本文由Fotor小編傾情撰寫、整理。

歡迎移步Fotor國內版fotor，F(xiàn)otor-免費的一站式平面設計、圖片編輯和拼圖工具，幾分鐘快速完成平面設計與圖像處理！

-------------------------------------------------------------------------------------------

設計是為了達成某一目的而對元素進行的有序排列。

做設計的時候我們總需要從某一個地方開始下手，而背景正是我們設計的源頭。紋理和顏色幫助我們塑造層次感和對比度，使我們的設計從諸多作品中脫穎而出。拼接圖片可以為我們提供擺放文字的空間來傳遞信息。正確地使用背景可以為我們的設計塑造正確地氛圍，還為我們文字提供視覺支撐。

選擇不同的背景圖片可以完完全全地改變你的設計，也可以使你的設計更加完整。

顏色可以用來吸引觀眾，同樣地，圖片也不單單是一個擺設。在背景上正確地使用圖片，也可以打造出很好的效果。

接下來，我們將告訴你如何用正確地使用如紋理、顏色、漸變等技巧打造背景圖片。

1. 純色背景

回歸本質。用單色的背景是十分有效的打造簡單背景的方式。使用這個方法的時候，最重要的是記住你想要打造的感覺是什么樣的。一組很深的和很淺的顏色或是兩個相反的顏色，可以令人印象深刻。而一組淺色的組合則可以打造更柔和、平靜的效果。

用更淺一些的顏色作為背景并不意味著犧牲文字的清晰度。為了充分利用淺色背景，可以使用比較深的字體顏色，比如深灰色，來增加對比度。

提示: 利用同一色系的兩種不同的顏色（這里我們使用了兩種淺色）打造一個和諧的背景，也達到了視覺效果的統(tǒng)一。

2. 純色背景，高對比度

色調分離可以為你的色彩設計增加沖擊力，使用對比度較大的顏色可以使你的設計更加引人注目。下圖的設計(一般被稱為扁平化設計)，適合用來做廣告上的內容，比如凸顯某一個局部。

在深色背景上使用亮麗的顏色可以很好的吸引人們的注意力。深色的背景使淺色的內容更加突出。在圖標和按鈕上使用更亮的顏色，可以使人們更想去點擊它們。

除此之外，你還可以同時使用兩種明亮的顏色打造出一種現(xiàn)代化的設計風格。選擇兩種相反的顏色來保證強烈的對比度。

提示: 不要選擇太多顏色。試著選擇兩種以內的顏色來打造最佳的效果，以免破壞整體的視覺效果。

3. 紋理

紋理的關鍵就是只有有限的幾個顏色和簡單的組合。你肯定不希望背景中的紋理奪走其他內容的注意力。所以，紋理要盡量小一些以不至于吸引其他內容的注意力。

可以使用紋理打造紙或是毛坯的效果。就像上面的這一張背景，就是循環(huán)紙的效果。

這種特效很適合在制作電子邀請函(放在郵件中或是社交媒體中)。紋理可以使圖片增加真實感，就像可以摸到的一樣。

提示: 如果你想使你的紋理看起來更加自然，不妨使用手寫或是像刷子一樣的字體。紋理的目的是打造一種層次感的效果，增加文字和背景之前的空間。

4. 漸變

漸變很適合應用在數(shù)字產品或是打印成品上。漸變的美妙之處在于它可以結合幾乎所有的顏色，無論是中性的或是鮮艷的顏色。漸變永遠都是一個很好的選擇。

與純色背景相比，漸變色是一種更微妙的選擇。放射性漸變和線性漸變，可以在你的設計上打造出完全不同的效果。漸變的方向直接影響觀眾注意的位置。

設計的一個重要的目的就是通過顏色、文字和其他元素提供與交流與傳遞信息。

上圖是一個很好地使用漸變打造的設計。在漸變的背景上只使用一種顏色可以牢牢地抓住觀眾的眼球，還給設計留下了很多的空間。

5. 使用一張圖片

在背景中使用一張圖片可以很好地吸引觀眾，還可以輕松地將背景和文字聯(lián)系起來。當放置文字和其他元素時，要時刻記得圖片的細節(jié)。

圖片上的空白空間適合用來放置文字。記住，所有的設計都是深思熟慮的，不要讓你的文字隨意地擺放在圖片上。對圖片適當?shù)倪M行剪裁，直到你找到最適合用來放置文字的位置。

6. 使用圖形

圖片的細節(jié)越豐富，你在上面放置的元素就要越簡潔。如果你的背景和你的前景一樣很豐富的話，你的視覺層次就會很亂。這樣會使與觀眾的交流更加麻煩。

一個可以避免這一點的方法就是在文字下方使用圖形來保證文字的可閱讀性。對于那些在圖片上直接放置文字不那么自信的人，這個方法很受歡迎。

提示: 使用與背景圖片相近的顏色作為圖形顏色，這樣可以保證文字清晰可見。圖形在功能和排版上都可以做出貢獻。

7. 透明度

圖像設計中我們可以做很多事，不過有的時候最好的解決辦法恰恰是最簡單的那一個。增加背景的透明圖，降低背景的細節(jié)，可以使文字更易于閱讀。在使用這一方法的時候，最容易出現(xiàn)的問題就是調的太過了。

調整透明度使文字更便于閱讀的同時也要主要不要使背景完全失去風采。

提示: 使用蒙太奇使你的設計提示一大步——再放置一次你在背景中使用的圖片，并提高它的透明度。一定要注意提高亮度保持文字的可閱讀性。

8. 模糊

在使用圖片作為背景時，經常會出現(xiàn)圖片細節(jié)過于豐富致使無處放置文字的情況。有兩種常見的方法你可以使用:一是在圖片上再覆蓋一個圖層，二是添加模糊效果。根據(jù)具體情況使用這兩種方法。

模糊是在背景上強調文字的很好的方法。模糊的關鍵是保留原有的紋理和細節(jié)，所以盡量選擇有著有趣的背景圖片。在添加了模糊的特效后，你可以試著對圖片進行一些有趣的剪裁，為文字提供更好的放置位置。

9. 加入一個彩色圖層

另一個降低背景細節(jié)的方法就是插入一個圖層。你可以使用很多方法加入一個新圖層——加入一個簡單的黑色或是白色的圖層，調高他的透明度使文字更易于閱讀，還可以增加對比度。

或是加入一個彩色的圖層，這個方法可以很好地融合品牌的顏色。選擇圖片時注意顏色一定要有細微的差別。

仔細地觀察背景圖片的排版并進行剪裁。保證文字放置在正確的位置（就像上圖中的海浪），在較暗的背景上放置比較亮的文字。

10. 留白

排版是設計中最被看中的基礎元素之一。設計中元素的排版對讀者的閱讀體驗有很大的影響。所以，在設計中可以充分利用排版的優(yōu)勢。

上圖是對留白方法的很好的應用。留白區(qū)域周圍的物體吸引人們的注意力到文字上，黑色和白色的應用也可以增加可讀性。

11. 圖案

在背景中應用圖案很有趣。但是與其他許多的方法類似，一定要注意你的排列方法。確保圖案不會轉移觀眾的注意力。圖案可以用來放置文字，也可以將文字拼出圖案的形狀。幾何圖案可以塑造線條，使文字的排版更加簡單。

12. 插畫

插畫可以提供交互式的體驗。插畫的另一個好處就是可以更好地和文字匹配。對于更年輕的觀眾來時，插畫的設計更具趣味性，與其他設計方法相比也更清晰。

插畫很容易就會喧兵奪主。為了避免這一點，在放置時可以使用三分法。充分考慮層次和結構至關重要。

下圖中的文字置于中心的位置，使信息能夠更好地傳遞，盡管圖片中插畫站了更多的空間。

13. 空白

永遠不要破壞簡單的空白空間。如果你感覺你的設計過于擁擠或是元素太多了，那就把它改的簡單點兒吧。

我們總是為了填滿空間而增加元素。把空白空間視為一個提高質感和吸引注意力的工具。作為目前的流行趨勢，極簡設計要求我們在其他元素上做出更多努力。

14. 使用網(wǎng)格

使用網(wǎng)格打造一個可以將元素分開放置的精美排版。這是一個很好的方法，也為我們提供了發(fā)揮想象力的機會。

使用圖片中的顏色填滿排版中的剩余空間是聰明的做法。再配上與背景色相反的字體顏色。

上圖使用了柔和的配色，配上淺灰色填滿空格子。這樣放置文字的地方就會更加突出。

設計時可以先不用考慮文字。使用相似的圖片共同打造一個網(wǎng)格設計。對每張圖片進行剪裁使它們可以更好地融入到整個圖片中。

圖片的魅力在于它們可以撐起你的整個設計。我們在設計時不單單是拖過來一張又一張的圖片而是利用空間、圖片的排列組合，打造更精美的排版。

無論是純色或是模糊或是增加透明度或是其他都只是一個概念，都需要你來在設計中實際應用它們，并針對不同的情況進行適當?shù)恼{整。

我們希望上面這些設計方法可以給你提供一些新想法，使你的設計更上一層樓。和往常一樣——祝君設計愉快！

-------------------------------------------------------------------------------------------

更多設計素材、創(chuàng)作靈感請訪問Fotor國內版 fotor

Fotor-免費的一站式平面設計、圖片編輯和拼圖工具，幾分鐘快速完成平面設計與圖像處理！

本文由Fotor小編傾情撰寫、整理。如需轉載，可直接評論或郵件至info@fotor。

簡介

人臉檢測與識別是當前模式識別領域的一個前沿課題，人臉識別技術就是利用計算機技術，根據(jù)數(shù)據(jù)庫的人臉圖像，分析提取出有效的識別信息，用來“辨認”身份的技術。人臉識別是模式識別研究的一個熱點, 它在身份鑒別、信用卡識別, 護照的核對及監(jiān)控系統(tǒng)等方面有著廣泛的應用。人臉圖像由于受光照、表情以及姿態(tài)等因素的影響, 使得同一個人的臉像矩陣差異也比較大。因此, 進行人臉識別時, 所選取的特征必須對上述因素具備一定的穩(wěn)定性和不變性. 主元分析(PCA)方法是一種有效的特征提取方法,將人臉圖像表示成一個列向量, 經過PCA 變換后, 不僅可以有效地降低其維數(shù), 同時又能保留所需要的識別信息, 這些信息對光照、表情以及姿態(tài)具有一定的不敏感性. 在獲得有效的特征向量后, 關鍵問題是設計具有良好分類能力和魯棒性的分類器. 支持向量機(SVM ) 模式識別方法,兼顧訓練誤差和泛化能力, 在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。

本此課程設計基于MATLAB，將檢測與識別分開進行。其中檢測部分使用實驗指導書上的膚色模型算法進行，不進行贅述。識別部分采用PCA算法對檢測出的人臉圖像進行特征提取, 再利用最鄰近距離分類法對特征向量進行分類識別，將在后文具體表述。仿真結果驗證了本算法是有效的。

人臉檢測

源碼

img=imread('D:\std_test_images\face3.jpg');

figure;

imshow(img);

R=img(:,:,1);

G=img(:,:,2);

B=img(:,:,3);

faceRgn1=(R>95)&(G>40)&(B>20)&max(img,[],3)-min(img,[],3)>15&abs(R-G)>15&R>B;

imshow(faceRgn1);

r=double(R)./double(sum(img,3));

g=double(G)./double(sum(img,3));

Y=0.3*R+0.59*G+0.11*B;

faceRgn2=(r>0.333)&(r<0.664)&(g>0.246)&(g<0.398)&(r>g)&g>=0.5-0.5*r;

imshow(faceRgn2);

Q=faceRgn1.*faceRgn2;

P=bwlabel(Q,8);

BB=regionprops(P,'Boundingbox');

BB1=struct2cell(BB);

BB2=cell2mat(BB1);

[s1 s2]=size(BB2);

mx=0;

for k=3:4:s2-1

p=BB2(1,k)*BB2(1,k+1);

if p>mx&(BB2(1,k)/BB2(1,k+1))<1.8

mx=p;

j=k;

hold on;

rectangle('position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'linewidth',3,'edgecolor','r');

hold off;

end

2.處理過程

人臉識別

算法簡述

在Matlab 2012a版本中添加了對PCA算法的支持，由于水平有限我選擇直接調用。在本次課程設計中，PCA算法又分為樣本訓練和人臉識別兩個過程，在樣本訓練階段，將樣本庫（每組15張共15組人臉圖像，對每組前11張進行特征提取用于訓練，后4張用于檢測）中的人臉圖像轉換為特征向量表示，并投影到PCA子空間，最終將這些向量數(shù)據(jù)保存到訓練數(shù)據(jù)庫中。而在識別階段，同樣將待識別的人臉圖像使用PCA子空間的向量表示，通過計算待識別圖像的向量與樣本中的向量之間的距離，尋找其中最相近的人臉圖像，作為識別結果。

clear

clc

% 樣本數(shù)量15*11

people_count=15;

face_count_per_people=11;

% 訓練比率,設置為75%識別正確率可達100%

training_ratio=.75;

% 能量

energy=90;

training_count=floor(face_count_per_people*training_ratio);

training_samples=[];

path_mask='D:\\pca_face_rec\\%03d\\%02d.jpg';

% 訓練

for i=1:people_count

for j=1:training_count

img=im2double(imread(sprintf(path_mask,i,j)));

img=imresize(img,[10 10]); % 歸一化至50*50

if ndims(img)==3

img=rgb2gray(img);

training_samples=[training_samples;img(:)'];

mu=mean(training_samples);

[coeff,scores,~,~,explained]=pca(training_samples);

idx=find(cumsum(explained)>energy,1);

coeff=coeff(:,1:idx);

scores=scores(:,1:idx);

% 測試

acc_count=0;

for j=training_count+1:face_count_per_people

img=imresize(img,[10 10]);

score=(img(:)'-mu)/coeff';

[~,idx]=min(sum((scores-repmat(score,size(scores,1),1)).^2,2));

if ceil(idx/training_count)==i

acc_count=acc_count+1;

test_count=(people_count*(face_count_per_people-training_count));

acc_ratio=acc_count/test_count;

fprintf('測試樣本數(shù)量:%d,正確識別率:%2.2f%%',test_count,acc_ratio*100)

仿真結果及說明

樣本庫舉例：

結果為：測試樣本數(shù)量:45,正確識別率:100.00%

總結

人臉識別是一個多學科領域的挑戰(zhàn)性難題，近30年來人臉識別的研究雖然取得了巨大的進步，但與人類的感知能力相距甚遠。人臉識別還涉及到很多理論和技術問題，這一技術的不斷進步還需要研究者們的不斷創(chuàng)新和努力。本次課程設計讓我對人臉識別算法有了初步的認識，了解到了PCA算法，K-L變換及特征向量的提取，最近鄰分類器等人臉識別所需要的知識，為我的進一步學習指明了方向。