人臉自動(dòng)定位及其系統(tǒng)實(shí)現(xiàn)

1 引 言

　　人臉的自動(dòng)定位是應(yīng)用視覺(jué)研究領(lǐng)域的一個(gè)重要課題。它首先需要檢測(cè)到人臉的位置和特征點(diǎn)，然后采用一定的控制策略控制攝像機(jī)運(yùn)動(dòng)將人臉定位到圖像的中心。人臉自動(dòng)定位屬于人臉跟蹤的范疇，在人臉識(shí)別、人機(jī)交互、智能視頻通信、監(jiān)視和安全以及娛樂(lè)等領(lǐng)域有著廣泛的應(yīng)用，發(fā)展前景巨大。例如在人臉識(shí)別應(yīng)用中，首先需要獲得符合一定大小的正面清晰人臉；又如在安全監(jiān)控應(yīng)用中，需要對(duì)人的各項(xiàng)特征進(jìn)行有針對(duì)性的監(jiān)視，對(duì)于監(jiān)控對(duì)象的身高、衣著等特征，可以在較模糊圖像中獲得，但是對(duì)人臉部分的特征，卻必須要清晰的圖像才能獲得，因此需要對(duì)人臉做針對(duì)性的監(jiān)控。

　　人臉定位到圖像中心比之人臉跟蹤，主要有以下幾個(gè)區(qū)別：

(1)人臉跟蹤不需要定位人臉到圖像的中心，只需將人臉限定在圖像區(qū)域內(nèi)即可，而人臉定位要求人臉必須在圖像的中心；

(2)人臉跟蹤實(shí)時(shí)性要求很高，人臉運(yùn)動(dòng)速度較快，而人臉定位只是針對(duì)靜止目標(biāo)或目標(biāo)只做小范圍的動(dòng)作。

　　目前人臉自動(dòng)定位圖像中心系統(tǒng)尚不多見(jiàn)，參照人臉跟蹤系統(tǒng)，可知相關(guān)算法主要有兩類：基于目標(biāo)跟蹤的方法、人臉檢測(cè)和目標(biāo)跟蹤算法相結(jié)合的方法?；谀繕?biāo)跟蹤的方法完全依賴于好的運(yùn)動(dòng)目標(biāo)跟蹤算法，從運(yùn)動(dòng)目標(biāo)中找出人臉，沒(méi)有充分利用人臉的特征，因此在人臉跟蹤中很少單獨(dú)使用。人臉檢測(cè)和跟蹤算法相結(jié)合的方法是在基于目標(biāo)跟蹤的方法上，利用人臉的相關(guān)信息(例如膚色、器官分布等)達(dá)到快速跟蹤的目的。在一些典型的約束環(huán)境下(如背景簡(jiǎn)單靜止的視頻、工作臺(tái)前的人臉或頭肩部人臉視頻等)可以取得很好的人臉跟蹤效果。需要說(shuō)明的是，這些方法一般建立在人臉初始位置大致已知的基礎(chǔ)上，需要使用其他方法解決起始幀中人臉的檢測(cè)問(wèn)題，這就增加了系統(tǒng)實(shí)現(xiàn)的難度。

　　目標(biāo)跟蹤的實(shí)現(xiàn)算法主要有3類：幀間變化檢測(cè)法、運(yùn)動(dòng)矢量法和偏移量法。其中幀間變化檢測(cè)法主要適用于靜止背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)，利用相關(guān)幀間的信息恢復(fù)背景并進(jìn)行運(yùn)動(dòng)目標(biāo)的提取。運(yùn)動(dòng)矢量法主要用于運(yùn)動(dòng)背景下的運(yùn)動(dòng)目標(biāo)的檢測(cè)，一般配合卡爾曼濾波器使用。首先建立運(yùn)動(dòng)模型，然后根據(jù)運(yùn)動(dòng)模型得出目標(biāo)點(diǎn)在圖像平面上的位置、速度和加速度的相關(guān)信息，再利用卡爾曼濾波器根據(jù)這些信息預(yù)測(cè)下一幀圖像中目標(biāo)點(diǎn)的位置、速度和加速度等相關(guān)信息，最后將這些預(yù)測(cè)信息反饋給控制設(shè)備驅(qū)動(dòng)攝像機(jī)運(yùn)動(dòng)，從而將運(yùn)動(dòng)目標(biāo)定位在圖像中心。以上2種方法主要針對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤，都需要利用幀間信息，計(jì)算量偏大。而偏移量法則是首先通過(guò)圖像預(yù)處理方法檢測(cè)目標(biāo)位置距圖像中心的偏差(△x，△y)，然后計(jì)算攝像機(jī)的水平調(diào)整量α和垂直調(diào)整量β，根據(jù)調(diào)整量控制攝像機(jī)運(yùn)動(dòng)，從而將目標(biāo)定位在圖像中心。偏移量法的優(yōu)點(diǎn)是算法非常簡(jiǎn)單，缺點(diǎn)是精度低，可拓展性差，不利于今后進(jìn)一步的研究。另外，以上幾種方法在控制攝像機(jī)運(yùn)動(dòng)定位目標(biāo)時(shí)均需要利用攝像機(jī)成像的參數(shù)，而這些參數(shù)需要標(biāo)定。標(biāo)定內(nèi)容包括攝像機(jī)焦距、計(jì)算機(jī)圖像中心坐標(biāo)、像平面單位距離上的像素?cái)?shù)等。由于攝像機(jī)存在著許多畸變，所以標(biāo)定的精度直接影響算法的精度。

　　目前的標(biāo)定方法雖然多種多樣，但是大部分方法都是利用成像幾何性質(zhì)，首先建立一定的模型形式，然后將需要標(biāo)定的各個(gè)參數(shù)分解，分別進(jìn)行計(jì)算。由于攝像機(jī)鏡頭存在著多種非線性失真，所以要得到較高的標(biāo)定精度，計(jì)算方法復(fù)雜而且計(jì)算量大。

　　鑒于此，本文提出一種基于膚色的人臉檢測(cè)和基于人工神經(jīng)網(wǎng)絡(luò)的控制方法相結(jié)合的人臉自動(dòng)定位的方法。首先，采用基于KL膚色的人臉初定位、積分投影法和小灰度值聚類法確定眼球中心的人臉檢測(cè)和特征點(diǎn)獲取的方法檢測(cè)人臉的位置。該方法逐步縮小圖像處理的區(qū)域，檢測(cè)速度快，能夠滿足實(shí)時(shí)性的要求。然后提出一種新的基于人工神經(jīng)網(wǎng)絡(luò)反向傳播算法的目標(biāo)定位圖像中心的控制方法，用來(lái)控制攝像機(jī)快速定位人臉到圖像中心區(qū)域。該方法克服傳統(tǒng)跟蹤算法中需要利用幀間相關(guān)信息和需要標(biāo)定攝像機(jī)的缺點(diǎn)，只需通過(guò)目標(biāo)檢測(cè)程序給出目標(biāo)特征點(diǎn)在計(jì)算機(jī)圖像中的坐標(biāo)，就可直接得出攝像機(jī)水平調(diào)整量和垂直調(diào)整量，根據(jù)調(diào)整量控制攝像機(jī)運(yùn)動(dòng)即可將目標(biāo)自動(dòng)定位在圖像中心。最后通過(guò)VC++編程實(shí)現(xiàn)該系統(tǒng)。該系統(tǒng)主要針對(duì)簡(jiǎn)單背景下單個(gè)靜止正面人臉的定位，但是對(duì)于其他較為復(fù)雜的情況，也有很好的拓展性。

2 人臉檢測(cè)及特征點(diǎn)獲取

2.1 基于KL膚色的人臉初定位

　　本文采用膚色信息進(jìn)行人臉的初定位。人臉具有比較穩(wěn)定的特征，在灰度圖中表現(xiàn)為眉毛、眼睛、鼻子和嘴相對(duì)臉部其他區(qū)域而言灰度要深一些；在彩色圖像中，從顏色上觀察，發(fā)現(xiàn)消除了亮度的影響后，眼睛和眼睛周圍的顏色分布具有很分明的特點(diǎn)，除了眼睛顏色偏黑外，眼睛周圍大部分均為膚色，而且臉頰部分在一般情況下都可成功地將膚色檢測(cè)出來(lái)。在人臉檢測(cè)算法中加入對(duì)膚色信息的運(yùn)用，目的是希望通過(guò)利用膚色信息判斷圖像中的各點(diǎn)像素是否屬于膚色，從而排除非膚色區(qū)域，即不可能存在人臉的區(qū)域，以達(dá)到減小搜索空間、提高人臉檢測(cè)算法的時(shí)間效率、降低誤報(bào)率的作用。由此可見(jiàn)，選擇恰當(dāng)?shù)木垲惪臻g和膚色區(qū)間閾值以確定最終的膚色模型是非常重要的，它將影響到人臉檢測(cè)的正確率和實(shí)用性。

　　經(jīng)過(guò)大量實(shí)驗(yàn)的驗(yàn)證，最終選取KL膚色坐標(biāo)系建立膚色模型。它的特點(diǎn)是通過(guò)采用降維的特征臉空間描述人臉，使得每個(gè)人臉都是特征臉的線性組合，因而能用一組系數(shù)簡(jiǎn)單而完備地表示。這樣，可以將人臉識(shí)別和特征檢測(cè)過(guò)程轉(zhuǎn)換到代數(shù)空間進(jìn)行，這種變換對(duì)于膚色有更好的聚類特性。這里借鑒了文獻(xiàn)[9]中的KL膚色坐標(biāo)系。通過(guò)KL變換，得到其變換矩陣為：

通過(guò)對(duì)4000個(gè)膚色樣本進(jìn)行分析，得出KL膚色過(guò)濾器的閾值為：

　　對(duì)任一待處理彩色圖像，先用式(1)對(duì)其進(jìn)行色彩轉(zhuǎn)換，然后按式(2)的閾值進(jìn)行判斷：在該范圍內(nèi)則置1，否則置0，即可得到過(guò)濾膚色后的二值圖像。在此二值圖像上可實(shí)現(xiàn)人臉的初定位。

2.2 積分投影法確定眼睛區(qū)域

　　在初步獲得人臉區(qū)域后，接下來(lái)的工作就是人臉重心的獲取。由于眼睛在人臉中的重要性，所以把眼睛作為人臉的特征點(diǎn)，兩眼間的中點(diǎn)作為人臉的重心點(diǎn)。具體方法是先采用積分投影的方法確定眼睛區(qū)域，再采用小灰度值聚類法計(jì)算眼球中心。然后根據(jù)人臉的幾何特征即可確定人臉重心，為下一步的自動(dòng)定位做好充分的準(zhǔn)備。

　　眼睛具有明顯的特征。相對(duì)于鼻子、嘴和眉毛而言，眼睛特征較為穩(wěn)定且成對(duì)出現(xiàn)，與周圍區(qū)域具有較強(qiáng)的灰度對(duì)比度。在通常情況下，通過(guò)邊緣檢測(cè)都可以將眼睛提取出來(lái)。選用Robinson算子和Laplacian of Gaussian算子對(duì)圖像進(jìn)行邊緣提取，然后在水平、垂直兩個(gè)方向上對(duì)經(jīng)過(guò)邊緣提取的灰度圖像利用積分投影法產(chǎn)生投影曲線。積分投影法的基本原理如下：設(shè)原圖像I(n，m)大小為N×M矩陣，其中n，m分別為圖像的列、行坐標(biāo)，則水平方向和垂直方向上的積分投影曲線J(n)，I(m)分別定義如式(3)和式(4)所示。垂直投影曲線在眉毛、眼睛、鼻子、嘴巴、下顎等位置上形成駝峰，駝峰的大小和峰值點(diǎn)位置反映了各個(gè)特征部件的大小和形狀信息。根據(jù)J(n)，I(m)的極值點(diǎn)信息及眼睛在人臉中的幾何特性，即可檢測(cè)出眼睛區(qū)域。如圖1所示。圖1中Ⅰ和Ⅱ區(qū)域是水平方向投影的結(jié)果，在其上方做豎直方向投影得A和B區(qū)域，即為眼睛區(qū)域。

2.3 小灰度值聚類法獲取人臉重心

　　確定了眼睛區(qū)域A和B后，在這2個(gè)矩形區(qū)域內(nèi)采用小灰度值聚類法確定眼球中心。聚類的過(guò)程是將圖像中灰度值最小(即顏色最深)的n個(gè)像素按列遞增順序排序，若相鄰的列數(shù)差值都未超過(guò)預(yù)先設(shè)定的門限T1，說(shuō)明只有一個(gè)聚類中心，求出這些像素行列的平均值就是要找的眼球中心點(diǎn)；若超過(guò)了門限T1，說(shuō)明這n個(gè)像素可以聚成2類，對(duì)左眼，因?yàn)殛幱凹性谧筮叄匀∮疫吥穷惖钠骄?；?duì)右眼則取左邊那類的平均值。n的選擇可根據(jù)圖像的總像素?cái)?shù)目及眼球占圖像的大致百分比決定。檢測(cè)結(jié)果如圖2所示。確定了眼睛的位置后，根據(jù)人臉的幾何模型，重心的位置即可確定?？紤]到自動(dòng)定位要求將人臉定位到顯示屏幕的中心，而對(duì)人臉主要感興趣的特征就是眼睛，所以規(guī)定2眼之間的中點(diǎn)即為人臉的重心。

3 基于人工神經(jīng)網(wǎng)絡(luò)的目標(biāo)定位圖像中心方法

　　檢測(cè)到人臉并且獲取人臉重心后，下一步就要定位人臉到圖像的中心了。本文提出一種新的基于人工神經(jīng)網(wǎng)絡(luò)的目標(biāo)定位圖像中心方法。利用人工神經(jīng)網(wǎng)絡(luò)反向傳播算法對(duì)非線性函數(shù)超強(qiáng)的擬合能力，只需通過(guò)目標(biāo)檢測(cè)程序給出目標(biāo)在計(jì)算機(jī)圖像中的坐標(biāo)點(diǎn)，就可直接得出攝像機(jī)水平調(diào)整量α和垂直調(diào)整量β，根據(jù)調(diào)整量控制攝像機(jī)運(yùn)動(dòng)即可將目標(biāo)定位在圖像中心。此外，該方法只需對(duì)圖像中心坐標(biāo)進(jìn)行簡(jiǎn)單的預(yù)標(biāo)定，基本上擺脫了攝像機(jī)標(biāo)定這一繁瑣的步驟。作為目標(biāo)定位的一個(gè)特例，將人臉檢測(cè)程序中計(jì)算出的人臉重心點(diǎn)替換目標(biāo)點(diǎn)，即可完成人臉的自動(dòng)定位圖像中心。下面詳細(xì)介紹這種方法。

　　首先確定攝像機(jī)模型。攝像機(jī)模型就是對(duì)景物成像到圖像平面的物理過(guò)程的一個(gè)數(shù)學(xué)描述，依據(jù)該模型，可以確切地掌握?qǐng)D像所成的幾何關(guān)系。本文采用Pin-hole模型(如圖3所示)，也就是透視投影模型。Pin-hole模型是在計(jì)算機(jī)視覺(jué)中廣泛采用的一類模型，其物理上相當(dāng)于薄透鏡成像，該模型最大的特點(diǎn)是成像關(guān)系是線性的。而且，由于攝像機(jī)的焦距相對(duì)于物距很小，所以無(wú)論是在仿真實(shí)驗(yàn)還是在實(shí)際實(shí)驗(yàn)中，都可以不考慮物距對(duì)精度的影響。在圖3中，C為攝像機(jī)光學(xué)中心，CO′為攝像機(jī)光軸，CO′的距離為攝像機(jī)的焦距f，O′u′v′為像平面坐標(biāo)，P是目標(biāo)在像平面上的投影。仿真實(shí)驗(yàn)需要對(duì)對(duì)攝像機(jī)模型進(jìn)行簡(jiǎn)單的預(yù)標(biāo)定(實(shí)際定位算法中不需要)：設(shè)f=10 mm；計(jì)算機(jī)圖像平面為768×576，中心坐標(biāo)(Cx，Cy)為(384，288)，單位pixel；像平面單位距離上對(duì)應(yīng)的像素?cái)?shù)Sx=Sy=100，單位pixel／mm。

　　然后，根據(jù)攝像機(jī)模型，依據(jù)神經(jīng)網(wǎng)絡(luò)的理論，建立網(wǎng)絡(luò)結(jié)構(gòu)。Hornik等利用泛函分析理論，證明在很寬的條件下，具有至少一層S型神經(jīng)元隱含層的前向反饋網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)，用標(biāo)準(zhǔn)BP算法經(jīng)過(guò)足夠的訓(xùn)練，能以任意精度逼近任意函數(shù)及其各階導(dǎo)數(shù)。Elsken證明使用單隱含層網(wǎng)絡(luò)為好，增加隱含層數(shù)目可導(dǎo)致網(wǎng)絡(luò)性能的下降，所以通常用單隱含層的網(wǎng)絡(luò)。經(jīng)實(shí)驗(yàn)驗(yàn)證，采用單隱含層網(wǎng)絡(luò)優(yōu)于2個(gè)隱含層的網(wǎng)絡(luò)，隱含層節(jié)點(diǎn)采用10個(gè)為好，隱含層使用Log-Sigmoid函數(shù)，輸出層使用線性函數(shù)，網(wǎng)絡(luò)的輸入為目標(biāo)在計(jì)算機(jī)平面圖像中的坐標(biāo)點(diǎn)(u，v)，輸出為攝像機(jī)水平調(diào)整量α和垂直調(diào)整量β。

　　因?yàn)長(zhǎng)og-Sigmoid函數(shù)的靈敏區(qū)有限，因此有必要對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。本文采用式(5)所示的歸一化方法：

　　根據(jù)計(jì)算機(jī)圖像坐標(biāo)(u，v)和像平面坐標(biāo)(u′，v′)的關(guān)系，即式(5)，可得像平面坐標(biāo)(u′，v′)。

　　再根據(jù)三角形關(guān)系，即可得攝像機(jī)水平調(diào)整量α和垂直調(diào)整量β。計(jì)算可知α∈[-0.3666，0.3666]，β∈[-0.2804，0.2804]，單位弧度。

　　由于標(biāo)準(zhǔn)BP算法收斂速度較慢、容易陷入局部極小點(diǎn)，所以采用BP改進(jìn)算法。通過(guò)對(duì)幾種改進(jìn)算法的比較試驗(yàn)，最終采用基于啟發(fā)式信息的動(dòng)量方法(MOBP)。

　　在計(jì)算機(jī)平面上每隔10個(gè)像素取1點(diǎn)作為訓(xùn)練樣本，水平方向78組，垂直方向59組，共得到4 602組訓(xùn)練樣本。對(duì)這些樣本反復(fù)實(shí)驗(yàn)，得出在2-10-2型網(wǎng)絡(luò)下，訓(xùn)練2 000次后的測(cè)試結(jié)果如圖4所示。其中，測(cè)試樣本共192組，水平方向16組，垂直方向12組。取與訓(xùn)練樣本不同的點(diǎn)，x，y坐標(biāo)分別表示計(jì)算機(jī)水平方向和垂直方向的像素點(diǎn)，z坐標(biāo)表示誤差，。

　　由圖4可以看出，由水平調(diào)整量α和垂直調(diào)整量β可以精確的控制攝像機(jī)將目標(biāo)定位到計(jì)算機(jī)圖像中心，誤差一般小于2個(gè)像素(即RMS小于1.77×10-3)，只是在u=[0.768]，v=[0，50]，也就是計(jì)算機(jī)上方50個(gè)像素的水平帶上誤差稍大一些，在5個(gè)像素(即RMS≤4.47×10-3)左右。可在這些區(qū)域多取一些樣本減小誤差。

4 系統(tǒng)實(shí)現(xiàn)

　　系統(tǒng)采用PC機(jī)和圖像采集卡構(gòu)成的圖像采集系統(tǒng)，在實(shí)驗(yàn)室普通白幟燈照明的條件下，采用微視科技MVP-CI-V3C圖像采集卡附帶的軟件開(kāi)發(fā)包，進(jìn)行人臉自動(dòng)定位圖像中心系統(tǒng)的二次開(kāi)發(fā)。

　　系統(tǒng)的軟件環(huán)境是在Microsoft Windows 2000下采用面向?qū)ο蟮恼Z(yǔ)言Microsoft Visual C++6.0編程。硬件環(huán)境采用Panasonic WV-CP210／G CCTV CAMERA(固定于三腳架上)，鏡頭焦距8 mm；北京微視科技MVPCI-V3C采集卡，采集圖像為768×576 pixel；利凌PIH-302云臺(tái)；PC機(jī)通過(guò)北京微視科技AV2002云臺(tái)解碼器驅(qū)動(dòng)攝像機(jī)云臺(tái)轉(zhuǎn)動(dòng)。

　　目標(biāo)開(kāi)始定位在計(jì)算機(jī)圖像中心(384，288)，然后控制攝像機(jī)云臺(tái)轉(zhuǎn)動(dòng)，記錄下轉(zhuǎn)動(dòng)的角度α，β和此時(shí)目標(biāo)在計(jì)算機(jī)圖像中的坐標(biāo)(u，v)，即獲得一組訓(xùn)練樣本。根據(jù)實(shí)際需要選擇物距的大小(即目標(biāo)距鏡頭的距離)，這里在1，1.2(單位m)遠(yuǎn)時(shí)分別取1 500組訓(xùn)練樣本(在計(jì)算機(jī)上方50個(gè)像素的水平帶上多取一些訓(xùn)練樣本)，通過(guò)對(duì)3 000組訓(xùn)練樣本的反復(fù)實(shí)驗(yàn)，誤差一般在10個(gè)像素(即RMS小于8.98×10-3)以內(nèi)，不超過(guò)20個(gè)像素(即RMS小于18×10-3)，而且網(wǎng)絡(luò)有較好的泛化能力，對(duì)訓(xùn)練樣本中沒(méi)有的1.1 m遠(yuǎn)處的測(cè)試也能達(dá)到較滿意的結(jié)果(誤差不超過(guò)20個(gè)像素)。實(shí)驗(yàn)表明，如果樣本足夠多，訓(xùn)練次數(shù)足夠大，RMS還可以足夠小，攝像機(jī)可以更加精確的定位到圖像中心。

　　實(shí)驗(yàn)結(jié)果表明，該算法簡(jiǎn)單有效，可以較精確地將目標(biāo)定位在圖像中心。配合目標(biāo)檢測(cè)程序即可完成目標(biāo)跟蹤任務(wù)。目前商用變速云臺(tái)水平轉(zhuǎn)速可達(dá)到32°／s(0.558 5 rad／s)，垂直轉(zhuǎn)速可達(dá)到16°／s(0.279 3 rad／s)，在一些高速攝像系統(tǒng)中可以達(dá)到更高，完全可以用于實(shí)時(shí)的目標(biāo)跟蹤。在實(shí)際跟蹤中，可根據(jù)情況選擇樣本的范圍和數(shù)量，可以滿足一般跟蹤的要求。該方法有很好的可拓展性，如果要進(jìn)行人臉跟蹤的研究，只需考慮相關(guān)幀的信息，然后對(duì)人臉?biāo)阉鲄^(qū)域加以限定以減少搜索時(shí)間，就能提高跟蹤效率，達(dá)到實(shí)時(shí)跟蹤的目的。該方法的缺點(diǎn)是前期樣本的獲取和神經(jīng)網(wǎng)絡(luò)的訓(xùn)練工作量較大。

　　經(jīng)過(guò)對(duì)不同年齡、不同臉型、性別不同的人進(jìn)行試驗(yàn)，結(jié)果證明該系統(tǒng)簡(jiǎn)單有效，有較強(qiáng)的實(shí)際應(yīng)用價(jià)值。由于云臺(tái)設(shè)備的限制，系統(tǒng)沒(méi)有考慮自動(dòng)對(duì)焦功能的實(shí)現(xiàn)，這可以根據(jù)人臉區(qū)域的大小自動(dòng)調(diào)整焦距。雖然系統(tǒng)是針對(duì)靜止人臉的，但是完全可以實(shí)現(xiàn)動(dòng)態(tài)人臉的實(shí)時(shí)跟蹤功能，只要在程序中加入一個(gè)獨(dú)立線程定時(shí)更新采集圖像就能夠?qū)崿F(xiàn)。

　　隨著Internet技術(shù)的發(fā)展，家庭及企事業(yè)單位接入互聯(lián)網(wǎng)已經(jīng)成為現(xiàn)實(shí)?；ヂ?lián)網(wǎng)不僅使人類的視野得到空前的擴(kuò)大，同時(shí)也極大地縮短了人與人之間的距離。利用Internet人們不僅坐在家中或辦公室就知天下之事，而且即使遠(yuǎn)離住所或辦公地點(diǎn)，通過(guò)Internet也可獲知家中或辦公場(chǎng)所、工業(yè)現(xiàn)場(chǎng)的有關(guān)情況，并且能夠?qū)h(yuǎn)端設(shè)備實(shí)施遠(yuǎn)程監(jiān)控。所以，通過(guò)網(wǎng)絡(luò)進(jìn)行遠(yuǎn)程人臉的自動(dòng)定位的操作是未來(lái)的發(fā)展方向之一。