（1）獲取已知行為型別的影象；
（2）對影象進行卷積計算和最大池化計算，並提取出用於表示影象特徵的特徵資料；
（3）將影象的特徵資料與對應的行為型別輸入到預搭建的神經網路模型中；
（4）對特徵資料按照對應的行為型別進行分類；
（5）重複步驟（1）-（4），直到滿足訓練結束條件。
1.2.1.2 操作人員工作軌跡模型的建立
利用特徵臉提的取方式，尋找人臉影象分布的基本元素，即人臉影象樣本集協方差矩陣的特徵向量，以此近似地表徵人臉影象。實際上，特徵臉反映了隱含在人臉樣本集合內部的資訊和人臉的結構關係。將眼睛、面頰、下頜的樣本集協方差矩陣的特徵向量稱為特徵眼、特徵頜和特徵唇，統稱特徵子臉。特徵子臉在相應的影象空間中生成子空間，稱為子臉空間。計算出測試影象視窗在子臉空間的投影距離，若視窗影象滿足閾值比較條件，則判斷其為人臉。當活動的人臉通過攝像頭捕捉後，系統自動提取其特徵與資料庫中的人臉做對比，從而統計出相應人員出現於質檢區域頻次的資料資訊。
1.2.1.3「員工畫像」模型的建立
在收集到員工工作區域行動軌跡、行為狀態的資料後，首先將資料劃分為：質檢區域頻次、質量檢查頻次、更換輔料頻次、在崗時長等資料標籤，利用機器學習建立員工行為模型，實現員工行為的數學建模，以繪製「員工畫像」。這個階段注重的應是大概率事件，需通過數學演算法模型盡可能地排除員工的偶然行為。
1.2.2 研究方法
(1) 文獻分析法。對國內外人臉識別、姿態識別、神經網路等相關技術文獻進行深入的分析、歸類與整理。
(2) 定量分析法。運用神經網路量化操作人員工作狀態，以得到的資料繪製員工畫像。
1.2.3 技術路線
人臉識別技術路線圖
操作人員行為分析技術路線圖
員工畫像技術路線圖
1.3本章小結
2.1人臉識別技術
2.1.1 人臉識別技術理論基礎
主流的人臉識別技術基本上可以歸結為三類，即：基於幾何特徵的方法、基於模板的方法和基於模型的方法。
基於幾何特徵的方法是最早、最傳統的方法，通常需要和其他演算法結合才能有比較好的效果：人臉由眼睛、鼻子、嘴巴、下巴等部件構成，正因為這些部件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別，因此對這些部件的形狀和結構關係的幾何描述，可以做為人臉識別的重要特徵。幾何特徵最早是用於人臉側面輪廓的描述與識別，首先根據側面輪廓曲線確定若干顯著點，並由這些顯著點匯出一組用於識別的特徵度量如距離、角度等。jia 等由正面灰度圖中線附近的積分投影模擬側面輪廓圖是一種很有新意的方法。
基於模板的方法可以分為基於相關匹配的方法、特徵臉方法、線性判別分析方法、奇異值分解方法、神經網路方法、動態連線匹配方法等：主元子空間的表示是緊湊的，特徵維數大大降低，但它是非區域性化的，其核函式的支集擴充套件在整個座標空間中，同時它是非拓撲的，某個軸投影後臨近的點與原影象空間中點的臨近性沒有任何關係，而區域性性和拓撲性對模式分析和分割是理想的特性，似乎這更符合神經資訊處理的機制，因此尋找具有這種特性的表達十分重要。基於這種考慮，atick提出基於區域性特徵的人臉特徵提取與識別方法。這種方法在實際應用取得了很好的效果，它構成了faceit人臉識別軟體的基礎。
基於深度學習的NER
命名實體識別 ner 是在自然語言處理中的乙個經典問題，其應用也極為廣泛。比如從一句話中識別出人名 地名，從電商的搜尋中識別出產品的名字，識別藥物名稱等等。傳統的公認比較好的處理演算法是條件隨機場 crf 它是一種判別式概率模型，是隨機場的一種，常用於標註或分析序列資料，如自然語言文字或是生物序列。...
基於深度學習的目標跟蹤
基於深度學習的目標檢測 基於深度學習的目標檢測綜述 目標檢測演算法匯聚 目標檢測演算法總結 10行 實現目標檢測 深度學習目標檢測 綜述 作者的個人理解 一刀流 tensorflow實現的目標檢測 有github 目標檢測演算法簡介，都是文字 內容摘要 r cnn是region based conv...
基於遙感背景的深度學習探索 深度學習簡介（一）
深度學習，我起初對其感覺既陌生又熟悉 陌生的是我完全不懂它背後的數學原理，熟悉是深度學習炒的太火，你不想知道都不可能 換句話說我腦海中沒有建立深度學習的大樹，只有硬生生的 深度學習 這個詞。而本文我想簡單介紹一下我通過學習之後建立起的深度學習的簡單樹，而這個所謂的樹指的是機器學習 深度學習 神經網路...