以下是小编为大家收集的广西壮族自治区：试点人脸识别领取养老保险，本文共5篇，希望能够帮助到大家。本文原稿由网友“爱是唯一”提供。
篇1：广西壮族自治区：试点人脸识别领取养老保险
“我认识一位91岁的老人，两眼的视力几乎已完全丧失，退休后到另一个城市居住，如今每年还要奔波100多公里到原来缴纳养老保险的城市认证领取待遇资格，他向我反映情况时，我感到很惭愧。”广西壮族自治区人力资源和社会保障厅厅长蒋明红在6日召开的广西全区社会保险局长会议上说。
蒋明红在会上分析了当期广西城镇企业职工基本养老保险基金面临的严峻形势：“如果不算自治区的补贴，广西14个地级市中，只有防城港市的养老保险基金略有结余，加上自治区的补贴，也只有4个地级市实现结余，养老保险基金面临的压力很大。”
广西壮族自治区社会保险事业局局长王忠平介绍，为进一步构建便民服务体系，，自治区社保局拟在自治区本级、柳州市、北海市开展“人脸识别”领取养老保险待遇资格认证试点，建立认证方法和模式统一，覆盖市、县、乡、村四级的认证体系，构建养老保险待遇防冒领机制，逐步实现足不出户也能实现领取养老保险待遇资格认证工作。
[广西壮族自治区：试点人脸识别领取养老保险]
篇2：人脸识别作文
人脸识别作文
记忆中如果遇到什么特别，正式的场合，需要证明自己特别重要的一项就是，签个字，再摁个手印，好像只有摁手印那么一说，才能够让这份文件特别的真实起来，让整个事情变得更加的重要起来！
可是不知从什么时候开始，在不知不觉之中就多了一项，实名认证中的人脸识别。
每次和某人一块去电信营业厅办手机卡，发现营业厅办卡的程序跟之前又不一样了，之前只是本人签字，拍张照片就好了，现在是本人签字之后，直接对着摄像头进行人脸识别，好像这样更加直接明了的真实的`就是本人。
仔细想一想，现在无论做什么事情？就是下载一个简单的软件，也得实名认证人脸识别！记得前段时间我让堂妹给我下载秘乐短视频，我给堂妹说，其实下载这个软件并不困难，比较费劲的是实名认证，还得人脸识别，堂妹说现在动不动就人脸识别，显得生活变得极其重要了！我笑着说是啊！
前几天用某人新办的卡注册了一个微信号，然后也绑定了他的银行卡，本来想着一切就绪了！那天下午给自己转账的时候，也可以转过来，因为，当时已经进行了实名认证！
可是今天当我再一次想要转钱的时候，发现微信上又多了一项，必须是本人人脸识别之后才可以继续转账，好吧，那就只能等某人回来了！好在，那件事也不是特别的重要！
在现在这个高科技时代，动不动就得实名认证？动不动就得人脸识别？这样做的好处大概是，减少了一些网络犯罪分子逃匿吧！又或者说这样更加的提高了个人的真实性！
有的时候自己觉着人脸识别特别麻烦，尤其是用着别人账号的时候！但是仔细想一下，也只有特别亲近的人，才能够让你使用他的账号，这样想的一下的话，人脸识别的好处还是大大滴！
篇3：养老保险怎么领取
社会养老保险是保障人们退休生活最基础的险种，保证人们最根本的退休生活，社保的每一个动态变化相信都牵动着不少人的心，养老保险怎么领取?以下为大家介绍养老保险的领取流程，只需理解养老险四的大关键词。
领取方式
养老保险通常有定额、定时或一次性趸领三种方式。趸领是在约定领取时间，把所有的养老金一次性全部提走的方式。定额领取的方式和社保养老金相同，即在单位时间确定领取额度，直至将保险金全部领取完毕。
社保养老金是以月为单位时间，而商业养老保险多以年为单位，如按年给付的方式。定时自然就是约定一个领取时间，根据养老保险金的总量确定领取的额度。
领取时间
我国法定的退休年龄为女性55周岁，男性60周岁，社保养老金即是按照这两个年龄段进行领取。相比之下，商业养老保险的领取时间则灵活得多，提供了领取时间的多种选择，并且在没有开始领取之前可以更改。
年金领取的起始时间通常集中在被保险人50、55、60、65周岁这四个年龄段，也有更早或更晚的。太平洋的太平盛世养老金甚至可以从40周岁就开始领取。
保险期间
所谓保险期间，简单来说就是从保险合同生效到终止的时间跨度。在被保险人正常生存的情况下，保险期间将直接关系到养老金领取的时间长度。目前，定期和终身的养老保险产品都非常之多。
保证领取
养老金是以被保险人生存为给付条件的一种保险，为避免被保险人寿命过短损失养老金的情况，不少养老险都承诺或者的保证领取期。也就是说，若被保险人没有领满10年或20年的保证领取期，其受益人可以继续将保证期内的余额领取完毕。
[养老保险怎么领取]
篇4：LBP人脸识别技术
LBP人脸识别技术
摘要：人脸识别作为模式识别领域的重要分支之一，以其不易伪装、识别便捷、较强的用户体验等特点逐渐成为近年来的研究热点，并陆续应用于商业系统以符合大众在安防领域的需求。
关键词：人脸识别;LBP算子;直方图;识别率
1 概述
为了在人脸识别领域得到更好的应用，Ahonen等根据心理学上的研究将人脸进一步划分成不同的区域并赋予不同的权值加以区分，最终取得了良好的识别结果。在这基础上，后续的研究和改进不断出现。文中提出了多尺度区域LBP(MB-LBP)的概念，该方法通过统计区域内的像素均值而非单个像素值得到LBP模式，从而比原有的LBP方法更精确且考虑了更多的宏观信息。
在上述研究的基础上，Tan等人提出了改进的LBP算子的LTP特征。LTP特征的本质是将两单阈值的LBP算子分成双阈值算子并得到上下两个特征，这就能使提取的特征对单个像素点干扰更加稳定。这对基于LBP纹理的人脸识别起到重要作用。本质上，通过不同区域的划分(Multi-block)来组成LBP特征的目的也是尽可能地考虑LBP模式间的位置关系，从而得到更有效的特征。文中提出的Hierarchical Kernel Descriptor的方法通过SIFT、HOG等算子的层级组合得到一组新的特征，即在原有特征层基础上再次特征提取，从而实现大尺度信息提取。因此，应该关注模式间所组成的几何位置关系，即在LBP模式上再提取一层特征，从而以数量的形式反映模式间的几何位置信息。
2 CNCS在VM中的应用
理论上，LBP算子是用于提取图像的边缘和角点信息。显然，这些模式不仅仅只拥有数量关系，其位置的不同也将组合成新的不同的模式或图案，就如同近处看到的图案在远处只能表现为一个像素点，而这些像素点又可以组成新的模式、图案。另一方面，可以把纹理信息分成若干层，较低层的基元形成的某种模式作为较高描述层的次基元，并在一个更高层的描述层次上形成新的模式。因此，不能仅用单个直方图来衡量一个区域的LBP模式。
本文提出了一种新的基于双层LBP的方法，用于提取更多LBP模式之间所具有的几何关系。首先对人脸灰度图像提取LBP特征并得到由该模式组成的图像，从而将特征从像素级提升到区域特征。其次，对LBP模式组成的图像进一步提取LTP算子，从而得到又一组基于LBP模式的特征，用于描述模式间的几何位置关系。通过二者的结合来达到提升识别率的目的。
3 重定义LTP算子
传统的LBP特征实现了从像素级到区域级特征的转变，本文通过双层LBP特征实现对区域特征的进一步描述。LBP特征实现了像素层特征的提取，而第二层的目的是实现LBP层的特征提取，以获得更多的宏观信息。
可以采用与LBP算子相类似的思想，从f1(x，y)提取不同模式之间的关系。通过二值化3×3的区域，可提取出不同模式之间相邻组合关系并统计成直方图。然而，对于灰度值的像素点来说，像素值之间的减法是存在几何意义的，它表示了不同像素点之间的像素差，对图像纹理而言具有物理意义，但对于LBP模式来说，数值只是一种标号，每个标号之间的简单相减不存在任何几何意义。值得注意的是，等号存在一定的物理意义，因此根据这一特性可以将模式数值分成两部分：等于中心点模式和不等于中心点模式。显然，此时两个标号相等意味着两个模式属于同一种模式。但是考虑到像素值可能存在的干扰和误差最终将会影响LBP特征的准确性，对于编码相互接近的LBP模式需要区别对待。如二进制编号11101111的模式和二进制编号为11111111的模式都应该属于同一种模式，因为有极大的'可能是由于第四位的像素干扰所引起的不一致。因此定义运算d(x，y)表示两个模式标号之间的大小关系，当|d(x，y)|≤3时，意味着两个模式是一致的。由此可以根据中心点的模式，将周围模式分为两类，|d(x，y)|≤3及|d(x，y)|>3。这与文提出的LTP有着相类似的分类方式。据此本文重新定义了LTP的算子。本文所定义的LTP算子如式(1)所示：
其中d(x，y)表示两个编码之间差异。上式中的LTP算子也是同样提取基于局部区域的特征，但特征提取的层面不同，体现的是不同模式之间的关系。对LBP模式而言，拥有相同直方图的两幅图像，其实际模式的排列组成方式却可能完全不同。因此，通过LTP模式，能够有效地统计出某一模式周围其他模式的组成，从而得到更丰富的人脸信息。
4 结语
经典的LBP应用都是提取LBP及其他扩展的特征后组成直方图进行识别。由于单个LBP模式直方图只能反映不同模式之间的数量关系，缺少了几何位置信息，所以众多的研究通过多尺度的区域和LBP特征的方式来实现位置信息的融入。然而，这样的做法依然忽视了模式与模式之间的几何信息，模式之上依然可能存在着某些模式。因此，本文提出了一种基于LBP模式的双层LBP的概念，通过重定义的LTP特征，在由LBP模式组成的图像上进一步提取其特征模式从而构成新的特征，最终提到了识别率。实验表明，本文所提出的方法对于基于LBP特征的算法有一定的改善，通过重定义的LTP特征，能够在一定程度上提取模式间的几何位置关系，增加人脸识别的有效信息。
参考文献：
[1]A.Pentland. Looking at people： sensing for ubiquitous andwearable computing. IEEE Transaction on Pattern Analysis and Machine Intelligence，， 22(1)：107-119.
[2]T. Kanade， Picture processing system by computercomplex and recognition of human faces， Ph.D.dissertation， Kyoto University， 1973.
[3]H.Chan， W.W. Bledsoe. A man-machine facial recognition system： some preliminary results. Technical report，Panoramic Research Inc.， 1965.
[4]A.J. Goldstein， L.D. Harmon， A.B. Lesk. Identificationof human faces. Proceedings of the IEEE，1971，59(5)：748-760.
篇5：人脸识别技术论文
有关人脸识别技术论文
摘要：人脸识别技术(Face Recognition Technology，FRT)是近年来模式识别、图像处理以及计算机视觉等领域的熟点研究课题之一。本文重点对现有的人脸检测与识别方法及研究进行总结，分析和比较各种识别方法优缺点，讨论了其中的关键技术及发展前景。
关键词;人脸识别 人脸检测 特征提取
中图分类号：TP391.4 文献标识码：A 文章编号：1674-098X(2008)ll(a)-0004-02
1引言
随着计算机的普及和应用，对个人身份的自动鉴定提出了越来越多的要求。虽然，已经存在一些相当可靠的身份验证方法如指纹，虹膜识别等，但是这些方法都需要参与者的某种程度的合作，而人脸识别则无须参与者太多的合作，而且具有直接、友好、方便的特点，是进行身份确认最自然直接的手段。人脸识别技术(Face Recognition Technology，FRT)就是用计算机对人脸图象进行特征提取和识别的模式识别技术。同时，它融合计算机图形学、模式识别、图象处理、计算机视觉和人工智能等多个学科的理论和方法。
2技术发展和研究现状
人脸识别研究发展大致可分为三个阶段：第一阶段主要研究人脸识别所需要的面部特征，这一阶段工作的特点是识别过程全部依赖于操作人员。第二阶段是人机交互识别阶段。用几何特征参数来表示人脸正面图像：Goldstion.Harmon和Lesk用21维特征矢量表示了人脸面部特征，并设计了基于这一特征表示法的识别系统;也有采用统计识别的方法的研究者：用欧式距离来表征人脸特征，如嘴唇和鼻之间的距离，嘴唇的高度等。这类方法需要利用操作员的先验知识，需要人的干预。第三阶段才是真正的机器自动识别阶段。随着高速度性能计算机的发展，人脸识别方法有了较大的突破，提出了多种机器全自动识别系统。我国人脸识别技术的研究虽然起步较晚，但发展较快。中国科学院计算技术研究所，清华大学，东南大学，上海交通大学，复旦大学等，都已取得了一定成果。
3广泛应用的人脸检测与识别算法
3.1基于可视特征的方法
基于可视特征的方法主要是利用从人脸的表观特征总结出来的先验知识，使用规则来描述人脸的几何分布、颜色、纹理等可见特征，从而作为人脸检测和识别的依据。
3.1.1几何特征
人脸的几何特征包括脸型特征以及五官在脸上分布的几何特征。提取特征时往往要用到人脸结构的一些先验知识。识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，本质上是特征矢量之间的匹配，其分量通常包括人睑指定两点间的欧式距离、曲率、角度等。基于几何特征的识别方法比较简单、容易理解，但没有形成统一的特征提取标准;从图像中抽取稳定的特征较困难，特别是特征受到遮挡时;对较大的表情变化或姿态变化的鲁棒性较差。几何特征还可能由于光照、表情、遮挡等原因而被破坏，另外由人脸阴影所形成的边缘可能对几何特征的边缘带来不良影响。
3.1.2纹理特征
和指纹相似，每张人脸都有其特殊纹理特性，可以基于SGLD(空间灰度依赖矩阵)建立由一组不等式组成的人脸纹理模型，实现人脸检测与定位。
3.1.3颜色特征
目前已有RGB，HSV(HSI)，YCrCb，YIQ，YES，CIE等颜色空间被用于标记人脸的肤色。肤色算法有如下的优点：(1)可以在普通工作站上以帧速率来实现人脸区域分割,(2)肤色分割算法没有使用特殊的脸部特征，因此头部方向和姿态的变化不会影响对于肤色区域的确定;(3)允许被跟踪对象自由活动，减少对环境的限制。但是由于光源的颜色以及光照的角度不同所造成的高亮和阴影等诸多因素的影响，利用颜色分割人脸仍然一个非常困难的问题。
3.2基于模板的方法
很多人脸检测系统是基于模板的，模板匹配的方法主要是通过计算模板和图像之间的相关性来实现识别功能。
3.2.1通用模板匹配
在模板匹配中，人脸标准模板由人工来定义。对于输入图像，分别计算标准模板中的脸部轮廓，眼睛，鼻子等的相关值，由相关程度来决定人脸的存在。这种方法的特点是实现起来比较简单，但是模板匹配方法在很多场合并不适用，因为简单的模板不能适应尺寸、姿态和形状的变化。因而实际应用中多数采用多分辨率、多尺度、多子模板和可变形模板实现模板匹配，以增加适应性和准确性。
3.2.2可变形模板匹配
可变形模板法可以说是几何特征方法的改进，其基本思想是：设计参数可调的器官模型，即可变形模板，定义一个能量函数，通过调整模型参数使得能量函数最小化，此时的模型参数即为对象的.几何特征。可变形模板方法存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数的优化过程十分耗时，难以实际应用。
3.3基于子空间方法
常用的线性子空间方法有：本征子空间、区别子空间、独立分量子空间等。此外，还有局部特征分析法、因子分析法等。这些方法也分别被扩展到混合线性子空间和非线性子空间。
3.4基于机器学习的方法
在基于几何特征的方法和基于模板的方法中，人脸的特征都是由专家预先定义好的.而在基于机器学习的方法中，人脸的特征或类别是利用统计分析和机器学习的技术从样本中学习来的。学习所得的人脸特征或类别存在于由各种算法所保证的分布规律、模型和判别函数中，并被用于人脸的检测和识别中。
3.4.1神经网络方法(ANN)
神经网络技术(ANN，Artificial Neural Networks)作为一类模式识别方法近年来发展迅速。神经网络可视为大量相联的简单处理器(神经元)构成的大规模并行计算系统。神经网络具有学习复杂的非线性输入输出关系的能力，对于模型和规则的依赖性较低，可以利用训练过程来适应数据。神经网络识别法是将人脸直接用灰度图(二维矩阵)表征，利用了神经网络的学习能力及分类能力。这种方法的优势在于保存了人脸图像中的材质信息及细微的形状信息，同时避免了较为复杂的特征提取工作。而且，由于图像被整体输入，符合格氏塔(Gestalt)心理学中对人类识别能力的解释。基于神经网络的方法的特点是信息处理方式是并行而非串行，并且信息编码的存储方式是分布式。
3.4.2支持向量机(SVM)
支持向量机(SVM，Support Vector Machines)是一类新型的基于统计的机器学习方法。由于其出色的学习性能，该技术已经成为机器学习领域的研究热点。SVM分类器是一种线性分类器，它选择可分离的超平面，以使不可见的测试模式的预知分类错误最小，目的是使期望总体误差的上边界最小。它是基于结构风险最小化原理的方法，较之于基于经验风险最小化的人工神经网络，一些难以逾越的问题，如模型的选择和过学习问题、非线性和维数灾难问题、局部极小点问题等都得到了很大程度的解决。
3.4.3贝叶斯方法(Bayes)
贝叶斯决策方法是统计模式识别中的一个基本方法。将两幅图像灰度差4 =Ij-Ik作为模式矢量，当其中的人脸属于同一个人时?
4为类内模式妇，，属于不同人时为类间模式以。。采用最大后验概率准则能够较好的解决此类模式分类问题。不过，人脸识别不同于一般的模式分类，不仅要判断待检测图像x与数据库中的图像Y是属于类内模式还是属于类间模式，还要判断图像x与图像Y是否属于同一个人。如果判断出X与数据库中的多个lr都属于同一个人，则还需要进一步判断哪一对匹配最好。因此，该问题具有较高的复杂性。
3.4.4隐马尔科夫模型(HMM)
隐马尔可夫模型是用于描述信号统计特性的统计模型。HMM使用马尔可夫链来模拟信号统计特征的变化，而这种变化是间接的通过观察序列来描述的，因此，隐马尔可夫过程是一个双重的随机过程。其中之一是马尔可夫链，这是基本随机过程，它描述状态的转移。另一个随机过程描述状态和观测值之闻的统计对应关系。在HMM中，节点表示状态，有向边表示状态之间的转移，一个状态可以有特征空间中的任意特征，对同一个特征，不同状态表现出这一特征的概率不同。由于HMM是一个统计模型，对于同一特征序列，可能会对应许多状态序列，特征序列与状态序列之间的对应关系是非常正确的。
4展望
目前的各种人脸识别技术方法都有各自优缺点，因此，许多人倾向于将多种方法综合起来运用。并且，人脸识别是人脸视觉的独特过程，因此必须结合生理学和心理学的研究成果。同时，如何与其他生物特征识别结合以提高识别率也是今后研究的方向。我们相信随着计算机技术和生物识别技术的发展，以及人脸的检测与识别技术的不断完善，在不远的将来，一套准确而高效的人脸检测与识别系统就会呈现在我们的面前。
参考文献
[l]周德龙，张晓华，刘博等.JDL大规模人脸图像数据库介绍[A].生物识别研究新进展(2)[C].北京：清华大学出版社，2003:118-120.
[2]肖冰，王映辉，人脸识别研究综述[J].计算机应用研究，2005，8(1):1-5.
[3]陈锻生，刘政凯.肤色检测技术综述[J].计算机学报，2006，29(2):194-203.
[4]边肇祺，张学工.模式识别(第2版)[M].北京：清华大学出版社，2000:1-50.
[5]赵慧琳，王林泉，葛元.人脸图像定位与标准化算法[J].计算机工程，2003，29(22):158-160.
[6]樊振萍.人脸检测与识别技术综述[J].电脑知识与技术，2008，07(5):1292-1295.
