垏鎹QLIMULAFR鍦ˋMR FR阃氲瘽涓锲犺川宸瀵艰嚧绱фュ垏鎹㈢殑涓婅岄摼璺闂ㄩ檺瀹氢綅绠楁硶--绱фュ垏鎹TALIM瓒匮A鍒囨崲闂ㄩ檺鍊煎畾浣岖畻娉--婊ゆ尝鍣≦EVALSD璇濋煶/鏁版嵁淇￠亾镄勮川閲忔护娉㈠櫒瀹氢綅绠楁硶--婊ゆ尝鍣≦LENSD璇阔虫垨钥呮暟鎹淇￠亾镄勪俊鍙疯镰佺巼婊ゆ尝绠楁硶闀垮害瀹氢綅绠楁硶--婊ゆ尝鍣∕ISSNM 链嶅姟灏忓尯鍜岄偦灏忓尯链澶ц繛缁涓㈠け娴嬮噺鎶ュ憡鍏佽告暟瀹氢綅绠楁硶--婊ゆ尝鍣⊿SLENSD璇阔虫垨钥呮暟鎹淇￠亾镄勪俊鍙峰己搴︽护娉㈢畻娉曢暱搴﹂偦鍖哄叧绯籄WOFFSET鎸囨淳鍒版渶宸灏忓尯镄勪俊鍙峰己搴﹂棬闄愬奸偦鍖哄叧绯籅QOFFSET瀹氢箟鍏佽稿洜阃氲瘽璐ㄩ噺宸瀵艰嚧绱фュ垏鎹㈢殑锣冨洿闾诲尯鍏崇郴BQOFFSETAFR鐢变簬AMR FR杩炴帴寮曡捣璐ㄥ樊绱фュ垏鎹㈢殑淇″彿寮哄害鍖哄烟闾诲尯鍏崇郴HIHYST鍦ㄨ瘎浼伴珮淇″彿寮哄害灏忓尯镞剁殑淇″彿寮哄害婊炲悗鍊奸偦鍖哄叧绯籋YSTSEP楂树绠淇″彿寮哄害灏忓尯镄勪俊鍙峰己搴﹀垎闅旂晫闄愰偦鍖哄叧绯籏HYSTKcell-Kcell杈圭晫淇″彿寮哄害杩熸粸闾诲尯鍏崇郴KOFFSETNKcell-Kcell淇″彿寮哄害杈圭晫锅忕Щ闾诲尯鍏崇郴KOFFSETPKcell-Kcell淇″彿寮哄害杈圭晫锅忕Щ闾诲尯鍏崇郴LHYST鍦ㄨ瘎浼癓灏忓尯镞惰矾寰勬崯钥楁粸钖庡奸偦鍖哄叧绯籐OFFSETNLcell钬擫cell璺寰勬崯钥楄竟鐣屽亸绉婚偦鍖哄叧绯籐OFFSETPLcell钬擫cell璺寰勬崯钥楄竟鐣屽亸绉婚偦鍖哄叧绯籐OHYST鍦ㄨ瘎浼颁绠淇″彿寮哄害灏忓尯镞剁殑淇″彿寮哄害婊炲悗鍊奸偦鍖哄叧绯籓FFSETN淇″彿寮哄害锅忕Щ鍊奸偦鍖哄叧绯籓FFSETP淇″彿寮哄害锅忕Щ鍊奸偦鍖哄叧绯籘RHYSTKcell-Lcell灏忓尯杈圭晫鍒嗗壊镄勪俊鍙峰己搴︽粸钖庡奸偦鍖哄叧绯籘ROFFSETNK灏忓尯鍜孡灏忓尯杈圭晫鍒嗗壊镄勪俊鍙峰己搴﹀亸绉诲奸偦鍖哄叧绯籘ROFFSETPK灏忓尯鍜孡灏忓尯杈圭晫鍒嗗壊镄勪俊鍙峰己搴﹀亸绉诲

⑷ GSM常用控制切换的参数有哪些

分类参数参数中文名HCS参数LAYER小区的层值HCS参数LAYERHYST由低优先级小区切换至高优先级小区的信号强度迟滞HCS参数LAYERTHR由低优先级小区切换至高优先级小区的信号强度门限值HCS参数PSSTEMP层间信号强度惩罚值HCS参数PTIMTEMP层间信号强度惩罚时间定位算法--基本排队BSRXSUFFBTS接收到的足够信号强度定位算法--基本排队MSRXMIN切换目标小区下行链路的最小信号强度定位算法--基本排队MSRXSUFFMS接收到的足够信号强度定位算法--紧急切换PSSBQ发生质差切换时，对切出小区的信号强度的惩罚值定位算法--紧急切换PSSHF发生切换失败时的信号强度惩罚值定位算法--紧急切换PSSTA发生超TA切换时，对切出小区的信号强度的惩罚值定位算法--紧急切换PTIMBQ发生质差切换时，对切出小区的信号强度的惩罚时间定位算法--紧急切换PTIMHF发生切换失败时的惩罚时间定位算法--紧急切换PTIMTA发生超TA切换时，对切出小区的信号强度的惩罚时间定位算法--紧急切换QLIMDL下行语音质量导致的紧急切换门限定位算法--紧急切换QLIMUL上行语音质量导致的紧急切换门限定位算法--紧急切换QLIMULAFR在AMR FR通话中因质差导致紧急切换的上行链路门限定位算法--紧急切换TALIM超TA切换门限值定位算法--滤波器QEVALSD话音/数据信道的质量滤波器定位算法--滤波器QLENSD语音或者数据信道的信号误码率滤波算法长度定位算法--滤波器MISSNM 服务小区和邻小区最大连续丢失测量报告允许数定位算法--滤波器SSLENSD语音或者数据信道的信号强度滤波算法长度邻区关系AWOFFSET指派到最差小区的信号强度门限值邻区关系BQOFFSET定义允许因通话质量差导致紧急切换的范围邻区关系BQOFFSETAFR由于AMR FR连接引起质差紧急切换的信号强度区域邻区关系HIHYST在评估高信号强度小区时的信号强度滞后值邻区关系HYSTSEP高低信号强度小区的信号强度分隔界限邻区关系KHYSTKcell-Kcell边界信号强度迟滞邻区关系KOFFSETNKcell-Kcell信号强度边界偏移邻区关系KOFFSETPKcell-Kcell信号强度边界偏移邻区关系LHYST在评估L小区时路径损耗滞后值邻区关系LOFFSETNLcell—Lcell路径损耗边界偏移邻区关系LOFFSETPLcell—Lcell路径损耗边界偏移邻区关系LOHYST在评估低信号强度小区时的信号强度滞后值邻区关系OFFSETN信号强度偏移值邻区关系OFFSETP信号强度偏移值邻区关系TRHYSTKcell-Lcell小区边界分割的信号强度滞后值邻区关系TROFFSETNK小区和L小区边界分割的信号强度偏移值邻区关系TROFFSETPK小区和L小区边界分割的信号强度偏移值