特别的人范文

特别的人篇1

临近预产期时，婆婆从乡下来陪伴我。因为婆婆是在计划生育站工作，对怀孕方面的知识很了解，而且还为别人接生过孩子呢，所以我很信赖她。我常问她生孩子痛不痛?是剖腹产好还是自然分娩好?她说：“肯定是自然分娩好啦!孩子经产道出来，会刺激他立即自主呼吸。对于婴儿适应新的外界环境很有利，而剖腹产是非正常自然的分娩方式，而且麻醉过后一样感觉到疼痛，产妇身体恢复也慢。”于是，我暗下决心，不管有多痛，为了孩子的健康，争取自然分娩。

离预产期还有三天的一个上午，我本想出去散散步，可刚走一会就觉得下身有些许胀痛，丈夫不在家，我赶紧告诉婆婆，婆婆说：“大概在这两天内要生了。”我心里一阵欢喜，终于可以见到这小家伙啦。晚上洗澡时发现见红，婆婆说：“还早呢!阵痛还没来，早点休息贮存体力吧!”可我太兴奋了，睡不着，而且胀痛已加剧一些。但想到别人说生孩子要阵痛很长时间才能宫口全开，此时的疼痛我还能挺得住，所以不想这么快叫醒婆婆，否则她会认为我娇滴滴。到早上3点，我还迷迷糊糊，那阵痛一阵紧一阵地冲来，几乎不给我喘息的时间，我忍不住起来。婆婆听到后马上叫我去医院，并责怪我：“你怎么不早点叫醒我呢?”

下楼梯时一阵想大便的紧逼感让我不由自主，“哗啦”一声，一股羊水已破门而出，我惊恐无力地问婆婆：“我现在去医院还来得及吗?”她连声答道：“来得及!快点!”到医院时我已疼得不能自行走路，下身很坠重，医生快速地给我消毒，说是已经看见头发了!不久我就开始最后使劲冲刺，孩子终于出世了，我顿感满腹轻松，随后就听到很嘹亮的哭声，医生把裸的婴儿捧到我面前说：“看!这是你的儿子，体重3200克。”护士将已包扎好的儿子放在我身边的小床上，儿子还在那哭个不停，我轻轻地唤他：“儿子，别哭了!妈妈在你旁边呢!”咦!他真的不哭了!用一双黑亮的大眼睛东张西望，好像在寻找他的母亲，也好像在好奇地打量这崭新的世界。

当我怀抱着这个可爱的小家伙时，那种做母亲的自豪与幸福是不言而喻的。原来，一个做了母亲的女人，才是完整的女人，才能真正领略到做女人的全部意义，这是上天赐予女人的特别神圣的使命。让他在我全部的母爱中茁壮成长吧!杨春雁/广东

特别的人篇2

2、已经第N次梦到在根本不知道建在哪里，基本荒废的游乐园去玩，尽管有同行的伙伴最后完全找不到她们，只剩下我一个人，特别无助。​

3、突然之间觉得特别的累，突然的无助感，突然的觉得身边没有一个人，突然觉得需要强大起来保护自己，忽然之间我乏了！

4、特别想念这位巴西姑娘，在我一个人独自在美国最需要帮助的时候主动过来帮我，因为没有零钱硬币买饮料，看见我无助的样子就给我买了，这种在异国被人帮助的感觉真是难以忘怀，她老公韩国人，特别帅，孩子也长的特别美。​

5、突然觉得很孤独，在这个冷清清的世界，傻呵呵的一个人努力着，无助，没有退路，特别累。​

6、真的可怕，还要开电梯门看看女孩走的方向……如果是单独一个人的情况下任何女孩子面对男孩子的骚扰真的是特别无助，在力量上会特别吃亏

7、此刻感觉特别无助，一个人躲在库房收拾货，眼泪不停使唤了，好难过，怎么会这样？？？​生病的时候特别脆弱，除了哭还是哭，感觉好无助，身边没有一个人……不硬撑坚强，脆弱给谁看呢。

8、可能是三点多吐了胃特别难受吧，才会梦见要在死去的那一刻。原来人死后，身体带着灵魂会留在家里，或者说最不能舍弃的人身边，真的就是孤魂游鬼，也不知道自己该去哪。这种心痛才让人心痛，你会无比的孤独无助也是特别特别害怕，在世之人受惯了娇宠，所以这样一个人的时候会无助到不行。等有一个人真正来指点你，你才会知道自己该去哪。那是一个外面都散发着阴森森光的地方，那个人带我进去我哭的厉害，他们说哭的人进去会受刑我也就不敢哭了。外面围着很多小孩看热闹。这样，就心痛醒了，可能是有点像鬼怪里面那样吧。人，生，带不来；死，带不走。那就活的快乐善良点，每一份善心都会积累。

9、身体健康真的是最重要的！特别是自己一个人没有亲人朋友在身边的时候，生病了真的很麻烦很无助。每次都是真的发生了才知道要好好保护好自己

10、一个人的时候，突然跟另外一个家庭在一起，那种感觉特别无助，因为于他们来说，你是个外人，就像我现在，不知是否影响了他们一家的天伦。我大概不适合也不喜欢集体行动。

11、加完班的夜晚，总会感觉特别的软弱无助，北京女子图鉴好多自己的影子，一个人吃饭，一个人加班，一个人搬家，一个人挂水，没有岁月静好，只有负重前行……为了什么，追求什么呢～​

12、何其有幸，从我的世界路过那么多的人，唯独你愿意陪我走到终点、今天有人问我，淼，你觉得异地恋累不？我想了想，累啊……那你会哭么？会啊，想念对方的时候，我会翻阅所有关于他的信息，特别想念，很无助的时候哭过一次、可是当你知道总有那么一个人在想念着你，我觉得一切等待都值了

13、我是一个很害怕去医院的人，每一次去医院，我都会有一种压力感，紧张到无助、恐惧到腿软，特别是在一个人去的时候，看到那些人身边都有人陪伴着，就会觉得特别的孤单，所以，如果我知道我身边的朋友要一个人去医院的时候，虽然我内心还是会很抗拒去那里，但是想到朋友可能会感到孤单、害怕、无助，我就会义不容辞的陪伴在她身边，想让她知道，没事，有我陪着你呢。

14、一個人在外特別無助，同時也特別害怕。害怕是因為離家那麼遠，家人出了什麼事都無法即時的回去

15、人特别是一个人在陌生的城市周围全是陌生的面孔也不知道该怎么办时有种莫名的孤独和无助。

16、不知道是不是最近压力有点大？很小的事情累积起来都会让我脾气变得特别差，然后就无差别攻击。完了以后一个人，又开始特别绝望悲观……这个时候想的事情都消极爆表。感觉全世界只剩自己一个孤苦无助，无人倾诉。我这不是忧郁症的前兆啊……​

17、总是有一些时刻让我觉得作为女性特别无助。尽力买早班机票，遇上飞机延误，到目标城市晚上八点，说早不早说晚不晚，一个人战战兢兢打车，机场都很偏远，一个人坐在出租车上，走的是高架，周围全部都是黑漆漆一片，说实话已经做好了最坏的准备了。

18、那年觉得自己一个人的时候特别无助，埋怨自己为何傻乎乎为了不值得的感情而匆忙的决定了自己的人生，可是，我却在绝境中寻到了缝隙里那一株开的最瑰丽的花朵，不艳不俗，清新宜人，正如有句话说：“如果事与愿违，请相信一定另有安排”​。

19、我的家庭不和，爸妈也没少吵架，每一次我都显得特别无助，我在想，也许他们离婚了才是最对的选择，我害怕孤单，我总是一个人，所以我很珍惜，很害怕失去，很憧憬未来，很惧怕黑夜，只有流泪才能让我发泄，我好孤单，我好害怕，我怕我在意的人，也会离我而去，呵呵，反正事实就已经这样了，我也期盼不了太多太多，我只求一切能安好

20、我特别喜欢林一木，表面看上去总是开玩笑，没正形，其实总是默默的关心李慧珍，喜欢着她，为她做了很多事，好喜欢她，昨天看的特别感动，被爱的人伤害很多次那得多难受，也正因为你爱他，才不会像他解释多少，真正爱你的人不会让你一个人流泪，一个人无助的样子真的好可怜，懂你的人不必解释，解释再多可能有的人也听不进去，突然感觉爱情真的好复杂

21、我觉得我越来越不喜欢在济宁呆着了说说，刚刚微博里选择定位时出现济宁，好没有归属感...感觉自己总是一个人，遇到问题和麻烦的时候特别的无助，会在大街上哭，会假装坚强的打电话给爸爸妈妈，还说自己没问题。可能是自己的内心太脆弱，想想别人常年在北上广漂着，感觉自己真是弱爆了。

22、坐月子没流一滴眼泪，一出月子全来了。可能真是在家憋坏了，真是连个说话的人都没有，真是孩子太闹了，感觉特别无助。特别想一个人静一静…​

23、肚子疼的浑身冒汗，感觉要死了，家里没人，一个人强忍着找到了布洛芬吃下去，过了好久，终于在疼痛中睡了过去……所有的无助，难过，都因为自己是一个人而变的无关紧要，生病的时候特别容易矫情，大抵就是因为此时的脆弱终于可以名正言顺的表现出来了……只是，长的越大，在乎你的矫情的人也越来越少了……阴阴沉沉的天气，呼啸的大风，以及发呆的我……多么应景的天气啊……

24、第一次因为工作上的疏忽，被客户指责到无言以对，一个人走在路上委屈到哭得不能自已，特别无助​

25、有没有一个时刻，会觉得特别无助，惶恐，然后默默的一个人流泪！别人总是说你要的太多，其实，你只是想要简简单单而已，外表任性蛮横，可是有几个人真正知道骨子里你是一个怎样的人？​

26、我特别不明白，为什么想念一个人会想到哭？干嘛要哭呢？不是应该笑么？后来我才知道，对距离的怨恨，对想见不能见的无奈，对同一片天空下却天涯咫尺的无助，再一次次呼吸的发酵之间滚成雪球，时间久了压在心口只能化成委屈，还没张口诉说，就已泪如雨下～​

27、我真的特别理解张伟，他想把所有事情做好，呈现最好的效果，但是一个人的无助无奈不得已而来。我特么办晚会这种糟心事好多。我太特么知道好帮手重要性，一个人面面俱到太累了。​

28、入园第六天，其实是第四天，早上送去的时候还是哭得好厉害，下午去接的时候看到她在教室里一点也不开心，一个人默默的把凳子推去放好，然后站在桌子旁，我不知道她一天在学校里是怎么度过的，也不知道小小的她面对分离是一种什么心理，是不是特别无助？自从生病一个多月之后更瘦了，是妈妈不好没有照顾好你们。妈妈相信一定会好起来的，我们一定能克服分离焦虑，宝贝加油，妈妈爱你！

29、有时候一个人特别的无助特别的压抑没有陪伴没有拥抱没有人告诉你要怎样！​

30、出来考试，一个人十一点在找考场～虽然特别囧…但是觉得有朋友真的很棒，很无助的时候微信那头一直给你指路，说位置～首尔的晚上虽然有点小冷，但是心特别暖。我是真的很容易感动…GN

31、这么久了，第一次这么生气的吵架，其实也没有多生气，只是觉得很委屈，特别的委屈，我要的是一个能够风雨同舟，无论怎样都能在我身边陪伴，在我无助得时候能够帮我一把，难过了能安慰我的一个人，然而我的先生并不会，呵呵，我终究败给了爱情，败给了婚姻……

32、我也曾一个人躺在床上因为黑夜带来的寂静而感到无比的孤独，我也曾一个人坐在天台上因为生活带来的压力而觉得特别的无助，我也曾一个人站在汹涌的人流里因为寂寞带来的空虚而偷偷的难过，这一路走来有人曾看轻过我的努力，有人曾扼杀过我的真诚，也有人曾珍惜我眼泪，有人曾深爱过我的善良，时光荏苒，虽然穿过诱惑考验，我也慢慢长大，但没成熟到原谅这世间的一切，包括不完美的我。但我也没想变得有多了不起，我也并不贪心，我只希望自己能成为那种时光和人心如何伤害让我摔倒，我都可以重新站起来，不怨恨仅感激偶尔矫情却不矫揉造作不怨天尤人不苦大仇深，对每个人都真诚，老天却神奇般赐予我能与你们心灵对换的能力，真心想对可爱的你们说一句：谢谢你们我的朋友

33、人的一生总是要经历过几次才能成长，我希望有一天你能理解，当一个人特别的无助的时候偷偷猫在被子里缺哭不出声的滋味。也希望能感受到我有多珍惜这份感情。

34、当你特别无助的时候，你会发现如果有一个人能正好出现在你的身边，给你肩膀靠靠，是多么温暖的一件事情

35、昨晚做了一个很可怕很可怕的一个梦，晚上下班回家被坏人抓了，然后逃出来结果想打电话却只记得一个人号码，怎么打也打不通，坏人快追上来了，跑进一个屋里，结果窗户怎么都关不上，坏人进来了，没有办法，特别无助的只能拿着小刀和他拼，结果体力悬殊，被捅了很多刀，特别是肚子很痛很痛……

36、感冒就会无精打采整个人都很悲伤无力需要安慰…特别是一个人的时候会把这种无助放大化……控制不住的说哭就哭了……​

37、在外面气，回家也气，当所有不好的事和情绪都同一个点集中在你身上，就会觉得特别无奈和无助，而这种无奈与无助也只有你自己独自承受慢慢疗伤，并不会有任何一个人能和你感同身受，理解你的苦，体谅你的难，这就是人的本性……​

38、可能真的是。。遇到困难挫折觉得特别无助的时候，好像没有一个人爱我没有一个人关心我的时候，其实又像是自己特矫情，都麻木了吧已经，这个时候发现特铁特交好的盆友，到了最后你还是会来安慰我。。。这个时候才发现自己原来还是很需要友情和关怀的。。。只有你还会问问我到了没有，即使隔着很远。有的看起来越近的距离，却好像越来越远。。

39、每日里忙忙碌碌，却也经常感到孤独和无助。特别是在工作压力大的时候，总觉得好像一个人在奋斗，一个人想要做完所有的事情，哪怕再好的帮手，也觉得不太放心。头发白了许多，不应该是我这个年龄该有的状态。许多无法适应的事物慢慢变成了一种被定位的目标，就这样日复一日努力着​

40、他说出了我独自出行人的内心…………我总是渴望一个人去远行，觉得那是一个特别伟大的事情。但殊不知一个人旅行的无助与无趣，其实真正的旅行不仅需要最壮丽的风景，更需要有趣的人分享，这，才是真正旅行的意义，并非一个人孤零零，去看你看过的山，看过的水，看过的风景！​​​

41、每个人都有软肋，当一个人去挂号，做检查，找医生的时候真的特别特别无助，特别想找个人陪着。还有那种别人的东西都有人帮忙拿着，而我只能问护士我的包放哪里？​

42、人啊…在生病的时候就特别想家…尤其是在身边没一个人照顾特别无助的时候…再加上委屈…呵呵想想我都是自己怎么一个人扛过来的这两天…​

43、晚上没法好好睡，本想补个午觉，结果儿子一直在溢奶，哭着想要抱，一个人在家突然觉得特别无力，似乎到哪都是比较无助的状态，于是为娘的只好咬牙狠心任他哭闹了，梨花带雨的哭了好久，伤心地睡了，我这颗煎熬的心好不容易放下，结果新一轮的哭闹又开始了～～～嗯啊嗯啊，哇啦哇啦～～～抱吧抱吧。​

44、忽然特别清醒可是就算清醒又有什么用只剩下无能为力的无助明天开始自己一个人就要活成一支队伍了再也依赖不了谁了也可能冷到再也笑不出来了​。

45、才坚持没多久的早上去吃饭第一，没多久黄河公园的夜跑，就突然要走了，最爽的是前天晚上，在黄河公园迷路了，跑着跑着听到好声音上的一首歌，就感觉自己要起飞的感觉，超爽，而且上坡那点的空气特别香，不知道怎么回事，还好最后成功出来了，估计再也没有迷路的经历，当时感觉一个人好无助啊，是不是人生好多事都是这样，加油。

46、不难过自己一个人来面对，难过的是决定勇敢时却没人告诉自己该如何去做，这才能体会到一个人在陌生城市的无助感！很想大哭一场，却发现包里连纸巾都没有，很特别的情人节！​

47、对不起，最近有好多事情在我脑子里面转，特别压抑特别累，可能会对不起大家，我先道歉，我真的无能为力，如果可以控制好自己，一定不给大家添麻烦！原谅我这一个人拼搏的无奈与无助！​

48、我们每个人都在寻找自己所爱，你以为回头就能看见幸福，其实，你回头看到的是你走过的路，并非童话故事所说，爱你的人，总在你身后。有时候真的特别想遇见一个爱自己的人，告别久而久之的单身生活，对呀，一个人也挺好，但是在我最孤独无助的时候，总想拥有一个温暖的怀抱。而你，在哪里？我，还在等你！所谓爱:两人相伴，共享时光！

49、今天累了一天，从早8点干到现在我就不说了。下午排压载水的时候排不出去水，当时心里是真慌了，以后做三管轮这都是我的工作，当时心理压力特别大，排不出水直接导致不能装货。最可怕的是下午机舱就我一个人在，那种无助的感觉不能再强烈。

特别的人篇3

站在酒店的露台上，凝望着窗外月光下的大海，18岁的诺琳・里奥勒优雅的接过身旁一位英俊年轻人丹递给她的香烟。那是1943年，二战正走向转折时刻，英国的特勤局正加紧训练特工送到敌后去执行任务。

丹就是受训的间谍之一，他刚刚完成了为期半年的强化训练，丹一心想成为为国服务的特工，但是他想不到的是，就在那天晚上，就在伯恩茅斯的皇家巴斯酒店，眼前这个正和他调情的漂亮女人就是他能否服役的最终测试。

诺林是被特别行动处挑选出来的五六个担任诱饵的思维敏捷、年轻漂亮的女人之一。这些女孩出入汉普郡一栋不引人注目的庄园，而这里被称为间谍的最终学校。丹完成了艰苦的训练，知道在严刑拷打下如何做出反应，如何在野外生活，如何制造炸弹，如何赤手空拳杀死敌人。最后被上级以训练结束，举行庆祝晚宴为借口带到了诺林面前。

诺琳街道命令之后，立即开始准备，在化妆品和香水短缺的时代，她尽量把自己打扮得时髦漂亮诱人，然后按照与上级约定的计划，开始行动。既定计划是诺林漫不经心地走进酒店的休息室，正好看到丹和他的上司在喝餐前酒，诺林装作是这位官员的老朋友与他们相见。

这位官员邀请诺林坐下来与他们一起喝一杯，然后又请她一起吃饭。不过这个官员被一个紧急电话叫走了，留下丹和诺琳单独就餐。

诺林觉得如果能让丹邀请自己到月夜的阳台上，就会让他放松下来，放下戒心。事实上正是月光带来的浪漫气息打败了这个金发美男子。望着不远处的大海，丹变得很多愁善感，开始谈起生活，战争和家庭。他问下个星期天是否能再请诺林喝一杯，诺林答应了，虽然她知道自己再也不会见到他。很自然的，诺林开始问他将来有什么打算，要去哪里。丹说他要去丹麦。这是一个很小但也是个致命的错误。“

那个晚上，以落在诺林面颊上的一个温柔的吻结束，但是，第二天丹回到汉普郡的庄园，他发现自己与诺琳又一次见面了。他马上明白了事情的真相。诺林回忆说，“他简直气疯了。骂我是。我永远不会忘记那种因为我背叛了他而惹起的愤怒。这真的影响了我。我觉得很害怕。”

丹知道诺林已经毁了他的间谍职业生涯，一位高级官员安慰诺林说：“如果他在英国无法抗拒漂亮脸蛋的诱惑，到了那边也不能，那可不仅仅是把自己的生命陷入危险之中了。”

诺林为二战做出了不可估量的作用，不过她为此付出了代价。她一直生活在谎言中，她欺骗母亲自己在农业部工作。她也跟朋友说谎，这样的生活对诺林是严酷的考验，因为她没有受过任何培训，只因为签署了保密协议就只能闭上嘴。

诺林在伦敦读的法语高中，能够说流利的法语，西班牙语和德语，1942年的时候她接到的征兵通知。诺林有两个选择，进入军备兵工厂或加入海军，诺琳选择了后者，因为他们的“可爱的帽子和黑色丝袜”。结果诺林发现自己被悄悄带到了外交部，再被带到了特别行动处位于贝克街的总部。在那里她被告知不要问任何问题。“没有人有必须知道你在这里工作，”一位陆军上尉这样告诉她。

诺琳与另外两个诱饵，比她年纪大点的多萝西和让住在一个小房子里。她们共同分享化妆品和发卡，一有人梳妆打扮，大家就知道她要出去做诱饵了。诺林认为2014年公开的菲菲是第一个诱饵，以后才有了特别行动处所设计的诺林等人与受训特工的“巧遇”桥段。

特别的人篇4

他，一个普普通通的鞋匠。一生总能遇见许许多多的人，并不是每个你都能记得，只有他，我记忆犹新。

寒冬的一天，我书包的拉链坏了，从家里拿了三块钱放入口袋中。终于走到了孟庄市场的修理铺，我刚进去，一位老师傅就热情地问我：‘‘小朋友，你要修什么？’’我说：‘‘我书包的拉链坏了，您这能修吗？’’老师傅点了点头，接过书包开始修。

他的手十分灵巧，先将旧拉链拆开，拿出两个新的拉链安上，他灵巧的手就像两个美丽的花蝴蝶在花丛中翩翩起舞。修好了，我问老师傅：‘‘师傅，多少钱？’’‘‘两元。’’老师傅说。我一摸口袋，两块钱消失不见了，只看见一个大窟窿，我说：‘‘师傅，我钱丢了，您在这等着，我二十分钟回来。’’老师傅说：‘不用了，天这么冷，赶紧回家呗。’

他真是一个特别的人。

特别的人篇5

关键词：人脸识别；特征脸；仿真

中图分类号：TP37 文献标识码：A文章编号：1009-3044(2007)17-31431-01

Researches of Face Recognition Syetem Based on Eigenfaces

XING Zhi-heng,CUI Lian-yan

(Information Science & Engineering College,Liaoning University of Technology, Jinzhou 121001，China)

Abstract:Face recognition is a technique used for identify identity, by analyzing face images and distilling effective recognition information from the face images.This article presents a arithmetic of face recognition based on eigenfaces,and makes a improvement for it,finally emulates the arithmetic.This method recognizes and classify face images by computing the distance between face image and eigenfaces space for database face images,it can recognize face image quickly and exactly.

Key words:Face recognition;eigenfaces;emulate

1 引言

人脸识别技术是生物特征识别技术的一种，进入九十年代以来，人脸识别的研究重新成为人们的关注的热点，在心理学、神经科学、模式识别和计算机视觉等方面涌现出大量的成果。人脸识别的方法很多，本文采用特征脸法识别人脸。该方法是目前比较成功的识别方法，考虑的是人脸的整体特征。该方法主要通过求出人脸图象与数据库中的特征脸空间距离来进行人脸的识别和分类，保留了人脸图象的基本信息。具体步骤为：建立人脸空间；把训练样本和待测样本投影到人脸空间中；选择合适的距离函数进行分类。

2 人脸空间的建立

2.1 平均脸及差值脸的计算

本文选择ORL人脸图象库中的M幅人脸做为训练样本集，该样本集为112×92象素的人脸图片，用向量Г表示，从而训练集可以表示为{?祝i|i=1,...M}。M幅人脸图象的平均人脸图象为（平均脸）：

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。

特别的人篇6

关键词： 局部二值特征； 线性回归； 特征点； SIFT特征描述子

中图分类号： TN911.73?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2016）03?0023?04

Face recognition based on SIFT descriptor in feature point neighbourhood

LI Wenyang， CHEN Yun， HUA Jizhao

（College of Information Engineering， Yangzhou University， Yangzhou 225127， China）

Abstract： The scale invariant feature transform （SIFT） in face recognition algorithm is one of the important descriptive approaches of the face local features. In traditional SIFT method， because the coordinates of the feature points are determined according to the local extreme point of Gaussian difference space， which leads to difficult match of the feature point. The face is calibrated by local binary feature based on linear regression to determine the location of the feature point which is meaningful to the face. The face local feature is described by the invariant characteristic of SIFT feature descriptor， which can effectively improve the face recognition speed and recognition rate. The region weighing for feature point has certain robustness to the face posture change and face angle deflection.

Keywords： local binary feature； linear regression； feature point； SIFT feature descriptor

0 引 言

在网络信息高速发展的今天，如何快速准确地对人的身份信息进行识别成为一个急待解决的问题。作为生物特征之一的人脸识别为这一问题提供新的解决思路。人脸识别也因为其非接触式、采集设备简单等优点受到了广泛关注[1]。目前，人脸识别方法主要有基于Harris角点[2]、局部二值模式（LBP）、尺度不变特征（SIFT）等的人脸局部特征描述，以及基于线性判别式分析[3]（LDA）、神经网络、支持向量机[4]（SVM）的人脸全局特征描述。尽管这些方法对正面人脸的识别有较好的效果，但是当人脸存在姿态变换或者角度偏转时效果不尽人意。如何更好地解决这一问题已经成为提高人脸识别率的关键问题。

基于统计特征的识别方法由于训练样本的不确定性而存在差异；所以Lowe的尺度不变特征[5]（Scale Invariant Feature Transform，SIFT）的提出受到了广泛的关注。其征描述子具有旋转不变性和光照不变性，广泛用于描述人脸的局部特征[6]。SIFT特征的特征点是根据高斯差分空间（DoG）的局部极值点确定；由于注册人脸和待识别人脸图像的不同，容易导致特征点数目的不确定性。且特征点没有明显的物理意义，从而增加了特征点匹配的难度。因此，本文采用基于回归的局部二值特征方法进行人脸的校准，确定了与人脸几何特征相关的特征点，如面部轮廓、眼睛、鼻子、嘴等附近。考虑到人脸表情变化的区域主要集中在面部以及嘴部，因此对特征点进行区域加权。用特征点邻域内的SIFT特征描述子[7]表征人脸并组成特征向量，用于人脸的识别。

1 基于回归的LBF的人脸校准

基于早期的Kass等提出的Snake模型[8]，1995年Cootes等人提出了主动形状模型[9]（Active Shape Model，ASM）。此后Cootes等人在ASM算法的基础上提出了主动表观模型[10?11]（Active Appearance Model，AAM）的概念，与ASM不同的是AAM同时对形状和纹理信息进行分析。近年来基于回归的方法[12?13]被人们广泛关注，在此基础上任少卿等人提出的基于回归的局部二值特征（Local Binary Features，LBF）的人脸校准算法[14]，在计算机以及手机上获得良好的效果，受到了广泛的关注。

人脸校准是通过对初始特征点模型[S0]的逐步修正（每级的修正量为[ΔSt]）得到最终的模型。每级的模型增量为：

[ΔSt=WtΦtI，St-1] （1）

其中：[St-1]为上一级的特征点模型；[Φt]是一个映射矩阵，实现由图像[I]特征点模型到LBF的映射，[Φt]可以分解为一组独立的映射函数集[?t1，?t2，…，?tk，][k]为对应特征点的个数；[Wt]表示线性回归矩阵，实现由LBF到特征点模型增量的映射。

1.1 LBF映射矩阵[Φt]的学习

映射矩阵[?tk]的训练目标是使与真实特征点模型[Sti]的距离越小：

[ωtk，?tk=argmini=1πk?ΔSti-ωtk?tkIi，Sit-122] （2）

其中[πk?ΔSti] 表示训练样本[i]的第[k]个特征点的坐标偏移量。

特征点的LBF映射矩阵[?tk]是采用局部随机森林[12]方法得到的，实现了特征点邻域特征的提取。训练时采用特征点的局部邻域内像素，最大邻域的范围需要通过交叉验证得到，且随级联中级数的增加而收敛。使用像素差分特征训练树的分裂节点，训练结果使每个叶子节点为一个二维的偏移向量。最终的随机森林结果为所有输出叶子节点的和[15]。

1.2 线性回归矩阵[Wt]的学习

在上一步的训练中得到了LBF映射矩阵[?tk]和局部回归矩阵[ωtk]。随后对[?tk]进行连接组成每个特征点模型的LBF映射矩阵[Φt，]用来训练一个整体的线性回归矩阵[Wt，]线性回归的目标为：

[Wt=argmini=1ΔSti-WtΦtIi，Sit-122+λWt22] （3）

由于二值特征的维数很高且稀疏，需要使用双坐标下降法[16]处理这一问题。式（3）中的[λWt22]表示了这一正则化过程。

通过上述训练方法得到了人脸校正的系统，对选定的人脸区域进行校正，得到人脸校正的结果如图1所示。

2 特征点邻域的SIFT表征

2.1 SIFT描述子的生成

通过上述算法对人脸的校正，得到了对应人脸特征的特征点位置。在构造描述子时，仅特征点单个像素作为研究对象没有足够的信息，因此引入SIFT描述子采集特征点邻域内的信息。由于加入子区域内的统计特性，从而提高了对图像局部变形的适应能力。

[mx，y=Ix+1，y-Ix-1，y2+Ix，y+1-Ix，y-12]

（4）

[θ=arctanIx，y+1-Ix，y-1Ix+1，y-Ix-1，y] （5）

为了强化中心区域的影响，同时淡化边缘区域的影响，采用对幅值进行高斯加权：

[wx，y=mx，y×exp-x-xi2y-yi22δ22πδ2] （6）

从而提高了算法对几何变形的适应性，[δ]设为经验常数。

用直方图统计邻域像素的梯度方向权值，直方图的范围是[0°～360°，]其中每[10°]一个柱，总共36个柱。直方图的峰值为该特征点处邻域内像素梯度的主方向[θ]，即作为该特征点的方向。

为了保持特征的旋转不变性，将坐标轴旋转为特征点的主方向。旋转后新的坐标为：

[xy=cosθ-sinθsinθcos θ×xy] （7）

对每个子区域分成8个方向，统计权值直方图，16个子区域组成了128维特征向量。

[L=（l1，1，l1，2，…，l1，8，…，l16，1，l16，2，…，l16，8）] （8）

再继续将特征向量的长度进行归一化：

[li=wij=1128wj] （9）

则可以进一步去除光照变化的影响。最终得到了能够表征人脸特征的[k×128]维的特征向量。

把特征点按区域分为5个，眉毛，眼睛，嘴部，鼻子和面部，面部轮廓，对各个独立子区域的置信度进行统计，确定各个区域的权值比重。权值计算公式为：

[Wi=1（1-Ci）] （10）

2.2 特征匹配算法

在得到特征向量后，需要对特征向量进行相似性度量，本文选择了快速的直方图相交法，两个直方图的相似度表示为：

[ψ（l1i，l2i）=i=1Imin（l1i，l2i）] （11）

则两幅人脸的相似度表示为：

[S（L1，L2）=K=140u=116v=18ψ（L1K，u，v，L2K，u，v）] （12）

3 实验结果及分析

实验环境：CPU主频为1.80 GHz，双核四线程；操作系统Windows 8.1；算法通过Visual Studio 2010以及OpenCV244库实现。采用FERET人脸数据库的人脸图像进行实验，图像大小为382×256，人脸大小在[200×200]以上。每个人包含不同角度及表情的12个样本。选取300人作为训练样本得到阈值，200人作为观测样本进行识别率验证，同时通过随机交叉验证，保证实验的客观性。

首先，根据文中提到的方法，把特征点分成5个不同的区域。通过实验得到不同区域的置信度，表明不同区域对人脸区分的贡献情况，计算每个子区域应占的权值比重，如表1所示。

使用相同的FERET人脸数据库，在相同的实验环境下，选取了Gabor局部二值模式（LGBP）算法[17] 、SIFT算法、AAM+SIFT算法进行对比实验。如表2所示，相比于AAM+SIFT算法，本文采用的基于回归的LBF的人脸校准能够对特征点进行更加快速的定位，加快了特征提取的速度。相比于SIFT算法，由于本文算法只对对应的特征点进行对比，提高了匹配速度，从而提高了整体的识别速度。

由于通过人脸校准定位特征点，可以消除平面内人脸位移对识别率的影响。采用不同偏转角度的人脸进行实验，如表3所示，随着角度变化的增大，人脸算法的识别率都有所降低。相比LGBP算法与SIFT算法，本文算法对垂直平面的角度旋转也具有鲁棒性。

LGBP算法对人脸图像进行了多尺度方向的Gabor变换，然后再进行LBP的特征提取，使算法具有了对表情变化的鲁棒性。采用具有表情变化的人脸进行实验，如表4所示，由于采用对不同子区域进行加权，人脸的表情变化对本文算法的影响比LGBP算法小。

表4 表情变化识别率比较 %

[算法＼&LGBP＼&SIFT＼&AAM+SIFT＼&本文方法＼&识别率＼&86.2＼&82.6＼&83.3＼&92.1＼&]

4 结 语

人脸的校准工作定位了人脸几何特征的位置，为之后的人脸识别提供更加精准的人脸区域，对识别率的提高有着不可忽视的作用。人脸特征点定位算法的高效、快速，以及快速匹配算法的使用，提高了整体算法的识别速度。对特征点邻域的梯度描述，提取出了足以能够区分不同人脸的特征，通过对不同区域特征点的加权，提高了算法对姿态以及角度变化的鲁棒性。由于遮挡等问题对局部人脸识别算法的影响较大，下一步的工作可以通过基于局部特征描述的本文算法和基于整体的人脸分类算法相融合，从而提高整体的识别率。

参考文献

[1] 吴巾一，周德龙.人脸识别方法综述[J].计算机应用研究，2009（9）：3205?3209.

[2] HARRIS C. A combined corner and edge detector [C]// Procee?dings of the 4th Alvey Vision Conference. Manchester： [s.n.]， 1988， 3： 147?151.

[3] BELHUMEUR P， HESPANHA P， KRIEGMAN D， et al. Re?cognition using class specific linear projection [C]// Procee?dings of 2006 Conference on Pattern Analysis and Machine Intelligence. [S.l.]： IEEE， 1997： 711?720.

[4] KADYROVA N O， PAVLOVA L V. Statistical analysis of big data： an approach based on support vector machines for classification and regression problems [J]. Biophysics， 2014， 59（3）： 364?373.

[5] LOWE D G. Distinctive image features from scale?invariant keypoints [J]. International Journal of Computer Vision， 2004， 60（2）： 91?110.

[6] BICEGO M， LAGORIO A， GROSSO E，et al. On the use of SIFT features for face authentication [C]// Proceedings of 2006 Conference on Computer Vision and Pattern Recognition Workshop. New York： IEEE， 2006： 35?41.

[7] 王永明，王贵锦.图像局部不变性特征与描述[M].北京：国防工业出版社，2010：130?135.

[8] KASS M， WITKIN A， TERZOPOULOS D. Snakes： active contour models [J]. International Journal of Computer Vision， 1988， 1（4）： 321?331.

[9] COOTES T F， TAYLOR C J， COOPER D H， et al. Active shape models?their training and application [J]. Computer Vision and Image Understanding， 1995， 61（1）： 38?59.

[10] COOTES T F， EDWARDS G J， TAYLOR C J. Active appea?rance models [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2001， 23（6）： 681?688.

[11] CRISTINACCE D， COOTES T F. Feature detection and tra?cking with constrained local models [C]// Proceedings of the British Machine Vision Conference. Edinburgh： [s.n.]， 2006， 41： 929?938.

[12] GOOL L V. Real?time facial feature detection using conditional regression forests [C]// Proceedings of 2012 IEEE Conference on Computer Vision and Pattern Recognition. Rhode Island： IEEE， 2012： 2578?2585.

[13] DOLLAR P， WELINDER P， PERONA P. Cascaded pose regression [C]// Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition. San Francisco： IEEE， 2010： 1078?1085.

[14] REN S， CAO X， WEI Y， et al. Face alignment at 3000 FPS via regressing local binary features [C]// Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition. Columbus： IEEE， 2014： 1685?1692.

[15] CAO X D， WEI Y C， WEN F， et al. Face alignment by explicit shape regression [C]// Proceedings of 2012 Conference on Computer Vision and Pattern Recognition. Rhode Island： IEEE， 2012： 2887?2894.

[16] FAN R E， CHANG K W， HSIEH C J， et al. LIBLINEAR： a library for large linear classification [J]. Journal of Machine Learning Research， 2008， 9（12）： 1871?1874.

特别的人篇7

这种生物不玩游戏，不聊QQ，天天就知道学习，回回年级第一。

这种生物可以九门功课同步学，妈妈再也不用担心他的学习了……

这种生物叫做别人家的孩子……

这种生物考清华，望北大！

能考硕士、博士、圣斗士，还能升级黄金、白金和水晶级。

他不看星座，不看漫画，看到电脑就想骂……

这种生物琴棋书画样样精通，甚至会刀枪剑戟斧钥钩叉！

而我们只会吃喝拉撒。

他是团员、党员、公务员，将来还可能知道地球为什么这么圆。

这种生物长得好看，写字好看，成绩单也好看，就连他的手指甲都是双眼皮的……

这种生物每天只花10块钱都觉得奢侈浪费和犯罪，

这就是感动中国2013十大人物之――别人家的孩子！

“有一种奇特的生物叫――别人家的孩子！”这个热帖在微博、论坛、新闻里处处可见，“别人家的孩子”猛然间红遍大江南北。跟着这些热帖的，却是生活在“别人家的孩子”阴影中的孩子们――

“优秀的孩子们啊。请不要让我妈认识你们！！”

“我生活中最近也有这种生物！人家月薪xxxx元，人家工作xxxx好，出国旅游还是公费！！我妈天天唠叨以上几句！”

“可惜我爸妈已经认识了！我已经活在这些不明生物的阴影下10多年了！！！”

“这种生物之外还有一种生物……他会在被他娘拽着耳朵骂成绩差的时候说。后楼的谁谁比我还差’，而这个谁谁就是我，而这话是我娘唠叨过好多次的。”

“真想成为别人家的孩子，免得我爹娘一看我就很闹心地要说，别人家的孩子如何了，别人家的孩子又如何了！”

“别人家的孩子”在父母的口中总是那么完美，即便他不是那么完美，他也总是拥有、而且总是恰好拥有你所没有的优点：最关键的是，他总是在你备受爸爸妈妈批评的时候适时地出现，种种“闪光点”让你在讨厌他的同时也顺带鄙视自己。

“说别人家的孩子，是为了让自己的孩子知耻而后勇，但真实的效果往往是别人家的孩子让自己的孩子知不足，而不敢前进了。”

特别的人篇8

思念，美丽依然，只是夹杂着一些恨。伤痛，依然存在，只不过我将它掩盖。习惯，已是一个人的孤寂，孤寂过后是疼痛的继续。空闲，我会将它填，不停留想念的余地。爱意，我会将它丢掉，只留下岁月的痕迹。茫然的，是我的思绪，存在的，是所有的延续。流逝的，是时间的痕迹，你只是出现在我梦里，我想去成全着自己的结局。曾经，已然，回忆，过去。我已习惯说这些，只会说这些。擦拭着眼角的泪水，那是我莫名的心悸。没有办法的，我选择叹息。我知道，沉默只是我表达的一种方式。哭泣是我软弱的情绪。某一天里，我不是微笑而是哭泣。

我不想爱，却依然说着。矛盾的是我内心的冲突，空缺的是我生命的全部。

不断重复的是黑夜，那是寂寞在上演，静夜里是我发了疯的思念。