人脸识别技术分析
近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。在安防行业中，生物识别一直是市场中备受关注的焦点之一，近年来保持着较高的增长率，其中人脸识别是一个活跃的研究领域，也是人类视觉最杰出的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。目前人脸识别技术不断得到发展，该技术广泛应用到电子护照、生物特征身份证、体育场馆、银行、公安等系统中，对安检、奥运反恐、刑侦追逃等有重要意义。当前由于其应用日渐增多该市场份额比重在不断增加，前景普遍被看好。
对于人脸识别的应用，依照摄像机到用户的距离可将其分为近距离人脸识别（普遍必要用户合作）、中距离人脸识别和远距离人脸识别系统（FaceRecognitionataDistance（FRAD）），其中远距离人脸识别技术关注的是在一个广阔区域内进行非合作的人脸自动识别，这种远距离生物特征的提取和识别可以通过采用主动视觉系统解决。目前，在很多商业、安防和国防应用中都需要在开阔区域内进行远距离（10～20米或更远）非合作的人员识别。比如用于安防目的的人员识别和监督、入侵检测，以及在广阔的区域内通过智能摄像机网络进行人员跟踪等。人脸识别与视频监控的无缝对接可极大地提升传统视频监控的预警功能和智能化程度，并极大地拓展人脸识别技术的应用空间。
在近距离人脸识别中，摄像机可以轻松捕捉高辨别率和相对稳定的人脸图像。而可在FRAD应用中，人脸图像质量却是个大难题，可以说，远距离人脸识别是视频人脸识别应用中最具挑战性的形式之一。近年来国内外针对远距离人脸识别的研究很多，从目前的发展情况来看，对于广阔的覆盖区域已经有一些有效的解决办法，如可通过多摄像机主动视觉系统完成FRAD，即系统通过广视场摄像机（
国外远距离人脸识别的研发情况
近年来，国际上对人脸及人脸面部表情识别的研究逐渐成为科研热点，很多机构都在进行这方面的研究，吸引了大量的研究人员和基金支持，其中走在前边的主要是美国、欧洲、英国和日本等国家。在远距离人脸研究方面，主要是采用主动视觉的方法进行设计和开发，集中用于人脸图像采集和识别目的的自动目标选择和摄像机控制系统，以下介绍一些主要的实现方式。
第一，美国乔治亚理工学院在较早前的工作中，研发了一套由一对WFOV摄像机和一对NFOV摄像机构成的主动视觉系统。该系统用于人机互动，应用范围仅为几米远，但可检测皮肤颜色，并采用三角测量法进行3D定位，并自动控制NFOV摄像机采集人脸图像、
第二，西门子公司推出了一套实时双摄像机人脸图像采集系统，该系统采用了安装于头顶的全景摄像机进行目标定位，PTZ摄像机采集人脸图像。
第三，卡内基梅隆大学机器人学院研发的远距离人体识别系统（DHID），通过远距离拍摄视频进行人脸和步态双重识别。该系统采用了一个具有60°视场的WFOV摄像机，从50米外对目标进行追踪，采集放大的视频序列和人脸图像分别进行步态识别和人脸识别。
第四，意大利热那亚大学的Marchesotti等人采用双摄像机系统远距离采集人脸图像，在WFOV视频中采用了-blob检测器进行人体检测，并通过一台NFOV摄像机采集目标人脸图像。
第五，IBM公司研发了一套人脸分类器，采用了双几何刻度的WFOV摄像机进行人体检测，重叠覆盖了6米×6米的图像采集区域，在每个WFOV摄像机视场中应用了多-blob2D 追踪器，并通过一个3D多-blob追踪器在真实世界坐标系统中确认头部位置。
第六，伦敦大学计算机科学学院开发了一种远距离人脸图像采集方法，该方法的目标是对人体姿势和部分遮挡具有稳健性，该系统由一套具有135°视场的静止WFOV摄像机和具有13°视场的NFOV摄像机组成。为了提高对部分遮挡的稳健性，系统在WFOV视场中直接检测人脸的位置而不是整个身体的位置，人脸检测结合了运动检测、背景建模和皮肤检测，然后由NFOVPTZ摄像机采集高分辨率人脸图像。
第七，牛津大学主动视觉实验室提出了用于人脸图像采集的多摄像机主动监控系统的架构。在该架构中，人体追踪器与每一个WFOV摄像机相连，采用了高级推理算法并通过SOL 数据库共享数据。WFOV追踪器的人体检测结果自动指示NFOV摄像机瞄准目标。此外，采用NFOV摄像机追踪人脸时，在追踪过程中采用了速度控制系统。
第八，通用电气全球研发中心设计了一套基于多摄像机追踪架构的远距离监控的人脸图像采集原型系统，该系统采用了4台视场相互叠加的WFOV摄像机进行人体追踪，追踪面积达到300平方米，人体追踪在现实坐标下进行，并控制4台NFOVPTZ摄像机进行人脸图像采集。该系统进行人群的长期监控，通过人脸识别建立追踪目标的身份，之后系统评估个体间关系的紧密程度以掌握其社交网络。
基于主动视觉的FRAD系统
美国洛克西德马丁公司资助通用电气全球研发中心完成了对远距离人脸识别开发的一个原型系统，其称之为“生物特征监控系统”，该系统是一套基于多摄像机追踪架构的远距离监控的人脸图像采集原型系统，系统应用固定的WFOV摄像机进行可靠的人体检测和追踪，并采用卡尔曼滤波器对人体位置进行追踪，确保预测出PTZ摄像机能够采集到人脸图像的位置。人体追踪系统可同时处理视场内的多个目标，优先选择系统会选择一个目标进行图像采集，这时摄像机将逐一快速对准目标，确保能够采集到视场内所有目标的人脸图像，最后采用商业人脸识别器进行人脸图像处理。实践表明，该系统的人体定位距离可达25～50米，人脸图像采集距离可达15～20米。
该系统的一个重要创新是将生物特征识别与可靠的地面人体追踪器结合起来，在使用时人一旦进入WFOV摄像机视场内，追踪器就能够锁定该目标直到目标走出摄像机视场。在应用中，摄像机采集到的人脸图像和识别结果会与存储于内部数据结构的追踪目标ID进行关联，这样可以在长时间内累积识别信息，允许目标选择系统选择还未识别的追踪目标。该
系统具有多个可配置运行模式，包括自动注册和基于网络的自动注册数据共享（当目标从一个摄像机区域移动到另一个摄像机区域后，允许重复目标识别）。
1.系统的应用设计
（1）硬件
该系统可由多个节点组成，每个节点由一对WFOV和NFOV摄像机构成，摄像机置于标准的架高工作台上，两台摄像机均为索尼的EV1-HD1，摄像机通过串口VISCATM接口连接，其中WFOV摄像机分辨率为640×480，30Hz（NTSC），固定角度；NFOV摄像机分辨率为1280×720，30Hz，其角度、转向和放大倍数由计算机控制。
（2）人体检测和追踪
在WFOV静态摄像机视场中检测并追踪移动的人体，由于摄像机是静止的，所以该系统采用了背景差分法检测移动目标。系统对每一个像素的每一个颜色分量分布采用了自适应的参数模型，任何与建模不符的像素都将被认定为前景像素。在追踪的过程中，焦距、WFOV 摄像机的方向和位置等内外参数都通过一个计算过程得出，这些参数通过真实坐标与WFOV 摄像机视频帧映射得到。假定一个人在行走，计算视频中包含整个人体的可行区域，那些能够匹配可行区域的前景像素簇即为检测到的人体。人体检测过程在WFOV视频中以10Hz的频率进行，其中采用了卡尔曼滤波器，这使得系统对于瞬时干扰更加稳定，并且卡尔曼滤波器提供了追踪目标的速度，这样就可以预测目标的前行位置。
（3）PTZ控制器
PTZ控制器主要是对PTZ摄像机的平移、旋转、放大倍数的控制。在具体操作时，根据WFOV摄像机画面对NFOV摄像机画面进行计算，首先NFOV摄像机处于原始位置，即平移和倾斜角度0°，放大倍数为1，采用点对应估算WFOV和NFOV摄像机画面中同一点的位置关系。NFOV摄像机经过进一步计算，以确定平移、倾斜和放大设置对其画面的影响。在这个计算的过程中，十分精确和重要的部分是摄像机的放大点，放大点就是当放大倍数改变时真实世界坐标不变的点，通常是一幅图像的中心。实践表明确切的放大点根据设备的不同而不同，当对远距离物体采用高放大倍数时，即使很小的放大点偏移也会影响抓拍目标的准确性。在该计算过程中，一旦在WFOV视频中确定了目标位置和区域尺寸，就直接确定了NFOV平移、倾斜和放大倍数的设置，这会使得目标图像填满整个NFOV的画面。
（4）目标选择
对于目标的选择，一般在低分辨率的WFOV视频中可能会检测和追踪到多个目标，因此该系统采取了优先选择机制选择目标，自动控制NFOVPTZ摄像机采集目标的高分辨率人脸图像。目标优先选择基于目标的历史记录和当前状态，对于每一个被追踪的目标都有一个用于优先选择的目标记录。该记录包括过去目标被检测的次数、人脸图像采集的次数和人脸识别的成功次数。通过人体追踪器中的卡尔曼滤波器可以确定以下几个参数：目标到摄像机节点间的距离、方向余弦和目标的速度。（方向余弦是指目标行走方向与摄像机方向夹角的余弦，表明了目标正脸与摄像机节点间的角度。）
表1用于计算目标得分的参数
使用以上信息对被追踪目标进行评分，评分最高的将被选为人脸图像采集对象。评分的得出主要是将每一参数乘以一个系数，并对结果进行省略处理再相加，最后得到最终的评分，如表1所示为一组参数和系数。例如，目标的方向余弦乘以系数10，然后限定于[-8,8]内，再与其它分数相加就得到评分。类似地，目标的速度（米/秒）乘以10，限定于[0,20]的范围内，目标移动得快意味着会更快离开覆盖区域，所以增加了优先选择的分数。而采集次数、成功采集人脸图像的次数和成功识别人脸的次数的系数都为负数，这将对优先选择减分，减少系统重复采集。系统为各个参数限定了范围，可避免任何一个单独的参数过大而影响优先选择分数。总之，优先选择过程是在挑选行进速度快、面向摄像机的目标。在实际中，目标选择机制使得系统能够从一个目标向另一个目标移动，去选择未出现过的、有用的人脸图像。
一旦选定了目标，人体追踪器中的卡尔曼滤波将预测出目标在下0.5～1.0秒的人脸位置，然后NFOV摄像机将调解放大倍数等参数指向该位置，直到目标经过。这个做法为系统留有完成平移、倾斜和放大设置的时间，当目标经过NFOV摄像机画面时，目标的人脸和上身将通过NFOV摄像机视频画面的中心，然后由基于NFOV视频图像的人脸检测模块进行人脸检测和采集。一旦完成采集，系统将马上开始选择新目标，即系统大约每隔1～2秒指示摄像机采集一幅新的人脸图像。
除了选择目标和确定NFOV摄像机指向的位置外，系统还必须选择NFOV摄像机的放大倍数。放大倍数与成功采集人脸的几率间存在一个平衡，高放大倍数可获得高分辨率的人脸图像，但任何目标追踪上的差错都将使人脸采集成功率大大降低。该系统采用了一种自适应的放大倍数选择方法，如果一个目标从没被成功采集过人脸图像，那么初始采集人脸图像分辨率的目标设定为双眼间30个像素。然后，每次以某分辨率成功采集人脸图像后，其分辨率目标值将提高20%，如果系统重复采集该目标图像，其分辨率将逐渐提高。人脸图像的分辨率目标值和人的距离决定了NFOV摄像机的放大倍数。
NFOV摄像机具有自动和手动对焦模式，NFOV摄像机的自动对焦功能偶尔会出现对焦不准模糊的情况，不过利用目标位置和距离两个数据可以解决这个问题。在使用中，独特的摄像机设备和典型的目标距离使得焦距相对较远，所以在使用时不必知道非常精确的目标距
离，只有当焦距调整超过几米的可调阈值范围内时才需要调整摄像机的焦距。
（5）人脸检测和剪切
在人脸检测和剪切方面，目标锁定程序指示NFOV摄像机连续监视NFOV摄像机视频流中的人脸图像，采用匹兹堡模式识别FT-SDK检测NFOV视频中每一帧的人脸。这个过程的运行频率为10Hz，与图像刷屏率相同保持实时操作。如果在一帧图像中检测到了多个人脸，系统只选择最靠近图像中心的人脸，其更可能是选定的目标，然后将目标人脸图像剪切下来，异步传输至人脸识别器，同时告知目标锁定器人脸采集完毕，然后更新目标记录。
（6）人脸识别
当人脸识别器接收到新的剪切人脸图像后，系统将创建人脸采集记录并存储该图像。人脸识别器根据图像采集的时间询问目标锁定器，以确定人脸图像来自哪个追踪目标ID。目标锁定器保存一个追踪目标的时间记录作为ID号，人脸采集记录与之相关联。系统可以以10Hz的频率采集人脸图像，但是人脸识别每幅图像通常需要0.5～2秒的时间，这主要取决于算法。一般情况下，识别与采集并不同步，所以人脸识别是异步进行的。
在处理环节中，重复应用人脸识别器识别最新采集的未识别图像，结果存储于人脸图像采集记录中，未处理的人脸图像在30秒后被丢弃。人脸识别次数和结果存于目标记录中的人脸图像采集记录中，并显示于程序中。人脸识别结果传递至目标锁定器以更新目标记录，人脸识别结果同时被GUI使用以标注WFOV视频中被追踪目标的名字。
本系统配有可选的自动注册功能可以利用每一个追踪目标的目标记录，这是一个可配置的基于规则的过程，其目标是利用采集到的未注册且适于注册的人脸图像进行自动注册。自动注册目标必须具有至少一幅质量超过人脸识别匹配阈值的人脸图像，并且采用至少4幅不同的人脸图像进行识别的结果均为失败。这个过程可帮助确保用于自动注册的人脸图像确实是未知图像。
性能评估
为了测试该生物特征监控系统的性能，通用公司设计了一个实验模仿交通运输枢纽中心的情况，如机场或地铁站。系统被安置于室内和室外的固定位置。室内测试在一个很长（宽大约为9米）的走廊内进行，光照为来自窗户的自然光和屋顶的几个日光灯。这个走廊与机场航站楼相似，如图1所示。此地的光照情况随着时间和天气而变化，从晴朗天气的很亮到阴雨天或夜晚的昏暗。在进行室外测试时，摄像机分别朝向和背对太阳，试验进行了6天以经历不同的变化。在试验过程中，被测试目标以自然的方式步行穿过走廊或室外区域。
表2试验数据
第一项试验将评估人体检测和人脸图像采集的性能，表2所示为采集数据，图3中的直方图为初始人体检测和初始人脸采集的距离。尽管被测目标的行为是可控的，但此过程中出现了其他非测试人员，包括在摄像机视场中静止不动的人员。这些非测试人员甚至并不知晓正在进行测试。在全部的466次试验中，只有1例人体检测失败和8例人脸采集失败，原因是该目标或其脸部以某种方式被遮挡。
在第二项试验中对人脸识别性能进行了评估，采用CognitecFaceVACS?人脸识别算法（阈值为0.5）的识别率。这项试验包括30组，所有组均识别成功。
表3试验数据
表3为人体检测、人脸检测和人脸识别的均值和标准方差，我们可以看到，人体检测和人脸采集的平均范围大约是人脸识别的两倍，这是由于人脸识别算法需要高分辨率人脸图像，这也是现有人脸识别算法的局限性。
结语
通用公司的人体生物特征监控系统的主要是通过目标追踪、目标选择和自动PTZ摄像机控制进行人脸图像采集，目标是采集高分辨率人脸图像，并通过第三方人脸识别软件进行识别。这种基于自动摄像机控制的远距离人脸识别系统可以在目标不知情或非合作的情况下，在相对大的范围内进行人体生物特征识别，其可应用于很多重要场合，而其他的生物特征识别技术如指纹、虹膜等都需要被识别人的合作以及近距离采集。该生物特征监控系统可以在20～25米远的距离追踪目标，识别距离最大可达20米。目前类似这样的系统已经在实践中得到较好的应用，显现出远距离人脸识别良好的应用前景。
机器学习概述课程设计报告题目：MATLAB人脸识别系统 姓名：** 学号：** 专业：** 时间：2015/8/7
目录 一、课程设计的目的............................................................................... 二、设计的内容与要求........................................................................... 三、详细设计........................................................................................... 四、课程设计的总结............................................................................... 五、参考文献...........................................................................................
一.课程设计的目的 人脸识别作为一项新兴的科学研究项目，有着广泛的应用前景，而且随着计算机技术的更新发展，它的科学研究价值也越发凸显。经过几十年的研发探讨，世界各大研究结构的研发人员的不断努力下，人脸识别技术一已取得丰硕的成果，可在一定限制条件下完成人脸的自动识别。这些成果的取得更促进了人们对人脸识别这一课题的深入研究。 在电子商务飞速发展的今天，人脸识别系统的范畴一不足以涵括人脸识别的应用范围，在数字图像处理、视频领域、基于内容的检索等方面有着重要的应用价值。。 二．设计的内容及要求 1、选择KNN,聚类或SVM方法中的一种或其他机器学习方法的一种进行课程设计 2、要求能完成具体的识别任务：如图像分割、语音识别、人脸识别 3、要求识别的对象中有自己生活元素，比如图像中包括学校的图片或语音时本人的语音等。三．详细设计 YCbCr空间——>灰度图像转换——>噪声消除——>图像填孔——>图像重构——>人脸区域确定——>边缘检测 （原图-涉及个人隐私，未呈现原图）
XXX人脸识别系统 一、XXX人脸识别系统简介 XXX人脸识别系统采用区域特征分析算法，融合计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，实现在大规模人脸图像数据库中进行人脸检索。从各种采集源获取的人脸图像可以迅速地与预先存储的数以千万计的图像数据库如逃犯照片库、失踪人口照片库、常住人口照片库等）完成比较，返回一个包含若干最相似人脸图像的匹配列表。支持照片比照片、视频流比照片、视频流比视频流等多种方式。可以实现在局域网、内部网、In ternet上进行照片比对和身份确认。 二、功能特性 先进性：采取XXX独特的混合人脸识别算法，识别精度更高，识别速度更快。 多样化：支持数据来源的多样化，动态人脸捕抓、手机拍摄、摄像机抓取，照片扫描等多种方式；支持现场捕捉照片与数据库中照片自动匹配检索； 高效低成本化：合理配置和选取合适的产品软硬件型号，使整个系统稳定、高效、可靠、低成本运行。 快速化：普通照片中提取人脸特征值，极大地降低了数据存储空间，加快了比对查询速度，单台计算机对比速度为每秒5 300万张（因选用的面纹模板而异）；
方便性：完善的照片比对功能，比对方式多，比对准确率 高，比对速度快，支持全局人脸识别和分部人脸部件的人脸识别 （化装问题），系统操作清晰，公安侦查人员和授权用户都能方便 的使用系统。 实用性：适合于各国人种，不受种族肤色及性别的影响， 不 受面部表情，胡须和发型等变化的影响。 简易性：支持现场捕捉照片与库中照片自动匹配检索照 片 库的授权链接访问； 三、系统逻辑结构图 四、应用情景 XXX 人脸识别产品已广泛应用于金融、司法、军队、公安、边 检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领 域。 1、 企业、住宅安全和管理。 2、 电子护照及身份证。 人脸相关业务 人脸识别系统 人脸比对 人脸建库 JMCT 人脸图像散据 移动警务 身盼豪■ 1} --------- 人輪阳憧JMtVEft ■库于累气
嵌入式课程设计报告 学院信息电子技术 专业通信工程 班级 学号 姓名 指导教师 2017年07月01日
基于ARM9的人脸识别系统 一、引言 人脸识别背景和意义 人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。 人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。 二、系统设计 1、硬件电路设计 （1）ARM9处理器 本系统所采用的硬件平台是天嵌公司的TQ2440开发板，该开发板的微处理器采用基于ARM920T内核的S3C2440芯片。 ARM9对比ARM7的优势：虽然ARM7和ARM9内核架构相同，但ARM7处理器采用3级流水线的冯·诺伊曼结构，而ARM9采用5级流水线的哈佛结构。增加的流水线设计提高了时钟频率和并行处理能力。5级流水线能够将每一个指令处理分配到5个时钟周期内，在每一个时钟周期内同时有5个指令在执行。在常用的芯片生产工艺下，ARM7一般运行在100MHz左右，而ARM9则至少在200MHz 以上。指令周期的改进对于处理器性能的提高有很大的帮助。性能提高的幅度依赖于代码执行时指令的重叠，这实际上是程序本身的问题。对于采用最高级的语言，一般来说，性能的提高在30%左右。ARM7一般没有MMU(内存管理单元），（ARM720T有MMU）。 （2）液晶显示屏 为显示摄像头当前采集图像的预览，系统采用三星的320x240像素的液晶屏，大小为206.68cm。该液晶显示屏的每个像素深度为2bit，采用RGB565色彩空间。 （3）摄像头 摄像头采用市场上常见的网眼2000摄像头,内部是含CMOS传感器的OV511+芯片。CMOS传感器采用感光元件作为影像捕获的基本手段,核心是1个感光二极
人脸识别系统解决方案 深圳东南创通智能科技有限公司 2018年6月13日
目录
一、概述 1、背景分析 随着我国城镇化进程的加快，城市人口日趋密集，人口流动性也大大增加，社会犯罪率呈逐年升高的趋势。在传统侦查工作方式中，多采用人工排查的方式，要排查重要场所人员身份，和限制外来人员进入固定区域，不仅费时费力，还可能造成遗漏等情况，排查效率大打折扣，同时给公共安全防范和社会维稳工作带来了极大的困难。 为切实解决重点复杂区域社会治理难题，夯实社会稳定和长治久安的基层基础，及高清技术、智能化技术、网络技术的日趋普及与成熟，我司立足实际需求，针对复杂区域流动人口多、身份难以核查、人员来访不易管理的局面，推出人脸识别系统解决方案。 系统采用先进的人脸识别算法，高速芯片作为识别算法的运行硬件平台，通过出入口的身份证信息采集、实时人脸抓拍和人证比对，从而实现人证合一验证。并针对不同场所实现固定人员刷脸通行，访客人员人证比对登记，解决固定人员每次需要刷证或输入密码的问题，人证比对失败人员则需要安保人员或工作人员人工确认后手动放行。 2、设计原则 系统设计遵循技术先进、深度学习算法、性能稳定、节约成本的原则；本系统设计内容是系统的、全面的、完整的、易用的以及符合人机交互的；方案设计具有科学性、合理性、可操作性。
二、系统介绍 1、系统组成 人脸识别系统由人证识别终端、通道闸、人脸识别管理客户端及平台组成。 人脸识别系统拓扑图 2、人脸识别特性 人脸识别系统核心组成部分主要包括人脸图像采集模块、动态人脸定位、人脸识别预处理、身份查找、身份比对、身份确认、执行机构和记录平台等，并通过一脸通平台判断人员身份及权限，开放相应的区域，保留人脸通行记录事件，并根据相应的权限命令各子系统作出响应，例如固定客户通道自动放行，访客只允许进入指定楼层等。 人脸识别一体化终端使用世界领先的人脸检测、识别算法（FDDB与LFW世界前三），将其运行在高性能嵌入式平台中，配合200W像素的摄像头，终端实现人脸检测、人脸跟踪、与人脸识别，并可在屏幕上呈现相应的反馈。 本产品能够同时识别5个人，光线环境良好的情况下最远能识别5米远的人脸，人脸跟踪与检测耗时20ms左右，人脸特征提取耗时200ms左右，人脸比对耗时左右，对光
前言 在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个基本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。 于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。 人脸识别和其他的生物识别比起来有以下几个优点:1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。2、人脸识别可应用在远距离监控中。3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。 4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的
数字图像处理课程设计
人脸检测与识别课程设计一、简介人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技 术，根据数据库的人脸图像，分析提取出有效的识别信息，用来 “辨认”身份的技术。人脸识别是模式识别研究的一个热点, 它 在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广 泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主 元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成 一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同 时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态 具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设 计具有良好分类能力和鲁棒性的分类器. 支持向量机(SVM ) 模 式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及 高维模式识别问题中表现出许多特有的优势。 本此课程设计基于MATLAB，将检测与识别分开进行。其中检测 部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别 部分采用PCA算法对检测出的人脸图像进行特征提取, 再利用最
邻近距离分类法对特征向量进行分类识别，将在后文具体表述。仿真结果验证了本算法是有效的。 二、人脸检测源码 1.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; figure; 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; figure; imshow(faceRgn2); Q=faceRgn1.*faceRgn2;
机器学习概述课程设计 报告M A T L A B人脸识别 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】
机器学习概述课程设计报告题目：MATLAB人脸识别系统 姓名：** 学号：** 专业：** 时间：2015/8/7
目录 一、课程设计的目的.......................................... 二、设计的内容与要求........................................ 三、详细设计................................................ 四、课程设计的总结.......................................... 五、参考文献................................................
一. 课程设计的目的 人脸识别作为一项新兴的科学研究项目，有着广泛的应用前景，而且随着计算机技术的更新发展，它的科学研究价值也越发凸显。经过几十年的研发探讨，世界各大研究结构的研发人员的不断努力下，人脸识别技术一已取得丰硕的成果，可在一定限制条件下完成人脸的自动识别。这些成果的取得更促进了人们对人脸识别这一课题的深入研究。 在电子商务飞速发展的今天，人脸识别系统的范畴一不足以涵括人脸识别的应用范围，在数字图像处理、视频领域、基于内容的检索等方面有着重要的应用价值。。 二．设计的内容及要求 1、选择KNN,聚类或SVM方法中的一种或其他机器学习方法的一种 进行课程设计 2、要求能完成具体的识别任务：如图像分割、语音识别、人脸识 别 3、要求识别的对象中有自己生活元素，比如图像中包括学校的图片或语音时本人的语音等。 三．详细设计 YCbCr空间——>灰度图像转换——>噪声消除——>图像填孔——>图像重构——>人脸区域确定——>边缘检测
用Matlab实现人脸识别 学院：信息工程学院 班级：计科软件普131 成员：
一、问题描述 在一个人脸库中，有15 个人，每人有11 幅图像。要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。再任取图像库的一张图片，识别它的身份。 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。
二、PCA 原理和人脸识别方法 1）K-L 变换 K-L 变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，对原始数据进行正交变换，在变换域上实现数据压缩。它具有去相关性、能量集中等特性，属于均方误差测度下，失真最小的一种变换，是最能去除原始数据之间相关性的一种变换。PCA 则是选取协方差矩阵前k 个最大的特征值的特征向量构成K-L 变换矩阵。 2）主成分的数目的选取 保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。 3）人脸空间建立 假设一幅人脸图像包含N 个像素点，它可以用一个N 维向量Γ表示。这样，训练样本库就可以用Γi（i=1，...，M）表示。协方差矩阵C 的正交特征向量就是组成人脸空间的基向量，即特征脸。将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。这样每一幅人脸图像都可以投影到由u1,u2,...,ur张成的子空间中。因此，每一幅人脸图像对应于子空间中的一点。同样，子空间的任意一点也对
人脸识别智能电梯控制系统 设计方案 适合：高档住宅小区物业类 第一章电梯控制系统简介及设计依据 电梯管理系统简介 简单介绍一下智能人脸识别电梯管理系统：智能人脸识别电梯控制管理系统由安装在电梯轿厢的人脸识别一体机和控制器以及人脸采集器组成。电梯的使用人员通过人脸识别确定身份后，电梯可以开放所有按键权限，使用者选择自己所要到达的楼层按键，点亮按键并启动电梯到相应楼层；没有登记授权的人员，则不能使用。 1.2 系统主要设计依据规范 ●《智能建筑设计标准》（DBJ08-47-95） ●《民用建筑电气设计规范》（JGJ/T16-92） ●《电气装置安装工程施工及验收规范》（GBJ23-90，92） ●《建筑与建筑群综合布线系统工程施工和验收规范》 ●《安全防范工程程序与要求》(GA/T75-94) ●《建筑工程安装电器图集》 ●《安防建筑设计标准》（EBD-03-95） ●《商用建筑线缆标准》（EIA/TIA-569） ●CJ/T166-2002 建设事业IC卡应用技术标准 ●ISO 14443 TYPE A/B 非按触式IC卡读写标准 ●ISO/IEC9789-2 加密标准 ●ISO 7816 IC卡特性标准 ●ISO 9992 IC卡与写卡机之间的传输信息格式及交易流程规范 ●ISO 10202 IC卡交易系统安全架构 ●ISA RP55.1 数字处理计算机硬件测试 ●ANSI/ISA S82.01 电气和电子设备、测量和控制机相关设备的一般要求 ●GB8566-88 计算机软件开发规范
●GB8567-88 计算机软件产品开发文件编制指南 ●电力企业计算机管理信息系统实用化验收导则（试行） 第二章系统方案 电梯管理子系统解决方案 系统模式：人脸识别的楼控模式 电梯门禁系统由安装在电梯厅内的人脸识别一体机和控制器以及人脸采集器组成。 电梯门禁系统在电梯处于消防、检修等特殊状态时自动退出管理，也可以通过手动开关退出管理，方便电梯在特殊情况下使用。 适用于安全级别较高的环境，要求每层楼的用户确认合法身份后才能正常使用，可以有效地防止闲杂人员非法进入。 系统技术参数 电气参数 A、DAIC-DT-MB使用DC 24V±10%/5A单电源工作,主控板最大工作电流<500mA；扩展板 最大工作电流<200mA。 B、主控板带16路干触点输出；扩展板可带8路干触点输出、可控制8层楼。每个主 控板最多可接6个扩展板。 C、每个触点的输出特性为：导通电阻小于5Ω；截止电阻大于10MΩ； D、输出驱动能力为：AC 125V 0.3A / DC 110V 0.3A / DC 30V 1A E、使用环境: 温度： 0--60℃ 相对湿度：20%--90%不结露； F、储存环境: 温度： -10--90℃ 相对湿度: 20%--90%不结露； G、系统全兼容ID/IC/CPU,使用CPU卡、Mifare 1 卡，典型操作时间0.2秒； H、外部通讯接口：RS485、TCP/IP。 I、支持指纹纹电梯、面部识别电梯控制系统、掌纹梯控、指静脉电梯管理系统
基于ＭATＬAB的人脸识别
————————————————————————————————作者: ————————————————————————————————日期:
图像识别 题目:基于MＡTＬAB的人脸识别 院系:计算机科学与应用系 班级: 姓名： 学号： 日期：
设计题目基于MAＴLAＢ的人脸识别设 计技术参数 测试数据库图片10张训练数据库图片20张图片大小１02４×7６8 特征向量提取阈值 1 设计要求综合运用本课程的理论知识,并利用MAＴＬAB作为工具实现对人脸图片的预处理,运用ＰCA算法进行人脸特征提取，进而进行人脸匹配识别。 工作量 两周的课程设计时间，完成一份课程设计报告书，包括设计的任务书、基本原理、设计思路与设计的基本思想、设计体会以及相关的程序代码； 熟练掌握Maｔlab的使用。 工作计划第1-2天按要求查阅相关资料文献,确定人脸识别的总体设计思路； 第３-4天分析设计题目，理解人脸识别的原理同时寻求相关的实现算法；第５-８天编写程序代码，创建图片数据库,运用ＰCＡ算法进行特征提取并编写特征脸，上机进行调试； 第9-12天编写人脸识别程序,实现总体功能； 第13-1４天整理思路,书写课程设计报告书。 参考资料1 黄文梅，熊佳林,杨勇编著．信号分析与处理——MATAＬB语言及应用.国防科技大学出版社，2000 2 钱同惠编著.数字信号处理.北京:机械工业出版社，２004 3 姚天任,江太辉编著.数字信号处理．第2版.武汉:武汉理工大学出版社,200０ 4 谢平，林洪彬，王娜.信号处理原理及应用．机械工业出版社，２00４ 5刘敏，魏玲.Mａｔｌａb.通信仿真与应用.国防工业出版社，20０5 6 楼顺天.基于Ｍatlab7．x 的系统分析与设计.西安电子科技大学,200２ 7孙洪.数字信号处理.电子工业出版社，２001 目录 引言?错误!未定义书签。 1 人脸识别技术?错误!未定义书签。 1.1人脸识别的研究内容?错误!未定义书签。 1.1.1人脸检测(Faｃe Dｅｔection）........... 错误!未定义书签。
现今随着人脸识别系统的不断成熟和完善，它也被人们广泛应用于社会的公共安全防范、刑侦、技侦、网络安全、金融安全等领域。接下来，我们就来具体了解一下。 一、人脸管理功能 1、名单管理。对名单库及库内名单进行管理。支持用户新增、修改、删除名单库，也可以对库内名单进行新增、修改、删除等动作。 2、资源管理。对布控点及布控点内的人脸采集摄像机、抓拍相机进行管理，可添加，修改，删除抓拍机。 3、布控管理。支持添加、编辑、撤销布控任务。 4、任务管理。支持对上传记录进行显示、查询及删除操作。可显示上传图片的记录，并按姓名、证件号和建模状态查询查看建模的黑名单、总数、成功数和失败数。 二、人脸应用功能 1、实时抓拍。基于前端高清摄像机或人脸抓拍相机，通过系统或抓拍相机在实时视频中检测人脸，跟踪人脸运动轨迹，截取到最清晰的一帧进行储存。并
把抓拍人脸照片、经过时间、相机地点信息等记录在路人库中，抓拍到并储存的人脸信息可作为检索数据库使用。 2、实时预警。支持抓拍图片与黑名单库的实时比对。支持预警接收的设置，在预警设置里,可选择预警接收的布控任务和布控范围。 3、历史预警。支持按布控任务、布控范围、布控对象、相似度、时间、报警确认形式进行单一条件或组合条件的查询。 4、人脸查询。支持对动态抓拍库、静态名单库的人脸查询。查询照片支持原图查看，详细信息查看，前后视频预览。 三、人脸识别优势 1、非接触性。人脸识别可以不接触人体，直接通过摄像头在一定距离内识别人的面部特征，达到辨别的目的，从而可以实现更大范围，更多方位的信息采集。 2、非侵扰性。人脸识别的非接触性也为被采集者带来了非侵扰性的体验。一方面对人脸的采集无需被采集者配合也无需工作人员干预。另一方面人脸属于暴露在外的生物特征，对人脸的识别采集更容易被大众接受。 3、硬件基础完善。人脸识别对硬件的需求主要体现在摄像头上，当前普及的智能手机均带有高像素的摄像头。同时，伴随国内视频监控体系建立的逐渐完善，城市中高清晰度摄像头的密度逐渐增加，因此相比需要特定的指纹识别设备等，人脸识别的硬件基础优势更加明显。 4、采集快捷便利。对基础设施的要求比较低和非接触的采集方式缩短了信息采集时间，提供了方便的采集方式。
开发研究人脸识别系统设计 张春悦，韩飞* (沈阳工学院信息与控制学院，辽宁抚顺113122) 摘要:近年来人员逐渐增多,为方便考勤制度的管理,人脸识别技术在各大中小企业、学校等单位得到广泛使 用。该设计以人脸识别系统为基础，该系统使用VS2012作为系统开发平台,以SQL Server2008作为数据库,该系统主要分为2个部分，考勤系统和基于人脸识别技术。系统采用WVC模式。 关键词:人脸识别;数据库;WVC模式 1系统相关技术简介 面部识别的原理主要由两部分组成：模式识别技术和计算机视觉技术。模式识别是计算机科学、数学等主要研究目标所形成的科研任务,其研究对象主要包括指纹、语#、人脸等。计算机视觉技术主要指电脑设备及计算机技术模拟生物视觉,它的主要作用是代替人眼采集图片和视频，从而得到对应场景信息。 人技术錄些领域相对安全，识别效率高、领域广。主要有两种应用形式:第一种为数据库检索，其功能即为从图像库存中找相似的图像，该方式对人脸识别要求较高，时间要求较低，主要应用于公安部门或智能试图方面。第二种为实时检索,要求精准度要高,但数据库比较小,适合于考勤等人员较少的系统。 人脸识别技术对时间有着高要求，只需将图像放大即可。为了能快速查找出人脸的基本特征，首先要求特征具有辨识度;其次要求具有很好的辨识能力,判断具体是谁的人脸信息;最后要求被提取的信息可以腿被搜索到。在本系 统的人脸识3!1考勤制度的研究中,默认前提条件就是系统正在进行考勤，只能在人脸对应摄像头的时候减少脸部的偏转。 人脸识别方法主要包括3种经典的方式，网络神经、图像匹配和特征脸方式。而常用的方法很多，有特征脸、局部 特征、柔性形状、弹性匹配等很多种类。 2系统MVC设计 基于面部信息的识别，考勤系统使用MVC设计模式, MVC设计模型基于包括系统操作,面部识别算法和数据库操作等功能的系统平台。这些优点不仅可以确保数据库的安全性，还可以使模块相互独立。即使更改了模块,也不会影响整个系统的正常使用。 2.1MVC模式简介 作者简介:张春悦(1997-),女，汉族，辽宁盘山人，沈阳工学院学生，研究方向：电气智能化. 通讯作者:韩飞(1987-),女，汉族，辽宁清原人，沈阳工学院信息与控制学院，讲师，硕士，研究方向：建筑电气智能化. MVC设计模式包括Model、View、Controller及模 型、视图、控制器,并且把它应用在软件设计开发中。MVC 设计模型的主要思想是将代码与模型分开并查看其实现, 这将用户界面与程序本身以及模型和视图中的控制模式。 模型应用功能层:Model表示实现系统的城和数据之间的规则,Model封装了数据以及数据之间的相互操作。在整个MVC设计模式里面，Model主要负责数据处理功能,主要实现娠请求，数据删,咖參改，状态和事务处理。最重要的是,MCV模式使模型独立于视图，这样当View 改变时Model并不会受到其影响系统还是可以正常运行。 视图表示层:View层是与用户的交互层,即为用户交 互界面。View层可以直接从Model层直接进行数据交换，当View的数据发生变化时，可以直接同步到Model 层,使之数据同样也发生变化。 控制器层:控制匙制层直接接受用户的输入,并且可以通过调用View和Model完成用户需求,Controller层 沟通连接Model层以及View层。 2.2系统整体结构设计 根据MVC设计方案，本文将系统的整体结构划分为 数据库服务器、系统显示以及系统API3个部分。其中, API是后台数据库和系统显示的直接接口,它包含数据管理，用户管理,人脸识别管理，用户登录管理,系统设定以及 考勤设定六个独立的模块。使用MVC设计模式使数据库更安全，并使系统升级更方便。 2.3系统功能模块详细设计 通过结合系统的需求和本机实际存在工作的需要，本文档将人脸识别存在系统划分为以下模块：面部信息管理和员工信息管理的信息管理、考勤规则设置分为班次设置、节假日设置以及异常情况设置、考勤记录统计以个人查询、时段查询以及按部门查询为核心、考勤信息查询为按个人信息统计、按时段信息统计、按部门信息统计。 3结束语 本文简要介绍了面部识别系统的设计，提出了考勤系统的一些问题的解决办法，但实际运行中还需要考虑诸多因素,例如光照条件，人体姿势角度,人脸特征提取等。 参考文献： [1]孙冬梅，裘IE定.生物特征识肢术综述[J].电子報2001. [2]刘靖.基于Gabor特征量和核函数判决分析方法的人 脸识别⑴.计算机应用,2005. (收稿日期=2019-03-13) 《湖北农机化》2019年第12期
： 数字图像处理 课 程 设 计 ] $
: 人脸检测与识别课程设计 一、简介 人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变 性. 主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机 (SVM ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。 本此课程设计基于MATLAB，将检测与识别分开进行。其中检测部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别部分采用PCA算法对检测出的人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别，将在后文具体表述。仿真结果验
证了本算法是有效的。 二、人脸检测 1.》 2.源码 img=imread('D:\std_test_images\'); 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; ~ figure; imshow(faceRgn1); r=double(R)./double(sum(img,3)); g=double(G)./double(sum(img,3)); Y=*R+*G+*B; faceRgn2=(r>&(r<&(g>&(g<&(r>g)&g>='Boundingbox'); BB1=struct2cell(BB); BB2=cell2mat(BB1); ) figure; imshow(img); [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))< 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,'edg ecolor','r'); hold off; end end
人脸识别课程设计报 告
用Matlab实现人脸识别 学院：信息工程学院班级：计科软件普131 成员： 一、问题描述
在一个人脸库中，有 15 个人，每人有 11 幅图像。要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。再任取图像库的一张图片，识别它的身份。 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。 二、PCA 原理和人脸识别方法 1）K-L 变换 K-L 变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，对原始数据进行正交变换，在变换域上实现数据压缩。它具有去相关性、能量集中等特性，属于均方误差测度下，失真最小的一种变换，是最能去除原始数据之间相关性的一种变换。PCA 则是选取协方差矩阵前 k 个最大的特征值的特征向量构成 K-L 变换矩阵。 2）主成分的数目的选取
保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。 3）人脸空间建立 假设一幅人脸图像包含 N 个像素点，它可以用一个 N 维向量Γ表示。这样，训练样本库就可以用Γi（i=1，...，M）表示。协方差矩阵 C 的正交特征向量就是组成人脸空间的基向量，即特征脸。将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。这样每一幅人脸图像都可以投影到由 u1,u2,...,ur张成的子空间中。因此，每一幅人脸图像对应于子空间中的一点。同样，子空间的任意一点也对应于一幅图像。 4）人脸识别 有了这样一个由"特征脸"张成的降维子空间，任何一幅人脸图像都可以向其投影得到一组坐标系数，这组系数表明了该图像在子空间中的位置，从而可以作为人脸识别的依据。计算数据库中每张图片在子空间中的坐标，得到一组坐标，作为下一步识别匹配的搜索空间。计算新输入图片在子空间中的坐标，采用最小距离法，遍历搜索空间，得到与其距离最小的坐标向量，该向量对应的人脸图像即为识别匹配的结果。 三、实验步骤
数字图像处理实验报告 院系：计算机科学学院 班级：计科11303 小组成员：张世柳、邓伟养、兰洋、冯威 成员学号： 201510049 实验名称：基于MATLAB的人脸识别算法 实验时间： 2015.10.01 - 2015.10.19 实验地点：东4教2号机房
目录 一、绪论 (2) 二、实验设计 (2) （一）实验题目 (2) （二）实验目的 (2) 三、实验准备 (2) （一）环境准备 (2) （二）知识准备 (3) 四、算法设计 (3) （一）问题描述 (3) 1. 主成分的一般定义 (3) 2. 主成分的性质 (4) 3. 主成分的数目的选取 (4) （二）PCA算法的功能实现 (5) 1. 人脸空间的建立 (5) 2. 特征向量的选取 (5) 3. 人脸识别 (5) 4. 识别流程 (6) 五、程序实现 (6) （一）人脸识别程序 (6) 1. 用户界面 (6) 2. 选择图片 (6) 3. 图片选择后 (6) 4. 查找后 (6) （二）测试及结果分析 (6) 六、实验总结 (7) 七、参考文献 (10)
一、绪论 随着科技的发展，人类社会的进步，传统身份识别由于容易遗失，容易被破解已不能起到身份识别作用。人们需要更加安全可靠的身份识别技术。而生物特征的独一无二，不易丢失和被复制的特性很好满足了身份识别的需要。同时随着计算机科学技术和生物医学的发展使得利用生物特征识别成为了可能。在生物特征识别领域，由于人脸识别的操作快速简单，结果直观，准确可靠，不需要人的配合等优点已成为人们关注的焦点。主成分分析（PCA）通过提取高维度的人脸图像的主元，使得图像在低维度空间中被处理来降低了图像处理的难度。由于其有效的解决了图像空间维数过高的问题，已经成为人脸识别领域非常重要的理论，本实验研究的是基于MATLAB人脸识别算法的实现。 二、实验设计 （一）实验题目 机器人视觉——基于MATLAB的人脸识别算法 （二）实验目的 1. 初步了解人脸识别的特征法； 2. 学会使用主成分分析算法（PCA）； 3. 通过功能模块实现人脸识别系统； 4. 完成数字图像处理课程的作业要求。 三、实验准备 （一）环境准备 MATLAB 7.0
摘要 生物特征识别技术使用了人体本身所固有的生物特征，与传统的身份识别方法完全不同，具有更高的安全性、可靠性、和有效性，越来越受到人们的重视。人脸识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，已经成为计算机视觉、模式识别领域的研究热点。人脸识别在公共安全、证件验证、门禁系统、视频监视等领域中都有着广泛的应用前景。 本文是在人脸数据库的基础上做人脸特征提取和识别研究，主要内容如下： （1）对人脸识别研究的内容、相关技术、主要实现方法及发展历程作了详细介绍。 （2）介绍主成分分析法(PCA)、K-L变换，并利用特征脸方法实现了人脸识别。 关键词: 人脸识别，特征脸，主成分分析 作者：张帆 指导老师：王震宇
Abstract Biometics,because of using the proper living creature characteristic of human body,is the totally brand new technique different from traditional personal ideniification method and it has the better safety,dependable with the usefulness,and it was payed great attention.Face recongnition is an important component of biometrics and in all kinds of methods,it is also one of the most active and challenging tasks for computer vision and pattern recognition in recent 30 years.Face recognition has a wide range of potential app1ications in the areas of public security，identification of certificate，entrance control and video surveillanee. This paper mainly studies the approaches to the features extraction and recognition in the face database.The main contents are as follows: (1)Give a full introduce to the contents of face recongnition,related techonology,the main implement methods and its development history. (2)Give a introduce to the Princeple Components Analysis(PCA),K-L translation,and realized it via eigenface method. Key Words: Face Recongnition，Eigenface, Principle Component Analysis
人脸识别技术概述 --执生命密匙，启身份之锁目录： 摘要、关键词、引言 (2) 一、人脸识别技术介绍 (3) 二、人脸识别技术的方法 (3) 三、人脸识别的技术指标 (4) 四、人脸识别技术国内外发展现状 (5) 五、人脸识别技术的展望 (6) 六、结论 (7)
【摘要】：生物特征识别技术是利用人的生理特征或行为特征，来进行个人身份的鉴定。在不同的生物特征识别方法中，人脸识别有其自身特殊的优势，因而在生物识别中有着重要的地位。文章论述了人脸识别技术的原理、方法和特征以及应用的优缺点，介绍了国内外人脸识别技术的发展现状和展望。 【关键词】：生物特征识别技术；人脸识别；基本方法；指标；性能；现状；展望 【引言】： 网络信息化时代的一大特征就是个人身份的数字化和隐性化。如何准确鉴定一个人的身份，保护信息安全是当今信息化时代必须解决的一个关键性社会问题。目前，我国的各种管理大部分使用证件、磁卡、IC卡和密码，这些手段无法避免伪造或遗失，密码也很容易被窃取或遗忘。这些都给管理者和使用者带来很大不方便。生物特征身份鉴别方法可以避免这些麻烦。因此，这一技术已成为身份鉴别领域的研究热点。 所谓生物特征识别技术就是，通过计算机与各种传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征，来进行个人身份的鉴定。 生理特征与生俱来，多为先天性的；行为特征则是习惯使然，多为后天性的。生理和行为特征统称为生物特征。但并非所有的生物特征都可用于个人的身份鉴别。身份鉴别可利用的生物特征必须满足以下几个条件： 第一，普遍性，即必须每个人都具备这种特征； 第二，唯一性，即任何两个人的特征是不一样的； 第三，可测量性，即特征可测量； 第四，稳定性，即特征在一段时间内不改变。 现在常用的生物特征有人脸识别、虹膜识别、手形识别、指纹识别、掌纹识别、笔迹识别、声音识别等。 在不同的生物特征识别方法中，人脸识别有其自身特殊的优势，因而在生物识别中有着重要的地位。人脸识别所拥有良好的特性，使其具有非常广泛的应用前景，正在引起学术界和商业界越来越多的关注。随着近十年来人脸识别技术的飞速发展，它且正在越来越多被应用在通关，企业安全和管理，刑侦等各个领域。