人脸识别技术研究解读.docx
- 文档编号:8792811
- 上传时间:2023-05-15
- 格式:DOCX
- 页数:55
- 大小:703.46KB
人脸识别技术研究解读.docx
《人脸识别技术研究解读.docx》由会员分享,可在线阅读,更多相关《人脸识别技术研究解读.docx(55页珍藏版)》请在冰点文库上搜索。
人脸识别技术研究解读
人脸识别技术研究
1引言
1.1选题背景
目前,在个人身份鉴别中主要依靠ID卡和密码等传统手段,这些传统手段的安全性能较低,且都是基于,“WhatheDossesseS或“Whatheremembers'
的简单身份鉴别,离真真意义上的身份鉴别“Whoheis”还相差甚远。
依靠传统
方法来确认个人身份越来越不适应现代科技的发展和社会的进步。
生物特征识别
技术给可靠的身份鉴定带来了可能。
最近,国际生物特征组织(IBG)对生物特征
识别技术做了较详细的市场分析和预测,其结果显示,全球生物特征识别技术
2014年的产值约为69亿美元,预计到2016年将超过93亿美元,市场潜力非常
巨大,。
生物识别技术是指利用一个人特有的生理和行为特征进行自动的身份认证。
只有满足以下几个条件的生理或行为特征才能被用做生物识别特征
1)普遍性。
即每个人都要具备这种特征。
2)唯一性。
即不同的人应该具备不同的这种特性。
3)持久性。
即这种特征不随时间地点的改变而变化。
4)可采集性。
即该特征可以被定量地测量。
研究和经验表明,人脸、指纹、手型、掌纹、虹膜、视网膜、签名、声音等都满足这些条件,可以用于识别人的身份。
基于这些特征,人们发展了人脸识别、指纹识别、语音识别、虹膜识别等多种生物识别技术。
在所有的生物特征识别技术中,利用人脸特征进行身份识别是最自然、最直接和最友好的于段。
与其它生物特征识别技术相比,人脸的获取非常容易,几乎可以在被采集对象无意识的状态
F获取人脸图像,这样的取样方式没有“侵犯性”。
人脸识别技术是种重要的生物特征识别技术,应用非常广泛。
人脸是自然界存在的一种特殊的复杂视觉模式,它包含及其丰富的信息。
首先,人脸具有一定的不变性和唯一性,人脸识别是人类在进行身份确认时使用最为普遍的一种方式,人脸图像还能够提供一个人的性别、年龄、种族等有关信息。
其次,人脸也
具有多样的变化能力,从人脸的不同表情人们可以感知到一个人的情绪、感受、甚至秉性和气质。
它无需特殊的采集设备,系统的成本低,而且自动人脸识别的使用非常自然,可以在被识别对象毫无察觉的情况下进行,是种非常受使用者欢迎的方式。
虽然人类在表情、年龄或发型等发生巨大变化的情况下,可以毫不费力地以人脸来识别某人,但要建立一个能够完全自动进行人脸识别的系统却是非
常困难的,诸多因素使得人脸识别研究成为一项极其挑战性的课题.它牵涉到模式识别、图像处理、计算机视觉、生理学、心理学、以及认知科学等方面的诸多知识,并与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。
与指纹、视网膜、虹膜、基因、掌形等其它生物特征识别系统相比,人脸识别具有直接、友好、方便和非接触等许多优点,多年来一直受到许多研究者的关注。
人脸识别研究,起源于19世纪末法国人SirFranisGahon的工作。
至U20世
纪90年代,开始作为一个独立学科快速发展起来。
人脸识别研究的发展大致分成三个阶段第一阶段是以Allen和Parke为代表,主要研究人脸识别所需要的面
部特征。
研究者用计算机实现了较高质量的人脸灰度模型。
这阶段的工作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式识别阶段,其中用几何特征参数来表示人脸正面图像是以Harmon和Lesk为代表,将人脸面部特征用多
维特征矢量表示出来,并设计了基于这一特征表示法的识别系统。
而以Kaya和
Kobayashi为代表,则采用了统计识别的方法、用欧氏距离来表示人脸特征,这两类方法都摆脱不了人的干预。
第三阶段是真正的机器自动识别阶段,近十余年来,随着高速度高性能计算机的发展,人脸模式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,人脸识别技术进人了实用化阶段。
如Eyematic公
司研发的人脸识别系统。
我国清华大学的“十五”攻关项目《人脸识别系统》也通过了由公安部主持的专家鉴定。
人脸识别有着广泛的应用领域
(1)在安全防范领域中的应用。
社会上有许
多重要的部门,如军事、金融、保密等部门都需要对出入人员进行身份识别,以防止信息泄漏和不法现象的发生。
使用该技术可以方便地进行身份识别,而不使被识别者感到不舒服。
(2)在犯罪刑侦领域中的应用。
在刑侦工作中,对罪犯的抓捕是至关重要的一环。
应用人脸识别技术可以依据犯罪嫌疑人的人脸图像对机
场、车站、港口等重要交通场所进行监控,从而大大促进了罪犯抓捕工作的开展。
(3)在公共事业领域中的应用。
在现代社会,许多领域都需要对人进行身
份验证。
如银行、保险、交通等公工事业部门。
采用传统的密码、IC卡等手段
和技术对人进行身份验证具有安全性差,易遗失、易伪造等缺点。
而采用人脸识
别技术进行身份验证则能够很好地克服传统身份验证手段和技术的缺点。
因此成熟的人脸识别技术不但具有极大的学术研究价值,而且具有广泛的社会需求和市场领域。
一个成功的具有商用价值的人脸识别系统必将对现实社会带来极大的影响。
当前,人脸识别己成为计算机视觉、模式识别和人工智能等领域的一个研究热点。
我们有理由相信,随着技术的不断发展,人脸识别技术将不断完善,并得到更为广泛的应用。
1.2论文的研究历史背景及目的
近年来,由于视频监控,人机交互和视频检索等应用的需求,视频中的人
检测研究得到迅速发展。
视频中人脸检测可以划分为三个环节:
先提取视频文件
中的帧,对图像进行人脸检测,再还原成视频,完成视频中人脸的检测。
人脸检测最初来源于人脸识别。
是指对于任意一副给定的图像,采用一定的策略对其进行搜索以确定其中是否含有人脸,如果是则返回一脸的位置、大小和姿态,并把有人脸的地放识别出来。
早期,人脸检测技术主要服务于人脸识别课题的研究;但是,随着生物识别技术的快速发展,入脸检测技术己经被广泛的应用于其它相关领域,产生一定的商业价值。
例如:
国家军事、安全系统验证、视频会议、人机智能交,各类金融卡、身份验证等等方面具有重要的应用价值,所以,现在人们有许多人对人脸识别越来越重视了。
人脸检测的研究同时也具有非常重要的的学术价值,人脸是一类具有相当复
杂的细节变化的自然结构目标,对此类目标的挑战性在于:
人脸由于外貌、表情、肤色等不同,具有模式的可变性;一般意义下的人脸上,可能存在眼镜、胡须等
附属物;作为三维物体的人脸影像不可避免地受由光照产生的阴影的影响。
因此,
如果能够找到解决这些问题的方法,成功地构造出人脸检测系统,将为解决其他类似的复杂模式的检测问题提供重要的启示。
人脸检测的目的是检测一张图像是否由人脸,如果有人脸,就把它从图像背景中分离出来,然后对特征进行人脸识别。
而在视频中的人脸检测在信息处理中,已经成为是一项相当难突破的技术,越来越受到计算机视觉界的广泛关注,作为这个有价值课题,已经渗透到各不同领域中。
1.3国内外研究现状
三维人脸识别越来越受到研究人员的重视。
国内外都兴起了对三维人脸识别技术研究的浪潮。
1.3.1国内进展
在国内,最早研究人脸检测识别的,当属于中科院计算所跟哈工大的一个联合面像实验室。
该实验室的高文教授,陈熙林教授,山世光教授,直到今天,都
一直活跃在人脸识别领域,更可贵的是,在IEEE上面发表了很多paper。
这一
点,很值得国内的同行学习。
后来,该实验室,成为上海银晨的研发中心,专门为上海银晨做技术研发和技术支持。
其次是中科院生物识别研究所的李子青教授,以及下属的中科奥森公司。
李子青教授,当年在微软亚洲研究院的时候,就从事人脸识别方面的研究工作。
后来,在中科院组建了专门的人脸识别研究团队。
该研究团队,首先提出了基于近红外的人脸识别技术,并将该项人脸识别技术用于08年北京奥运会。
同时,基于近红外的人脸识别技术,得到了国际上同行业专家的认同和一致肯定。
接着,是清华大学的丁晓青教授。
丁晓青教授在OCR字符识别)领域,可谓国内第一人。
不过,最近几年转行做人脸识别,也是非常有成就的。
不说别的,就只从FRVT2006(美国国家标准研究所2006年全球人脸识别供应商系统性能测试)的测试结果来看,丁晓青教授的研究团队是唯一一个完成大规模3D人脸识别性能测试的参赛团队。
由此可见,在国内人脸识别领域来说,她们的算法,在3D领域,绝对排名第一。
1.3.2国外进展
国外主要有美国、欧洲国家、日本等著名的科研机构有美国的MIT和CMU
英国的剑桥大学。
在人脸识别领域中,国际上逐步形成了一下几个研究方向:
于几何特征的方法、基于肤色模型的方法、基于模板匹配的方法、基于KL变换
的特征脸方法、基于隐马尔可夫模型的方法和神经网络识别的方法等等。
它们可以被归类到基于显式特征和基于隐式特征的两大类方法中。
发展至今,人脸识别的方法越来越多,最有代表的是基于Haar特征的人脸识别方法是其中较为典型的方法,该算法不仅具有较高的检测率,同时也能够满足实时检测的要求。
基于Haar特征的人脸识别方法始于2001年PaulViola和
MichaelJones两者撰写的一篇论文,他们在论文中提出了Haar特征和Adaboost
算法,并利用它们进行人脸检测。
但是此方法只能用于检测正面无旋转的人脸。
为此,RainerLienhart等人于2002年对此方法进行了扩展,增加了倾斜特征
的定义,此后此方法被扩展到全旋转缩放情况下的人脸检测。
自从以上几位学者运用基于Haar特征和Adaboost算法进行人脸检测取得长足进步之后,基于Haar特征的人脸检测方法备受专家学者的青睐,国内外相关内容的研究成果也是层出不穷。
1.4本文的主要工作
本文是在人脸特征库的基础上做人脸特征提取和识别研究,主要内容分为
四章,分别如下:
(1)第一章:
主要介绍了本文的历史背景,着重介绍了人脸检测技术的研
究现状以及国内外研究现状,并明确了本文的工作内容和章节安排。
(2)第二章:
主要分析几种主流的人脸识别算法和每种算法的优点和劣势,
本文在这里主要介绍了三种即:
基于几何特征的方法、基于模板的方法和基于模型的方法。
1.基于几何特征的方法是最早、最传统的方法,通常需要和其他算法结合
才能有比较好的效果;2.基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方
法等。
3.基于模型的方法则有基于隐马尔柯夫模型,主动形状模型和主动外观模型的方法等。
第三章:
本章针对光照不均问题,提出了基于球面谐波基图像的光
照补偿算法,
用以在任意光照条件下进行人脸识别。
算法份两步进行:
光照估计和光照补偿。
(4)
第四章:
基于几何特征的人脸识别并利用几何特征的方法实现人脸特征识别。
2人脸识别算法分析
主流的人脸识别技术基本上可以归结为三类,即:
基于几何特征的方法、基于模板的方法和基于模型的方法。
基于几何特征的方法是最早、最传统的方法,通常需要和其他算法结合才能有比较好的效果;2.基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。
3.基于模型的方法则有基于隐马尔柯夫模型,主动形状模型和主动外观模型的
方法等。
2.1基于几何特征的方法
人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别,因此对这些部件的形状和结构关系的几何描述,可以做为人脸识别的重要特征。
几何特征最早是用于人脸侧面轮廓的描述与识别,首先根据侧面轮廓曲线确定若干显著点,并由这些显著
点导出一组用于识别的特征度量如距离、角度等。
Jia等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。
采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究,结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进,其基本思想是:
设计一个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能量函数最小化,此时的模型参数即做为该器官的几何特征。
这种方法思想很好,但是存在两个问题,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,二是能量函数优化过程十分耗时,难以实际应用。
基于参数的人脸表示可以实现对人脸显著特征的一个高效描述,但它需要大量的前处理和精细的参数选择。
同时,采用一般几何特征只描述了部件的基本形状与结构关系,忽略了局部细微特征,造成部分信息的丢失,更适合于做粗分类,而且目前已有的特征点检测技术在精确率上还远不能满足要求,计算量也较大。
2.2局部特征分析方法
主元子空间的表示是紧凑的,特征维数大大降低,但它是非局部化的,其核函数的支集扩展在整个坐标空间中,同时它是非拓扑的,某个轴投影后临近的点与原图像空间中点的临近性没有任何关系,而局部性和拓扑性对模式分析和分割是理想的特性,似乎这更符合神经信息处理的机制,因此寻找具有这种特性的表达十分重要。
基于这种考虑,Atick提出基于局部特征的人脸特征提取与识别
方法。
这种方法在实际应用取得了很好的效果,它构成了Facelt人脸识别软件
的基础。
2.3特征脸方法
特征脸方法是90年代初期由Turk和Pentland提出的目前最流行的算法之
,具有简单有效的特点,也称为基于主成分分析(principalcomponent
特征子脸技术的基本思想是:
从统计
analysis,简称PCA的人脸识别方法。
的观点,寻找人脸图像分布的基本元素,即人脸图像样本集协方差矩阵的特征向
量,以此近似地表征人脸图像。
这些特征向量称为特征脸(Eigenface)。
实际上,特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。
将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇,统称特征子脸。
特征子脸在相应的图像空间中生成子空间,称为子脸空间。
计算出测试图像窗口在子脸空间的投影距离,若窗口图像满足阈值比较条件,则
判断其为人脸。
基于特征分析的方法,也就是将人脸基准点的相对比率和
其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量,这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系,而且也保留了各部件本身的信息,而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。
现在Eigenface(PCA)算法已经与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法;而自1991年特征脸技术诞生以来,研究者对其进行了各种各样的实验和理论分析,FERET'96测试结果也表明,改进的特征脸
该方法是
算法是主流的人脸识别技术,也是具有最好性能的识别方法之一0
先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性,然后再计算出它们的几何特征量,而这些特征量形成一描述该面像的特征向量。
其技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。
”这种算法是利用
人体面部各器官及特征部位的方法。
如对应几何关系多数据形成识别参数与
数据库中所有的原始参数进行比较、判断与确认。
Turk和Pentland提出特征脸
的方法,它根据一组人脸训练图像构造主元子空间,由于主元具有脸的形状,也
称为特征脸,识别时将测试图像投影到主元子空间上,得到一组投影系数,和各个已知人的人脸图像比较进行识别。
Pentland等报告了相当好的结果,在200个人的3000幅图像中得到95%的正确识别率,在FERET数据库上对150幅正面人脸象只有一个误识别。
但系统在进行特征脸方法之前需要作大量预
处理工作如归一化等。
在传统特征脸的基础上,研究者注意到特征值大的特
征向量(即特征脸)并不一定是分类性能好的方向,据此发展了多种特征(子空间)选择方法,如Peng的双子空间方法、Weng的线性歧义分析方法、Belhumeur
的FisherFace方法等。
事实上,特征脸方法是一种显式主元分析人脸建模,一些线性自联想、线性压缩型BP网则为隐式的主元分析方法,它们都是把人脸表
示为一些向量的加权和,这些向量是训练集叉积阵的主特征向量,Valentin对
此作了详细讨论。
总之,特征脸方法是一种简单、快速、实用的基于变换系数特
征的算法,但由于它在本质上依赖于训练集和测试集图像的灰度相关性,而且要求测试图像与训练集比较像,所以它有着很大的局限性。
基于KL变换的特征人脸识别方法基本原理:
KL变换是图象压缩中的一种最优正交变换,人们将它用于统计特征提取,从而形成了子空间法模式识别的基础,若将KL变换用于人脸识别,则需假设人脸处于低维线性空间,且不同人脸具有可分性,由于高维图象空间KL变换后可得到一组新的正交基,因此可通
过保留部分正交基,以生成低维人脸空间,而低维空间的基则是通过分析人脸训练样本集的统计特性来获得,KL变换的生成矩阵可以是训练样本集的总体散布矩阵,也可以是训练样本集的类间散布矩阵,即可采用同一人的数张图象的平均来进行训练,这样可在一定程度上消除光线等的干扰,且计算量也得到减少,而识别率不会下降。
2.4基于弹性模型的方法
Lades等人针对畸变不变性的物体识别提出了动态链接模型(D
LA),将物体用稀疏图形来描述(见下图),其顶点用局部能量谱的多尺度描述
来标记,边则表示拓扑连接关系并用几何距离来标记,然后应用塑性图形匹
配技术来寻找最近的已知图形。
Wiscott等人在此基础上作了改进,用F
ERET图像库做实验,用300幅人脸图像和另外300幅图像作比较,准确率
(x,y)建模为可变形的3D网格表面(x,y,I(x,y))(如下图所示),
从而将人脸匹配问题转化为可变形曲面的弹性匹配问题。
利用有限元分析的方法进行曲面变形,并根据变形的情况判断两张图片是否为同一个人。
这种方法的特
点在于将空间(X,y)和灰度I(x,y)放在了一个3D空间中同时考虑,实验表明识别结果明显优于特征脸方法。
Lanitis等提出灵活表现模型方法,通过自动定位人脸的显著特征点将人脸编码为83个模型参数,并利用辨别分析的
方法进行基于形状信息的人脸识别。
弹性图匹配技术是一种基于几何特征和对灰
的结构和灰度分布信息,而且还具有自动精确定位面部特征点的功能,因而具有良好的识别效果,适应性强识别率较高,该技术在FERET测试中若干指标名列前茅,其缺点是时间复杂度高,速度较慢,实现复杂。
2.5其它方法
除了以上几种方法,人脸识别还有其它若干思路和方法,包括一下一些:
1)隐马尔可夫模型方法(HiddenMarkovModel)2)Gabor小波变换+图形匹配
(1)
精确抽取面部特征点以及基于Gabor引擎的匹配算法,具有较好的准确性,能够
排除由于面部姿态、表情、发型、眼镜、照明环境等带来的变化。
(2)Gabor滤
波器将Gaussian网络函数限制为一个平面波的形状,并且在滤波器设计中有优先方位和频率的选择,表现为对线条边缘反应敏感。
(3)但该算法的识别速度很慢,只适合于录象资料的回放识别,对于现场的适应性很差。
人脸等密度线分析匹配方法
(1)多重模板匹配方法该方法是在库中存贮若
干标准面像模板或面像器官模板,在进行比对时,将采样面像所有象素与库中所
DiscriminantAnalysis,LDA(3)本征脸法
本征脸法将图像看做矩阵
具有无需提取眼嘴鼻等
计算本征值和对应的本征向量作为代数特征进行识别
几何特征的优点,但在单样本时识别率不高,且在人脸模式数较大时计算
量大(4)特定人脸子空间(FSS)算法该技术来源于但在本质上区别于传统的"
特征脸"人脸识别方法。
"特征脸"方法中所有人共有一个人脸子空间,而该方法
则为每一个体人脸建立一个该个体对象所私有的人脸子空间,从而不但能够更好
的描述不同个体人脸之间的差异性,而且最大可能地摈弃了对识别不利的类内差异性和噪声,因而比传统的"特征脸算法"具有更好的判别能力。
另外,针对每个待识别个体只有单一训练样本的人脸识别问题,提出了一种基于单一样本生成多个训练样本的技术,从而使得需要多个训练样本的个体人脸子空间方法可以适用于单训练样本人脸识别问题。
(5)奇异值分解(singularvaluedecomposition.
简称SVD是一种有效的代数特征提取方法.由于奇异值特征在描述图像时是稳
定的,且具有转置不变性、旋转不变性、位移不变性、镜像变换不变性等重要性质,因此奇异值特征可以作为图像的一种有效的代数特征描述。
奇异值分解技术已经在图像数据压缩、信号处理和模式分析中得到了广泛应用
在本文中,主要选择基于几何特征的方法,这种方法最容易理解同样编写起来的难度也相对较小,但是为了弥补几何特征法对于光照和表情等变化的适应性,本文又探究了现在比较主流的,基于球面谐波基的人脸光照补偿算法,并将其运用到系统的设计中去,提高系统对人脸的识别率。
3光照对人脸识别影响的研究
人脸识别经过近40年的发展,对于均匀光照下的中性表情的证明人脸图像
起识别率已经很高,然而在一些更加复杂的情况下,现有的多数系统的识别性能还是受到光照变化的影响特别大,这是因为当人脸的光照发生变化时候,人脸图像的外观也会随之发生很大的变化。
本章针对这个问题,提出了基于球面谐波基图像的光照补偿算法,用以在任意光照条件下进行人脸识别。
算法份两步进行:
光照估计和光照补偿。
3.1基于球面谐波基图像的人脸图像光照估计
球面谐波子空间理论表明,在各向同性远光源假设条件下,朗伯凸表面的任意图像均可表示为该凸表面9个球面谐波基图像的线性组合,这9个线性组合的系数反映了该图像拍摄时的光照情况。
而对于任意给定的2D图像,如果能够估
计出对象的3D形状和表面反射系数,则可以解析地计算出9个球面谐波基图像,然后就可以通过最小二乘法解出9个光照系数。
本节首先简单介绍球面谐波子空间理论,然后给出粗略估计人脸3D形状和表面反射属性进而计算给定人脸球面
谐波基图像的策略,最后给出了基于最小二乘的光照系数估计方法。
3.1.1球面谐波基图像模型
本章的工作是基于Basri等[1]和Ramamoorthi[2]提出的球面谐波理论而
发展出来的,因此本节首先简单介绍球面谐波基图像模型。
E(aP)=bL(%ei)cos&dQ
假设物体为朗伯凸表面,光源为各向同性远光源,则其辐照度aP'.,''
bL(R(q,q))cosqg
(2-1)
其中(S3)为表面法线方向的球坐标表示,L为入射光场,积分区间0为物体表
面法线方向的上半球,R",3为一个旋转操作,将局部坐标◎理i)转换成全局坐
式(2-1)实际上是一个旋转卷积,因此很适合在空间频域中分析。
球面上的信号处理工具为球面谐波函数,类似2D平面上的傅立叶级数。
朗伯表面的反射方程
在空域中积分区域很大(上半球),根据Heisenberg测不准原理,则其在频域中
定局限在低频范围('二0,1,2)。
因此辐照度E在频域中用球面谐波函数展开为
2l
Eg,P)止送ZAlLmYlm(sp)
(2-2)
[1,2]。
假设人脸为朗伯凸表面,用入(X,y)表示人脸图像中某点(X,y)的反射率,
9(x,y),P
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 识别 技术研究 解读