基于人脸识别的动态识别签到系统设计与实现Word格式.doc
- 文档编号:13017164
- 上传时间:2022-10-02
- 格式:DOC
- 页数:26
- 大小:1.98MB
基于人脸识别的动态识别签到系统设计与实现Word格式.doc
《基于人脸识别的动态识别签到系统设计与实现Word格式.doc》由会员分享,可在线阅读,更多相关《基于人脸识别的动态识别签到系统设计与实现Word格式.doc(26页珍藏版)》请在冰豆网上搜索。
□目标检测□人脸识别□深度学习
Abstract
□
ObjectdetectionistheresearchfocusofComputerScienceinrecentyears.Itcanrecognizethegeometriccharacteristicsofthetarget,segmentthecomplexsceneandrecognizethespecifictarget.Thekeypointistheaccuracyandreal-time.Facerecognitionisoneofthemostimportantsubcategoriesintargetdetection.Onceourfacerecognitiontechnologyismatureenough,itmeansthatwenolongerneedotherphysicalkeysordigitalkeys,butwithaface,wecanmeeteverythinginourdailylife.Theremaybemanysimilarfacesintheworld,butthereareabsolutelynotwoidenticalpeople.Whenfacerecognitiontechnologyismatureenough,wecantakefacerecognitionasanimportantindexofidentityclassification.
Underthestimulationofdeeplearning,facerecognitionhasmadeagreatbreakthrough,andmachineshavebecome"
thinking"
.Thismeansthatthesecurityleveloffacerecognitionwillbeimproved,whichcanbeappliedtomoresceneswithhighersecurityrequirements.Atthesametime,theresearchoffacerecognitioncanalsopromotethedevelopmentofmoreneuralnetworks,imageprocessingandotherfields.
Keywords:
□objectdetection□facerecognition
□recognitionspeed
目录
第一章:
绪论 1
1.1研究背景及意义 1
1.2人脸识别6种实现方式 1
1.2.1几何特征的人脸识别方法 2
1.2.2基于特征脸(PCA)的人脸识别方法 2
1.2.3神经网络的人脸识别方法 2
1.2.4弹性图匹配的人脸识别方法 2
1.2.5线段Hausdorff距离(LHD)的人脸识别方法 2
1.2.6支持向量机(SVM)的人脸识别方法 2
1.3本文的主要工作 3
第二章:
人脸识别的新特性-深度学习 3
2.1深度学习 3
2.2深度学习与人脸识别的二次结合 4
2.2.1VGG模型 5
2.2.2优图祖母模型 6
2.3本章总结 7
第三章:
动态人脸识别签到系统实现 8
3.1实现思路 8
3.2算法实现 8
3.2.1环境依赖 8
3.2.2实现普通的人脸识别 9
3.3完善动态人脸识别签到系统 12
3.3.1从视频流中取帧进行识别 12
3.3.2实现上传素材、导出签到表 15
3.3.3使用演示 16
3.4本章小结 17
第四章:
总结与展望 18
4.1论文总结 18
4.2展望 18
参考文献 20
致谢 21
广东东软学院本科生毕业设计(论文)
绪论
1.1研究背景及意义
传统的目标检测技术主要是通过几何特征对图像进行切割,进而对切割出的素材进行几何分析,根据特征将其分类。
但是实际使用中,各种物品杂乱无章重叠摆放,部分物品特征会被覆盖导致目标检测准确率较低,实用型并不高。
而人工智能的到来,为我们展示了不一样的世界。
目前,各种人工智能设备早已被大众所接受,各种IOT设备也已经被量产。
物联网完全可以凭借AI这杆利刃,更上一层楼。
人工智能所带来的不仅仅是全新的人机交互体验,同时他也带来了更多技术工种的就业机会,人工智能可以跨越多行业相结合,也就意味着需要更多的人才去进行智能训练,人工智能就如同当初的自动化革命一般为我们的社会注入新的血液。
人脸识别技术早在几十年前的科幻电影中就已经出现,跟着机器学习的脚步,它也走出电影来到了我们的生活中。
传统的物理密钥、密码都存在被盗取的风险,而人脸不一样,就算是双胞胎之间也不存在一摸一样的五官角度,因此人脸识别是我们进行身份管理最安全的一项技术。
当人脸识别技术越来越普及,我们的数据集会越来越丰富,通过更多的训练,可以让机器更加的智能,更好的适应我们的生活所需。
在机器学习研究前期,机器算法都比较简单。
在处理较为单一的场景下,有很优秀的表现。
但当涉及到较为复杂的数据衍变时,简单的算法结构的输出结果准确率极低。
例如处理自然信号。
在1980年,深度学习出现了。
它的概念是在对人工神经网络的过程中所提出的,它的设计出发点在于建立一个机器人脑,通过模拟人体大脑的工作过程,来研发出一整套神经网络来处理和解析获取的复杂数据,例如影、视、音等。
深度学习是通过对输入信号分解并组合低层次的特征,然后用来表示目标的特征或者是类别,并将特征输出。
由于各种外界因素的影响,人脸识别的准度和精度还是不能满足所有场景的需求。
人脸识别在二维上的发展可能比较完善,但是我们还可以通过三维图像综合识别,也可以通过引入时间概念,通过对不同时间段的识别来确定识别对象的身份。
因此,人脸识别的道路,还有很长。
1.2如何实现人脸识别
1.2.1基于几何特征的人脸识别
几何特征主要为五官的模型差距以及五官之间的距离以及几何关系。
该算法在理论上容易理解,识别的速度快,原理简单,所占用的内存相对较少,遗憾的是识别率较低,不够准确。
1.2.2基于特征脸(PCA)的人脸识别方法
特征脸方法是基于K-LT所提出的人脸识别方法,K-LT全称是Karhunen-Loè
vetranslation,他是一个最优正交变换,此前用于压缩图像文件。
通过对N维图像进行K-LT变换,获取到一组低次分量。
在其中选取重要的分量,然后扩张为线性空间并进行投影,所投影出来空间的即为我们判定是否为相同人脸的一个特征量。
特征脸方法的缺点在于它需要大量的训练样本,才能保证识别精度的一个准确性,并且完全是通过图像灰度对特征进行统计的。
特征脸方法也有许多不同的版本,适应在不同要求的场景下,但大体上原理都是一致的。
1.2.3神经网络的人脸识别方法
神经网络的特点在于输入变量类型更多,他会根据输入值的不同,通过不同的智能算法进行分析,不同于传统的识别方法一般都需要完整的人脸,但是神经网络可以通过部分人脸进行分析,并得出结论。
当然,结论可能无法直接利用,却可以筛选掉一些不符合的人,从而减少我们投入的人工。
同时,缺点也十分明显,需要较多的训练样本来对神经网络进行适应性学习,训练样本的数量跟识别的精准度是成正比的。
1.2.4弹性图匹配的人脸识别方法
弹性图匹配的思路是从生物学的角度出发,定义基本脸型,通过二维拓扑表现出来。
同时,该拓扑上图像所有顶点都作为该脸图的特征量,可以用来表示该点周围的线性关系。
其中弹性二字的意思是,允许图像对比时具有一定的弹性变法,这样可以克服微表情变化所带来的识别障碍。
通过几何因素与灰度化特征相结合,弹性图匹配被广泛应用在流式处理的在线识别产品上。
更重要的是,它并不需要大量的训练样品进行适应性训练。
1.2.5LHD的人脸识别方法
LHD是一群心理学家所提出的识别方法,他们认为人类对于轮廓线条的识别精准度以及速度上并不差,因此他们提出了LHD。
它从灰度化的人脸图中,提取其中的轮廓线,用LDH来表示不同线条之间的距离关系。
更重要的是,LDH没有建议两个线段之间的唯一对应关系,因此它可以从多个方面验证单一线段是否发生了某种可容忍的变化,用来表示对不同人脸之间的相似程度。
从结果来看,LHD绕过了光照条件以及姿态变化,因此在这方面他显示了较良好的识别性能,但是由于轮廓无法体现人脸表情,因此它在表情处理方面识别效果并不如人所意。
1.2.6SVM的人脸识别方法
SVM中文名是支持向量机,在近几年,他也进入了智能识别领域的研究者眼中。
通过支持向量机,用学习机的泛化能力换取更高的计算性能。
SVM在识别过程中可以帮助我们将识别人脸分解为多个特征变量,进而根据特征变量来对人脸特征进行比对得出人脸识别的结果。
通过SVM可以提高人脸识别的识别率,但同大多数识别方法一样,SVM需要大量的训练样本,而在实际应用中训练样本数量往往不足。
并且SVM的训练过程耗时长,算法种类也有各有千秋,因此该方法并没有一个统一的定论。
1.3本文的主要工作
本文从目标检测出发,针对人脸识别进行研究,讲述了人脸识别的研究意义以及发展方向。
着重介绍了深度学习对于人脸识别研究的巨大帮助,深度学习让人脸识别能够更加智能的识别,增加识别的速度以及精度。
人脸识别目前已经广泛应用在企业打卡签到以及部分智能家居产品上了,但部分特殊的场景还是没有采用人脸识别,而是利用更精密的识别手段诸如瞳孔或者物理密钥这种形式。
这主要是由于人脸识别的缺点比较显而易见,它存在被欺骗的可能性。
同时,针对脸部丰富的表情变化以及外界环境光照等不可预见的因素,人脸识别可能会受到影响、或许是识别速度过慢或者是无法正常识别等问题。
本文简单地实现了一个动态人脸识别的签到系统,识别流程大抵是先对素材库中的人脸预处理,以包含人脸特征的二维数组这种形式缓存下来,在打开摄像头进行识别的时候提取关键帧的人脸并处理为测试数据,将其与缓存中的素材集进行对比,根据相对应的阈值找到素材库中对应的人名,保存在签到名单中。
当摄像头关闭时将签到名单保存为TXT在项目根目录中
- 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:
- 基于 识别 动态 签到 系统 设计 实现