久別的人

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇久別的人范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

久別的人范文第1篇

職業：上市公司財務

愛好：跳操、逛街、唱歌、跳舞

裝扮原則：怪――別人沒有的就好

徐軼背著一個大大的運動背包，披肩的中長發迎風飛舞著，來到了我們的攝影棚。一個動感的女孩，這是我對她的第一印象。

她一邊擺甫士拍照，一邊跟我有一搭沒一搭地閑聊。我問她的著裝風格，她大大咧咧地說：“休閑，決不穿職業裝，耍怪，別人沒有的就好。”果然，我見她從包里抖出的服裝，都是我這種職業女性平常少見的。她的搭配也大膽而奇怪，比如這款“行頭”(圖一)。

咖啡上衣：迪美購買，120元；

裙子：日本的牌子COCO cat，陜西路上有一家小專賣店，250元；

皮鞋：韓國的牌子，東方商廈購買，350元；

襪子：襄陽路買，10元；

帽子：迪美購買，68元。

我對她的桔紅色襪子“大驚失色”，我是無論如何不敢如此穿著。她卻得意地說：搭配要大膽，穿時要自信。這樣彩色的襪子：玫瑰紅、綠色等等，我有一大把呢!

等到我了解了她的職業之后，我不禁對她說：財務人員照理該是文靜、傳統、略為保守的一類，你卻是……未等我說完，她就笑著打斷我: “我就是喜歡不按常理出牌的，穿衣打扮只有如此才能別出心裁，達到“衣不驚人誓不休”的境地呢!況且，她還坦白，這個職業是當初由老師和父母一起“密謀”而定的，其實她的愿望是入幼兒師范，將來當幼兒園老師。所以，你看她的這款服飾多么有童趣啊(圖二):

奶牛褲：迪美買的，120元；

皮帶：襄陽路買的，30元；

人造毛馬夾：weekend，190元。

長袖衫：逸飛牌，268元。

她的“淘衣”經驗是這樣的：酷愛運動的她，每周三到四次去位于淮海路上的子曦女子會所跳操，來去的路上或休息天順便逛街，讓自己慢慢練成火眼金睛，在路邊不起眼的小店內的一大堆衣服中翻出屬于自己的那一款。在這個過程中，父母由原先對她的服裝不以為然和大加指摘變成有點欣賞了，她也正準備去考跳操教練證呢!

最喜歡的也是最能獲得別人贊賞的一套衣服是(圖三):

中裝上衣: 在北京旅游時在特色小店訂制的，200元；

九分褲: De Season，太平洋百貨購買，380元。

圖四: 彩條褲: 自然物語，茂名路買，168元；

短袖上衣: 陜西路買，78元；

久別的人范文第2篇

“你這個男人婆，怎么超“三八線”，你知不知道這已經是156次了，真是個男人婆！

“說我超“三八線”，那你自己呢，總借我的東西又不還，害得我總要買新的！555555~~~~”

“我哪時候不還了，我只是有一次沒還！！！”

“你這個撒謊王，你是只有一次還了我！！！”

“好拉，好拉，我下次還你唄。”蕭茗吐了吐舌頭說

……

有一次，這節課是體育課，是女生排在前面，男生在后面，剛好，我在女生的第三排，而蕭茗在男生的第一排，巧的是兩個人正對著。蕭茗老是喜歡調皮地在我背后假假地踢那么一腳。照例，這一天蕭茗又想假假地踢我那么一腳，可是當他的飛腳出去后，我突然退了一步，蕭茗的飛腳剛好踢到了我的臀部。我受這么猛的一攻擊，再加上是踢到臀部，我的臉刷地一下就紅了，成了一個紅通通的大蘋果。我和蕭茗都很尷尬，可是我們很快就調整過來了，依舊上課。

下課了，同學們都回到了課桌前，準備著下一節課政治課的書本。只見旁邊的蕭茗吞吞吐吐地說：“對不起，體育課上我不應該……”我紅著臉說：“沒關系。”

從這次以后，我見到蕭茗總是好象心里有一群蝴蝶在亂飛，讓我好不緊張！

久別的人范文第3篇

在逛街的時候，看見了他，最熟悉的陌生人。他牽著一個卡哇伊的小女孩，樣子甜美洋溢著青春的氣息，屬于小鳥依人的類型吧。他并沒有看見我，我連忙避開。姐妹見我轉變線路，好奇問我發生了什么事。我淡淡地說，再回頭逛逛吧。剛才那件化妝店其實也蠻不錯的。姐妹并沒有繼續追問，于是帶著復雜的心情在那間化妝店走馬觀花地看著。懵懂地撞到了一個人，急忙說抱歉，抬起頭的時候，映入眼底的正是那張清秀的臉，干凈的眼眸，燦爛的笑容。他看是我，臉部掠過一些驚訝。他身邊的女友倒是蠻善解人意的，笑著說他是運動員，這點碰撞習慣的了。我尷尬地笑了笑，對她點頭表示謝意。想要裝作若無其事逃離時，姐妹過來了，見到他熟悉地開著她的玩笑。我想示意姐妹的時候已經遲了。以前我和他戀愛多年，姐妹習慣了他，也是一個很不錯的朋友。但這個場合卻不適合聚舊。他倒也沒什么，也是笑呵呵地回應著我的姐妹。他身邊的小女人大概也擦覺到了吧，笑著對我說，你是他以前的女友吧，他時常說起你。我覺得詫異。小女人接著說，他總是說我不夠堅強總喜歡依賴她，她說你是一個個性鮮明，很要強的人。接著她有點自嘲地說，如果我學到你一半的話，那我這個麻煩鬼一定讓他少點煩惱的。他撫摸她的頭發，笑著說，哪有呢。我看見她淘氣地吐了吐舌頭。我再看著他，他的眼里有我以前不曾看過的溫柔。

分道揚鑣后，我的心突然針扎般的痛。我意想不到他會在現任的女友面前說起我，以前我們很多爭吵，其實現在回首發現自己其實太過自我了。我總有自己的想法，我認為兩個人哪怕在一起，也不需要太多遷就，每個人應該擁有自己的宇宙。就因為太要強了，他從最開始的包容，到了后來的遷就，逐漸就是無盡頭的爭吵。但我卻始終不肯退步，最后分手告終這段感情。現在他的女友小鳥依人的，一定不會讓他感覺難受吧。姐妹安慰我說，兩個人都走了盡頭無需刻意檢討著什么。我說，如果當初自己不那么任性，能夠放下自己的所謂的個性，那么也許我就不會失去他。姐妹想了想說，每段戀愛都能夠讓人成熟。你這樣想吧，誰的新歡曾不是別人的舊愛呢。

誰的新歡曾不是別人的舊愛？我以前的他是小女人的現任男友，而我下任的男友也會是別人的舊愛。每個人在時間流逝中走來，沿途的風光迷人也會遇到陪伴著你一路前行的人。也許彼此的終點不一樣，也許每個人的選擇不一樣，也許下一個分歧路口，我們就分道揚鑣了。接著下一站，也會碰到前行的人，可他一路走來，也許以前也是別人的伴侶。每個人的性格，脾氣，夢想不一致，手牽手走到彼此約定的終點是一件艱難的事。也許和別人分開后，總會尋找自己身上的毛病，但有些不適合就是最簡單的致命一擊。

從一段感情的開始，發展到最后，總能學會太多，感悟太多。也許就是把這些感悟還有學會的累積，才能更接近幸福的彼岸。以前的他，也許也會有一番屬于自己的感悟吧，也許他也會怪責自己不能容忍多一些，那么的話，也許屬于我們的路就能更長久一些。而我呢，也在想，如果我當初能夠小鳥依人多一些，能夠多一些溫柔，那么我們也會少點爭吵更多幸福的。

誰的新歡曾不是別人的舊愛呢，對的，以后我的男人也不可避免是別人的舊愛。那么他在前一段感情走來，會不會成熟更多一些，會懂得總結一下得失的原因。而我就認識到自己太要強，不懂包容，需要改進一些。每個人都是自己獨一無二的宇宙，但是每段感情卻始終都是兩個世界的融合。把自己看輕一點，在乎他人多一點，我知道幸福也會更多一些。

久別的人范文第4篇

論文關鍵詞：人力資本投資，性別差異，收益

一、 引 言

隨著知識經濟時代的到來，人力資本在經濟中的作用越來越重要，人力資本投資也成為研究的熱點之一。分工的細化使女性更多的參與到經濟活動中，女性人力資本投資問題逐漸引起學者的關注.學者們對女性人力資本特征、投資現狀、以及女性人力資本的價值實現等問題進行了研究，并取得了一定的成果。但人力資本投資存在性別差異，投資主體為了追求利益，會先比較人力資本的投資收益。目前關于人力資本性別投資收益的研究還不夠深入，兩性人力資本哪個投資收益大，哪個更具有投資價值，學術界還存在很大的爭議。本文通過對國內、外學者在人力資本性別投資差異研究的成果的梳理，在分析目前研究現狀的基礎上，做了相關評述，以期對將來學者們的研究有一定的參考價值。

二、 國外學者人力資本投資性別差異的研究情況

著名的古典學派代表亞當·斯密認為人力資本投資可以由私人出于追求利益的投資行為完成。他建議由國家“推動、鼓勵甚至強制全體國民接受教育”。即傳統的古典經濟學在研究人力資本投資問題時忽略了人類性別的劃分，認為男性和女性的社會地位和角色沒有差別，不需要進行單獨研究，沒有從性別角度對人力資本投資展開研究。

美國學者舒爾茨較早明確的闡述了人力資本的投資理論。他認為“人力資本投資不應該僅僅局限于男人的范圍，忽略“女人資本”的傾向令人擔憂”。[3]由此可見，舒爾茨注意到投資中的性別差異，認為以前的研究忽略了對女性的思考，有必要對女性人力資本進行單獨研究。但他比較注重宏觀方面的分析，缺乏微觀的支持，沒有就人力資本性別投資問題展開探討。

在舒爾茨的基礎上，貝克爾發展了人力資本投資理論。他主要從微觀的角度進行研究，彌補了舒爾茨研究的缺陷。貝克爾認為：“投資量是預期收益率的函數。”收益率越高，投資量就越大收益，男女兩性在學校教育中的機會成本與預期收益的差異使家庭在進行人力資本投資時更愿意向男性傾斜。他指出女性人力資本投資和男性有很大的區別，女性人力資本與家庭決策有很大的關系，即專業化投資會強化女性在家庭部門的比較優勢，如果婦女在做家務上優于男人，從經濟效率的角度講，婦女應更多地從事家庭勞動。貝克爾的家庭決策理論為研究女性人力資本投資奠定了基礎。但他的理論定性的分析居多，定量的分析很少。

明賽爾從投資收益的角度進行分析，他建立了人力資本投資的收益率模型，最早提出人力資本收益函數，并將人力資本理論與分析方法用于家庭決策中來研究人力資本的性別投資行為。他在《家庭背景下婦女的勞動力供給》以及與波拉切克合著的《家庭的人力資本投資》中指出：由于家庭決策的原因，女性的勞動力市場收益低于男性收益。在人力資本投資中，女性人力資本折舊率高于男性，女性人力資本投資的邊際收益率遞減速率快于男性。[5]他通過建立模型對人力資本投資收益進行了定量分析，但沒有就性別投資收益展開定量的比較分析，仍需要繼續研究論文格式。

繼舒爾茨、貝克爾、明賽爾的研究之后，后期的學者對人力資本投資的研究逐漸細化。萊姆使用國別數據，將壽命差距作為家庭資源投資男女的指數，分析整個生命周期的家庭分配，最后指出家庭內部資源分配優先給予創收能力更強的成員。鄧肯通過對巴西兒童死亡率數據，進行博弈框架經驗分析，得出母親更傾向于女孩的健康投資，而父親更傾向于男孩的健康投資。P．Duraisamy通過對印度的數據研究發現，1983、1993、1994年，投資于女性的中級和中高級教育的收益要比投資于男性的高。[4]

綜上所述，國外學者對人力資本投資的研究比較早，雖然沒有從性別角度進行專門的研究，但研究中涉及到了人力資本性別投資問題。分析視角從微觀到宏觀，從定性分析到定量分析，相關理論在不斷的完善，為科學的分析性別投資行為提供了依據，也為國內學者的研究提供了方向。但國外學者沒有對性別投資收益展開比較研究，研究的還不夠全面，仍需要深入的探討。

三、 國內學者人力資本投資性別差異的研究情況

國內學者對性別人力資本的研究比較晚，但是發展的比較快。在借鑒國外理論的基礎上，首先提出了性別人力資本，進一步分析女性人力資本的現狀和特征、女性人力資本的價值問題，并取得了一定的成果。但是在人力資本性別投資收益的研究上爭議還很大，國內學者從不同的角度進行了探討，主要集中在以下幾個方面：

(一)性別人力資本概念的提出

傳統人力資本投資理論認為投資對象是同質的，這對投資性別差異的解釋不充分，因此潘錦棠（2003）提出性別人力資本，即將人力資本的投資對象按男性和女性劃分，研究女性相對于男性的投資價值。他認為傳統的人力資本投資理論缺乏對人力資本“投資對象”和“投資環境”的研究。他首次提出人力資本投資之所以向男性傾斜，是因為目前“人力環境”中男性比女性更有投資價值；男性收入高于教育投資相同的女性是因為存在“性別租金”；男女兩性相對投資價值的變化是因為“人力環境”的變化。[6]他從投資的性別差異角度、投資回報的性別差異角度進行了探討。性別人力資本的提出引起了學者對女性人力資本的重視，進一步提升了女性人力資本的存量。

(二)性別歧視是導致人力資本投資性別差異的重要因素

20世紀90年代后期，性別職業隔離現象較為嚴重，女大學生就業比較難，就業中性別歧視成為女性人力資本投資的障礙。學者開始關注性別歧視對人力資本投資的影響。投資中的性別歧視收益，一方面受傳統觀念的影響，另一方面是由于經濟人的投資決策產生。李瑩（2004）認為，傳統的性別觀念對人們的行為有指導作用，主要通過影響各微觀投資主體的投資決策，來削弱對女性的投資動力，降低投資的預期收益，影響投資范圍，因此出現人力資本投資的性別差異。徐彩蓮（2006）研究發現由于性別歧視的存在，使女性接受教育的機會少于男性，人力資本投資造成人力資本存量的性別差異。毛藝林（2008）認為人力資本投資中的性別歧視阻礙了女性自我價值的實現和兩性的平等發展。他從經濟學角度分析導致性別差異的原因，除了傳統性別歧視的因素，還包括經濟利益的影響。人力資本投資中的性別差異除受傳統文化的影響外，經濟因素也會影響家庭和社會的投資決策，所以投資中差別地、甚至歧視的對待某一性別群體，實現兩性優勢互補，是一種理性的選擇。張抗私（2002）從經濟學角度解釋了投資中的性別歧視，人力資本投資中的性別歧視主要體現在受教育的程度和職業培訓上的不同，真實收益中女性人力資本的經濟效益高于男性，即女性具有明顯的社會效益。邵明波（2005）指出女性人力資本投資具有較高的個人收益率和社會收益率。受傳統社會觀念和經濟原因的影響，對女性的投資不足，進一步影響女性就業，導致女性人力資本投資收益下降，降低家庭對女性人力資本投資偏好，影響國民經濟的發展。張春霞（2006）從經濟學角度出發，結合社會學、心理學等學科分析出，受性別歧視的影響，女性和男性在教育培訓和遷移等方面的投資存在差異。由于投資對象和投資環境的性別差異，知識女性的投資機會比男性少，投資回報率低，人力資本投資的差異造成了兩性人力資本存量的差異。

關于性別歧視研究有非經濟學和經濟學的視角，但結論大致相同，認為性別歧視的存在降低了人力資本投資的效率。非經濟學角度的研究指出，性別歧視會降低對女性的投資動力，導致女性的投資收益低于男性；經濟學角度的分析指出，人力資本投資之所以會有性別差異，除了性別歧視的因素外，經濟利益的影響也是一個很重要的原因。從經濟學角度分析性別歧視，有利于改善女性人力資本投資狀況，為科學的進行人力資本投資提供依據。但關于性別歧視的分析多是定性的分析，定量的分析還不多見。

(三)人力資本投資性別差異的研究從定性研究走向定量研究

性別歧視通過影響人力資本投資的性別傾向，使兩性在投資收益上存在很大的差異。但是對于這種差異沒有定量分析，因此將性別歧視作為投資差異的主要原因，解釋力度不夠，不少學者開始對性別投資收益進行量化。國內學者在計算人力資本投資收益時，主要是通過收益率來衡量。如禇建芳（1999）等通過對個人投資收益率的研究，得出女性的教育收益率為5.82%，男性為4.36%。[12]孫蘭（2003）從人力資本投資成本與收益的角度分析，指出男性與女性之間的差距是很顯然的收益，女性人力資本投資成本比男性大，而收益比男性小，這兩者相比較是進行女性人力資本投資的一個重要的前提。高夢滔、姚洋、梁宏（2004）等通過分析女性健康數據，指出女性的健康情況不如男性，即女性的保健投資低于男性。劉國恩（2004）對通過實證分析，指出男性的健康的經濟收益低于女性。畢雪晴、岳曉菲（2007）通過對國內外教育投資收益率的比較，發現我國教育收益率低于國際水平，與同等學歷的男性相比，女性收入只及男性的2/3。鐘威（2007）指出性別人力資本投資的收益主要表現在被投資者將會獲得較高的預期貨幣報酬以及在一定程度上減少企業投資風險兩方面，他認為傳統的人力資本投資傾向走入誤區，通過對成本收益中性別差異的分析，指出對女性人力資本投資可獲得比男性更高的收益。從上面的研究看出，女性的收益率顯著高于男性，對女性人力資本投資，有利于提升女性人力資本存量。但對于投資性別差異的定量分析還不夠深入，需要繼續探討。

(四)人力資本投資性別差異的研究從靜態走向了動態

在參與經濟的過程中，兩性時間配置差異較大。女性的時間在家庭、市場以及閑暇三個部門間配置，男性只在市場和閑暇兩個部門間配置。新古典經濟學采用兩部門分析法，將人力資本投資對象假設為男性，忽視了兩性的時間配置差異，存在很大的缺陷。人力資本投資是屬于時間密集型的，只有閑暇時間才能用來人力資本投資，閑暇時間在某種程度上對人力資本投資有決定作用，因此有必要對女性閑暇時間進行分析論文格式。有學者從這個角度對人力資本性別投資差異做了研究。郭硯莉（2006）從女性人力資本投資現狀出發，結合經濟學、人口學和可持續發展的理論分析指出：由于傳統分工的存在，女性在三部門間時間配置不同于男性只在兩部門間配置，對女性教育投資小于男性，中斷工作經歷對女性人力資本投資的影響最大，中斷期間女性不僅無法進行在職投資等活動，還會加速原有人力資本的折舊。導致女性人力資本含量比男性低，從而收益率也比男性低。袁迎菊（2008）從男女兩性的時間配置對人力資本的投資分析。她認為女性由于要承擔工作和撫養孩子的責任，其時間配置與男性有很大的差別，因為生育孩子需要工作要中斷一段時間，這樣會造成女性人力資本因閑置而貶值，降低人力資本投資的收益。朱凱（2009）指出女性由于生育等因素的影響，預期人力資本投資回報率比較低，而人力資本投資受限。通過時間配置角度的分析，使人力資本的分析由靜態分析走向動態分析。從經濟人的角度對女性時間進行分析，為增加女性人力資本投資提供了客觀依據。

四、 結束語

綜上所述，國外學者的研究比較早，且不同時期的研究視角不一樣，從微觀到宏觀，從定性分析到定量分析，人力資本性別投資的理論在不斷的完善，為國內學者提供了借鑒的依據。國外學者沒有從性別角度將投資對象進行區分，因此不能充分解釋兩性人力資本投資差異的問題，他們的研究多是關于家庭投資差異的分析，沒有進行全面的比較分析，仍需要深入的研究。

國內學者對性別人力資本的研究比較晚，但發展的比較快。學者們從不同的角度對性別人力資本進行分析收益，有了一定的研究基礎。與國外學者相似，從宏觀分析到微觀分析，從定性分析到定量分析，涉及到社會學、心理學、經濟學等學科，研究在不斷的深化。但仍存在一些問題需要繼續完善。在研究的內容上，學者主要是關于教育投資和在職培訓投資的分析，人力資本投資還包括健康投資、遷移投資等，但對這些投資進行比較分析的文獻還不多見。從研究方法上看，定性、定量的研究都有，但定量分析還不夠深入，能將兩種方法緊密結合，系統的分析人力資本投資差異的文獻也不多見。在今后的研究中，可以通過設定相關的衡量指標，對兩性投資收益進行全面的定量分析。

由于學者分析視角的不同，關于人力資本投資哪個收益更大，目前還存在很大的爭議。受傳統觀念的影響，女性部分價值是沒有計入收益中，女性人力資本收益低于男性，但從女性經濟人角度分析，其收益卻高于男性。人力資本性別投資差異的研究，是目前人力資本投資研究的難點。因此對這個問題進行探討，有很大的理論和現實意義。理論上豐富了性別人力資本的內容，也是對人力資本投資理論的細化和補充；同時為科學的分析女性人力資本投資行為提供了依據。最后對改善女性的投資狀況，縮小歧視性人力資本投資所造成的人力資本存量的性別差異，提升女性人力資本存量，推動社會經濟的進步有一定的現實意義。

———————————————

參考文獻

[1]舒爾茨.論人力資本投資[M].北京:北京經濟學院出版社，1990.

[2]加里·S·貝克爾.人力資本[M].北京:北京大學出版社，1997

[3]郭硯莉.女性人力資本投資問題研究[M].2006

[4]P．Duraisamy．Changesin Retums to Education in India，1983—94：byGender，Age—cohort and Location[J]．EconomicsofEducation Review，2002(6)

[5]雅各布·明塞爾.人力資本研究[M].北京:中國經濟出版社，2001(9)

[6]潘錦棠.性別人力資本理論[J].中國人民大學學報，2003(3):94-104

[7]晏月平.女性人力資本理論研究述評[J].理論探索，2008(6):161-163

[8]張抗私.人力資本投資中性別歧視的經濟解析[J].財經經濟問題，2002(7):19-21

[9]李瑩.簡析傳統性別觀念對人力資本投資性別差異的影響[J].西北人口，2004(3):56-59

[10]邵明波.中國女性人力資本特點及現狀分析[J].市場與人口分析，2005(4):15-21

[11]徐彩蓮.論女研究生人力資本投資[J].西南農業大學學報，2007(1):18-20

[12]張春霞.性別歧視與性別人力資本投資差異的糾結[J].中國勞動關系學院學報，2006(4)

[13]禇建芳.中國人力資本投資的個人收益率研究[J].經濟研究，1995(12)

[14]孫蘭.論女性人力資本投資.渝西學院學報.[J].渝西學院學報，2003(3):80-83

[15]畢雪晴、岳曉菲.論女性人力資本的收益率問題[J].四川經濟管理學院學報，2007(4)42-46

[16]鐘威.人力資本投資性別差異問題分析[D].2007

[17]郭硯莉.女性人力資本投資問題研究[M].2006

[18]袁迎菊.人力資本投資風險的性別差異分析[J].生產力研究，2008(15)

[19]朱凱.淺析性別產生的社會工資差異[J].金卡工程，2009(7)

[20]馮穎.人力資本投資理論的發展脈絡[J].基礎理論研討.2008(32):51-52

[21]李芳.國內外關于女性人力資本理論研究綜述[J].理論聚焦，2007(11):39-41

[22]張瑩.社會性別視野中的人力資本投資[J].經濟問題，2007.(4):30-32

[23]李瑩.觀念對人力資本投資性別差異的影響[J].西北人口，2003.(9):56-59

[24]陳丹.我國女性人力資本投資問題分析[D].2007

[25]秦政、曾繁榮.性別人力資本投資價值研究[J].人力資源，2006（8）:133-134

久別的人范文第5篇

關鍵詞關鍵詞：人臉識別；卷積神經網絡；圖像識別；深度學習；模式識別

DOIDOI：10.11907/rjdk.171043

中圖分類號：TP317.4

文獻標識碼：A文章編號文章編號：16727800（2017）005018603

0引言

人臉識別是近年來模式識別、圖像處理、機器視覺、神經網絡及認知科學領域的研究熱點[12]。所謂人臉識別，是指給定一個靜態人臉圖像或動態視頻，利用存儲有若干已知身份的人臉數據庫驗證單個或多個人的身份[1]。作為生物特征識別的一個重要方面，人臉識別有著廣泛的應用場景，如：檔案管理系統、公安系統的犯罪身份識別、銀行和海關的監控、安全驗證系統、信用卡驗證等領域。在人臉識別巨大魅力的影響下，國內互聯網公司也開始了人臉識別應用的探索，如百度推出的人臉考勤系統、阿里支付寶的刷臉登錄等功能都是人臉識別的具體應用。目前，人臉識別的代表性方法主要有以下幾種：Turk和Pentland[3]提出的特征臉（Eigenface）方法；基于線性區別分析，Belhumeur 等[4]提出了Fisherface方法；基于統計理論，劍橋大學的 Samaria和Fallside[5]提出了隱馬爾科夫模型[5]（HMM），Lawrence 等[6]提出的通過多級自組織映射神經網絡（SOM）[6]與卷積神經網絡相結合進行人臉識別。上述方法雖然獲得了良好的識別正確率，但需要人工參與特征提取，然后將提取的特征送入分類器進行識別，過程較為復雜。

卷積神經網絡[79]是近年發展起來，并引起廣泛重視的一種高效深度學習識別算法，其已成為當前語音分析和圖像處理領域的研究熱點。相比傳統的神經網絡而言，卷積神經網絡具有權值共享、局部感知的優點。局部感知的網絡結構使其更接近于生物神經網絡，權值共享大大減少了模型學習參數的個數，同時降低了神經網絡結構的復雜性。在圖像處理領域，卷積神經網絡的優點體現得更為突出，多維的圖像數據可以直接作為網絡的輸入，特征提取和分類均集成在網絡中，避免了傳統識別算法中復雜的特征提取和訓練分類器過程。除此之外，卷積神經網絡對圖像中的位移、比例縮放、旋轉、傾斜或其它形式的變形具有很好的魯棒性。為了解決傳統人臉識別算法特征提取和訓練分類器困難的問題，本文借鑒Lenet-5[10]的結構，設計一個適合ORL數據集人臉識別任務的卷積神經網絡結構。

1卷積神經網絡

1.1用于ORL人臉識別的CNN

本文提出的7層卷積神經網絡模型由輸入層、2個卷積層、2個降采樣層、一個全連接層和一個Sigmoid輸出層組成。卷積核的大小均為5×5，降采樣層Pooling區域的大小為2×2，采用Average Pooling（相鄰小區域之間無重疊），激活函數均采用Sigmoid函數。每一個卷積層或降采樣層由多個特征圖組成，每個特征圖有多個神經元，上層的輸出作為下一層的輸入。此外，本文實驗學習率的取值為常數1.5，該卷積神經網絡結構如圖1所示。

1.2卷積層

卷積神經網絡中的卷積層一般稱C層[11]（特征提取層）。卷積層的輸入來源于輸入層或者采樣層。卷積層中的每一個特征圖都對應一個大小相同的卷積核，卷積層的每一個特征圖是不同的卷積核在前一層輸入的特征圖上作卷積，然后將對應元素累加后加一個偏置，最后通過激活函數得到。假設第l層榫砘層，則該層中第j個特征圖的計算表達式如式（1）。

xlj=f（∑i∈Mjxl-1iklij+blj）（1）

這里的Mj表示選擇的上一層輸出特征圖的集合。

1.3降采樣層

降采樣層是對上一層的特征圖進行下采樣處理，處理方式是在每一個特征圖內部的相鄰小區域進行聚合統計。常見的下采樣方式有兩種：Average Pooling和Max Pooling。其中，Average Pooling是取小區域內像素的平均值，而Max Pooling是取小區域內像素的最大值。降采樣層只是對輸入的特征圖進行降維處理，不改變特征圖的個數。假設down表示下采樣操作，βlj表示乘性偏置，blj表示加性偏置，則降采樣層中某個特征圖的計算表達式如下：

xlj=f（βljdown（xl-1j）+blj）（2）

1.4輸出層

卷積神經網絡的輸出層一般為分類器層，常用的有徑向基（RBF）函數輸出單元、Sigmoid輸出單元和Softmax回歸分類器。在ORL人臉識別任務中，采用Sigmoid函數輸出單元，輸出層的編碼采用非分布編碼“one-of-c”的方式。由于采用Sigmoid函數，每一個單元輸出值是0-1范圍內的一個正數，代表該樣本屬于該單元對應類別的概率。數值最大的那個單元即為樣本的預測類別。假設x為全連接層的輸出，則輸出層輸出結果的計算表達式如下：

y=f（wTx+b）（3）

其中，f表示激活函數，這里采用Sigmoid函數，Sigmoid函數表達式如下：

f（x）=11+e-x（4）

2實驗結果與分析

實驗在Windows7 64位下的Matlab 2014a中進行，采用Matlab深度學習工具箱DeepLearnToolbox。PC的內存8G，CPU主頻為3.2GHZ。

ORL人臉數據集是在1992年至1994年之間由AT &T Cambridge實驗室拍攝的人臉圖像所構成。數據集中包含40個不同人物的臉部圖像，每個人物包含10張圖像，總共400張。每個類別中的臉部圖像在不同的時間拍攝得到，存在如下差異：①光線；②面部表情，如眼睛的閉合和睜開狀態，面部是否帶有微笑的表情等；③一些面部細節上的差異，如是否佩戴眼鏡等。該數據集中所有人臉圖像均為灰度圖像，且圖像中人物面部朝向基本一致，都朝向正前方。

圖2為ORL數據集中部分人臉圖像。數據集中每個原始圖像大小為92*112像素，本文實驗中對這些圖像進行預處理，使每一幅圖像的尺寸調整為28*28，并對每一副圖像進行歸一化處理，這里采用簡單的除255的方式。隨機選取每一個類別的8張圖像作為訓練樣本，剩下的2張作為測試樣本。因此，訓練集有320個樣本，測試集有80個樣本。

2.1改變C3層卷積核個數對網絡的影響

卷積神經網絡性能的好壞與卷積層卷積核的個數密切相關，但每一個卷積層應該設置多少個卷積濾波器，目前并沒有數學理論指導。為了研究卷積核個數對網絡最終識別準確率的影響，本文保持C1層卷積核個數不變，通過改變C3層卷積核的個數，形成新的網絡結構，用訓練集訓練網絡，訓練迭代次數均為60次，然后用測試集對每一種網絡結構的性能進行測試。實驗結果如表1所示。

從表1可以看出，當C3層有10個卷積核時，網絡模型對測試集的識別正確率最高。卷積核的個數與識別準確率并不成正比關系，當卷積核個數過多時，網絡的識別準確率會下降，這是因為在卷積核個數增加的同時，需要學習的參數也隨之增加，而數據集中訓練樣本的規模較小，已不能滿足學習的要求。

2.2改變C1層卷積核個數對網絡的影響

由上述實驗結果可知，C3層卷積核個數為10時，網絡識別效果最好。因此，為了研究卷積層C1層卷積核個數對識別準確率的影響， C3層保留10個卷積核，改變C1層卷積核的個數構造新的網絡結構，用測試集針對不同網絡結構就測試集和訓練集的識別準確率進行測試。實驗結果如表2所示。

從表2的實驗結果可以得到相同結論：卷積層卷積核的個數并非越多越好，卷積核個數過多，網絡需要學習的參數也隨之增加，當訓練集中樣本個數無法滿足學習需要時，網絡識別準確率就會下降。

2.3與其它算法比較

為進一步說明本文所提卷積神經網絡結構的有效性和優越性，將該結構（C1層6個卷積核，C3層10個卷積核，學習率1.5）的實驗結果與其它識別方法在ORL數據集上的實驗結果進行對比，結果如表3所示。可以看出，本文所提方法比Eigface、ICA的識別效果好，與2DPCA方法的識別準確率一樣，比FisherFace方法的識別準確率只低了0.20%，這進一步證實了本文所提網絡結構的有效性。

3結語

本文在理解Lenet-5結構的基礎上，提出一種適用于ORL人臉數據集的卷積神經網絡結構。實驗結果表明，本文提出的卷積神經網絡結構，不僅避免了復雜的顯式特征提取過程，在ORL數據集上獲得98.30%的識別正確率，而且比大多數傳統人臉識別算法的效果都好。此外，本文還通過大量驗就每個卷積層卷積核個數對網絡識別準確率的影響進行了詳細研究與分析，這對設計CNN網絡結構具有一定的參考意義。

參考文獻參考文獻：

[1]李武軍，王崇駿，張煒，等.人臉識別研究綜述[J].模式識別與人工智能，2006，19（1）：5866.

[2]張翠平，蘇光大.人臉識別技術綜述[J].中國圖象圖形學報，2000，5（11）：885894.

[3]YANG M H.Face recognition using kernel methods[J].Nips，2002（2）：14571464.

[4]祝秀萍，吳學毅，劉文峰.人臉識別綜述與展望[J].計算機與信息技術，2008（4）：5356.

[5]SAMARIA F，YOUNG S.HMMbased architecture for face identification[J].Image and Vision Computing，1994，12（8）：537543.

[6]LAWRENCE S，GILES C L，TSOI A C.Convolutional neural networks for face recognition[C].Proceedings CVPR'96，1996 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1996：217222.

[7]陳耀丹，王連明.基于卷積神經網絡的人臉識別方法[J].東北師范大學學報：自然科學版，2016，48（2）：7076.

[8]盧官明，何嘉利，閆靜杰，等.一種用于人臉表情識別的卷積神經網絡[J].南京郵電大學學報：自然科學版，2016，36（1）：1622.

[9]李彥冬，郝宗波，雷航.卷積神經網絡研究綜述[J].計算機應用，2016，36（9）：25082515.

[10]LCUN Y，BOTTOU L，BENGIO Y，et al.Gradientbased learning applied to document recognition[J].Proceedings of the IEEE，1998，86（11）：22782324.