基于Matlab的人脸识别校园考勤及安全系统

毕业设计基于matlab毕业设计基于MATLAB的应用一、引言毕业设计是大学生在校期间的重要任务之一，它是对所学知识的综合运用和实践能力的考验。

在选择毕业设计的题目时，很多学生会选择基于MATLAB的设计，因为MATLAB是一种功能强大的工具，可以帮助学生完成各种复杂的计算和数据分析任务。

本文将探讨毕业设计基于MATLAB的应用。

二、MATLAB的功能和特点MATLAB是一种高级的技术计算语言和环境，它具有许多强大的功能和特点。

首先，MATLAB可以进行各种数值计算，如矩阵运算、方程求解、插值和拟合等。

其次，MATLAB还可以进行数据可视化，通过绘制图表和图像，直观地展示数据的分布和趋势。

此外，MATLAB还支持编写脚本和函数，以实现自动化的计算和分析。

三、基于MATLAB的毕业设计案例1. 图像处理图像处理是MATLAB的一个重要应用领域，许多毕业设计都选择了基于MATLAB的图像处理项目。

例如，可以设计一个基于MATLAB的人脸识别系统，通过图像处理算法提取人脸特征并进行比对。

另外，还可以设计一个基于MATLAB的图像滤波器，对图像进行去噪或增强等处理。

2. 信号处理信号处理是另一个常见的MATLAB应用领域。

可以设计一个基于MATLAB的音频压缩算法，通过信号处理技术减少音频文件的大小而不影响音质。

此外，还可以设计一个基于MATLAB的语音识别系统，通过分析声音信号提取语音特征并进行识别。

3. 数据分析数据分析是MATLAB的又一个重要应用领域。

可以设计一个基于MATLAB的数据挖掘系统，通过分析大量的数据，发现其中的规律和趋势。

此外，还可以设计一个基于MATLAB的金融模型，通过对金融数据的分析和建模，预测股票价格或者进行投资策略优化。

四、毕业设计的步骤和注意事项进行毕业设计时，需要按照一定的步骤进行，并注意一些事项。

首先，需要明确设计的目标和要求，确定所需的数据和算法。

其次，需要进行详细的设计和实现，编写MATLAB代码并进行测试。

基于matlab的彩色图像皮肤区域分割及人脸检测目录第一章引言 (1)第二章算法理论与实现原理 (1)2.1肤色分割理论 (1)2.2常见肤色模型比较 (2)2.2.1 区域模型 (2)2.2.2简单高斯模型 (2)2.2.3 混合高斯模型 (2)2.2.4 直方图模型 (3)2.3常见色彩空间比较 (3)2.3.1RGB .........................................................32.3.2HSV...........................................................42.3.3YcbCr........................................................4 第三章系统设计 (7)3.1建立肤色模型 (7)3.2肤色分割步骤 (8)第四章参考文献 (12)第五章心得体会 (12)第一章引言近年来,随着人工智能的快速发展，人脸识别技术逐渐成为模式识别与计算机视觉领域的一个研究热点，可用于身份认证、人员监视、图像数据库检索以及目标跟踪等场合。

第 1 页共 16 页人脸识别(Face Recognition)是将输入的人脸图像与系统已知人脸库中的模型进行比较,以确定是否存在相匹配的人脸，而人脸检测( Face Detection) 是指在输入图像中确定所存在的人脸的位置与大小，所以快速有效的人脸检测则显得至关重要，是实现人脸识别的前提和基础。

人脸检测系统要求实现对输入的可能包含人脸的图像进行处理,并输出图像中是否存在人脸以及人脸的数目、位置、尺度、位姿等参数信息。

传统的人脸检测方法大多是在亮度空间内进行,利用灰度的变化做多尺度空间的全搜索,计算量非常大、效率极低,而在人脸区域中,肤色一定是占主导地位的像素色彩值，虽然肤色因人而异,但经过研究可以发现肤色在色彩空间中的一定范围内是呈聚类特性的,特别是在排除了光照亮度和在经过变换的色彩空间中，利用肤色这一特征可以排除掉在灰度图像中的非皮肤区域，这对人脸检测起到了积极的作用。

J I A N G S U U N I V E R S I T Y数学在计算机网络中的应用——人脸识别课程报告所属学院：计算机学院专业班级：姓名：学号：3130610时间：2016年6月12日指导老师：一、人脸识别系统概述1.广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。

生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。

2.人脸识别的优势在于其自然性和不被被测个体察觉的特点。

3.所谓自然性，是指该识别方式同人类（甚至其他生物）进行个体识别时所利用的生物特征相同。

例如人脸识别，人类也是通过观察比较人脸区分和确认身份的，另外具有自然性的识别还有语音识别、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。

4.不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。

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、人脸识别的应用同其他生物特征识别技术，如指纹识别、说话人语音识别、虹膜识别、DNA识别、步态识别等相比，人脸识别具有被动、友好、方便的特点。

智慧校园人员出入及物联网综合管理系统浙天集团一、概述智慧校园人员出入及物联网综合管理系统，针对出入校管理系统为记录走读学生、请假学生入校、出校情况，学生出入校时进行人脸识别身份，入校直接识别人脸即可，出校时人脸识别后，保安会看到学生出入信息，如果是走读学生则判断是否在出校时间段，如果是请假学生则判断是否已经请假，符合出校条件则可以出校，系统记录出入校时间。

系统由于需要人脸识别，因此需要与第三方出入口人脸识别设备厂商进行对接，系统需要获取学生请假信息，因此需要从学生请假中获取请假数据。

与传统刷卡相比较，避免了ID卡容易丢失和被不轨之人捡到丢失卡片后进入校园进行违法行为的风险。

二、业务需求在封闭式管理的学校，为了规范学生行为，加强对学生的管理，杜绝意外事件的发生，学校一般会制定严格的出入校规范，学生不能随意的进出校门。

在学校实际环境中，对于走读生，保安人员无法进行判断，对于其他学生必须出示出门条，相应的人员签字才能出校，这样有一些风险为学生伪造出门条，学生代替等情况。

学生进门时无法判断是否为本校学生，有可能会混入社会人员。

为了杜绝这种情况，需要有严格的监控机制，人脸识别出入校就是一种比较好的方式，学生出校时识别人脸，确认身份，保安界面直接查看学生详细信息，跟数字校园平台联动，则可以判断此学生是否为走读生或请假学生，如果是走读生，是否在规定的出校时间段内，详细信息中有学生照片，可以杜绝学生代替的情况。

同时，支持手机、平板等移动数字终端为载体，基于手机APP和微信企业号二种使用方式，有效连接师、生、家、校。

通过校园应用商店机制集成多种应用系统，为学校提供一套移动办公，互动学习，教学管理，一站式沟通服务体系。

三、系统组成智智慧校园人员出入及物联网综合管理系统由前端道闸人脸识别系统、传输通道统和校园物联网综合管理系统组成（也可无缝兼容主要智慧校园管理系统）。

如图1：图1 智智慧校园人员出入及综合管理系统3.1、道闸人脸识别系统道闸是专门用于校园出入口限制学生出入口管理设备，现广泛应用于学校、图书馆、影院等主要出入口通道，用于管理人员的出入。

人脸识别一、人脸识别的定义人脸识别是基于计算机图像处理技术和生物特征识别技术，提取图像或视频中的人像特征信息，并将其与已知人脸进行比对，从而识别每个人的身份。

它集成了人工智能、机器学习、模型理论、视频图像处理等多样专业技术。

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

随着智能手机的快速普及，可以通过手机镜头在手机上做基于人脸识别的身份注册、认证、登录等，使身份认证进程更安全、方便。

由于人脸比指纹等视觉辨识度更高，所以刷脸的应用前景更广阔。

二、人脸图像的应用1.企业、住宅安全和管理。

如人脸识别门禁考勤系统，人脸识别防盗门等。

2.电子护照及身份证。

这或许是未来规模最大的应用。

人脸识别技术是首推识别模式，该规定已经成为国际标准。

美国已经要求和它有出入免签证协议的国家必须使用结合了人脸指纹等生物特征的电子护照系统。

美国运输安全署计划在全美推广一项基于生物特征的国内通旅行证件。

欧洲很多国家也在计划或者正在实施类似的计划，用包含生物特征的证件对旅客进行识别和管理。

中国的电子护照计划公安部一所正在加紧规划和实施。

3.公安、司法和刑侦。

如利用人脸识别系统和网络，在全国范围内搜捕逃犯。

4.自助服务。

如银行的自动提款机，如果同时应用人脸识别就会避免被他人盗取现金现象的发生。

5.信息安全。

如计算机登录、电子政务、电子商务及银行交易。

在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。

而当前，交易或者审批的授权都是靠密码来实现。

如果密码被盗，就无法保证安全。

如果使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一。

从而大大增加电子商务和电子政务系统的可靠性。

三、人脸图像的预处理预处理是人脸识别过程中的一个重要环节。

输入图像由于采集环境的不同，可能收到光照，遮挡的影响得到的样图是有缺陷的。

一、背景介绍密码锁是一种常见的安全设备，通过输入密码来开启或关闭设备。

密码锁编程是指使用计算机编程语言对密码锁进行控制和设置。

MATLAB是一种功能强大的编程语言和工程软件，可以用来实现密码锁的编程。

二、密码锁编程的基本原理1. 密码输入与验证：用户通过键盘输入密码，程序接收并验证密码的正确性。

2. 开锁与关锁：当密码输入正确时，程序可以通过控制电子锁实现开锁操作；密码错误时，程序可以记录错误次数并进行报警。

3. 程序界面设计：可以通过MATLAB的图形界面设计工具创建用户友好的交互界面，提供输入密码和显示结果的功能。

三、密码锁编程的具体步骤1. 设置密码：首先需要设定一个初始密码，并将其储存在程序中。

2. 用户输入：程序需要接收用户输入的密码。

3. 验证密码：程序对用户输入的密码进行验证，判断是否与设定的初始密码一致。

4. 开锁与关锁：如果密码验证通过，程序可以通过控制电子锁实现开锁操作；如果密码错误，程序可以进行相应的处理。

5. 界面设计：通过MATLAB的图形界面设计工具创建交互界面，包括输入密码框、确认按钮和显示结果的部分。

四、密码锁编程的技术要点1. 数据处理：程序需要对用户输入的密码进行适当的加密和比对，确保密码的安全性。

2. 控制操作：程序需要调用相应的接口函数，实现对电子锁的控制和操作。

3. 用户交互：程序需要设计良好的用户界面，让用户能够方便地进行密码输入和了解操作结果。

五、密码锁编程的应用领域1. 家用密码锁：可以用MATLAB编程实现智能门锁、保险柜等设备的密码管理。

2. 商用密码锁：可以将MATLAB编程应用在银行保险柜、企业办公室等需要高安全性的场合。

3. 教育科研：密码锁编程也可以作为MATLAB编程教学和科研实验的一个具体应用案例。

六、密码锁编程的未来发展随着科技的不断发展和智能化水平的提高，密码锁编程也将在更广泛的领域得到应用。

随着物联网和大数据技术的兴起，密码锁编程还可以与其他领域的技术进行深度融合，实现更加智能、安全的密码管理系统。

１ 引 言
Ｓｍｕｉｋ是一个 系统 级 的设 计和仿 真 环境 ， ｉ ｌ ｎ 用
Ｅ ｅ ｄ ｄＭＡＴ ＡＢ是 ＭＡＴ ＡＢ的一 个 子 ｍｂ ｄ ｅ Ｌ Ｌ
集， 它支持 用户 从 现存 的或 自编 的 Ｍ—ｏ ｅ中生 成 ｃｄ 高效 、 读 的嵌 入 式 Ｃ代 码 ｌ ， 加 速定 点算 法 的 可 １能 ］ 仿 真 ， 而避 免 了耗 时和 用 Ｃ代 码 重写 ＭＡＴ ＡＢ 从 Ｌ 算 法易 出错 的弊端 。
Ｓｍｕｉｋ模 块 库 中的 用 户 自定 义模 块 － Ｅ ｅｄｄＭＡ ＡＢ函 数模 块来 实现 相 似 度 算 法 。 ｉ ｌ ｎ ｍｂｄ ｅ ＴＬ
关键词
人脸识别 ；Ｅ ｅ ｄｄＭＡ Ｌ Ｂ函数 ；相似度 ｍｂｄ ｅ Ｔ Ａ
ＴＰ ９． １ ３ １ ４
中图 分 类 号
Ｒｅ ｌ ａ ｉｎ ｏ ｉ ｉ ｒｔ ｓ ｄ ｏ ｂ ｄ ｅ Ａ ａ ｉ ｔｏ ｆＳ ｍ ｌ ｉｙ Ｂａ ｅ ｎ Ｅｍ ｅ ｄ ｄ Ｍ ＴＬＡＢ ｕ ｃｉｎ Ｂｌｃ ｓ ｚ ａ Ｆ ｎ ｔｏ ｏ ｋ
￣
ｔ ｃ Ｆ ｃ ｅ ｏ ｎ ｔｏ ｌ ｏ ｉ ｍ ｄ ｌ ｓ ｄ ｉ ｕ ｆ．Ｔｈ ｓｒ ｑ ｉｅ ｏ ｒ ｃ ｇ ｉｅｆ ｃ ｉ ｈ ａ ｃ ｒ ｃ ．Ｓ ｓ ｍ ｔ ａ ｅ ｒ ｃ ｇ ｉｉｎ ａｇ ｒ ｈ ｉ ｗｉ ｅｙ ｕ ｅ ｏ ｒｌ ｅ ｔ ｓ ｎ ｉ ｉ ｅ ｕ ｒ ｓｔ ｅ ｏ ｎ ｚ ａ ｅｉ ｈｇ ｃ ｕ ａ ｙ ｏ ｉ ｉ ｎ ｔ
总第 ２４期 ４
计 算 机 与 数 字 工程
Ｃｏ ｕ ｅ ｍｐ ｔｒ＆ Ｄｉｉａ ｇｎ ｅｉｇ ｇｔｌ Ｅｎ ｉｅ ｒ ｎ
Ｖｏ ． ８ Ｎｏ ２ １３ ．
２ ２
２ １ 年第 ２期 ００

基于主成分分析的QR二维码人脸识别摘要：社会的高速发展，使得人脸识别技术在身份信息认证方面迅速发展与成熟，本文提出一个新的思想，将先进的人脸识别技术与当今应用最广泛的二维码技术相结合，以达到快速认证身份信息的目的。

关键词：主成分分析；QR；二维码；人脸识别引言人脸识别技术广泛地应用在社会生活的方方面面，包括身份管理、系统安全认证、第三方支付、刑侦跟踪、智能家居、人机交互、视频会议等各种场景，因此人脸识别成为当前模式识别和人工智能领域的一个热门研究方向。

1QR码简介QR码（QuickResponseCode）的全称为“快速响应矩阵码”，是由日本Denso公司于1994年开发的一种矩阵式二维码，可用于存储汉字、图像、音频等多种数据类型的信息。

与其他二维码相比，QR码的优势在于能够被快速读取、可存储更多信息、占用空间小、纠错能力强。

使用外围设备来对QR码进行扫描，能够实现360度全方位高速识读。

QR码呈正方形，只有黑白两色，包括编码区域、空白区域和功能区域。

在左上角、左下角、右上角的3个角落中，印有同心正方形图案。

根据QR编码的掩模作用，在内部的其他地方几乎不可能遇到类似的图形，因此这3个是QR码的定位标志，在扫描时借助图形定位无论以任何角度扫描，数据都能被正确辨识。

QR码共有40个版本，尺寸从21×21模块（版本1）到177×177模块（版本40），QR编码用深色模块表示二进制“1”，浅色模块表示二进制“0”，采用RS（Reed-Solomon）纠错，分为4个纠错等级：L级（纠错7%）、M级（纠错15%）、Q级（纠错25%）、H级（纠错30%）。

纠错机制在即使因某种原因未能完整辨识到全部的条码的情况下，也能够正确地还原条码上的信息。

主成分分析（PrincipalComponentAnalysis，PCA）是一种把多个变量化为少数几个主成分的统计方法，目的在于数据降维。

PCA算法以K-L（Karhunen-Loeve）变换为基础，K-L变换介绍如下，它的实质是将一个物体主轴沿特征向量对齐旋转变换后形成一个新的坐标系，通过变换消除原有向量的各个分量之间的相关性，进而消除那些带有较少信息的坐标分量，以达到特征空间降维的目的。

Matlab在智能控制与自动化系统中的应用案例智能控制与自动化系统是当今科技领域的热门话题，它涉及到诸多领域，如机器学习、人工智能、机器视觉等。

而Matlab作为一种功能强大的编程语言和软件工具，被广泛应用于智能控制与自动化系统中。

本文将探讨Matlab在该领域中的应用案例，并分析其在实际系统中的作用。

一、机器学习机器学习是智能控制与自动化系统中不可或缺的一部分。

通过机器学习算法，系统可以根据大量的数据进行学习和预测，从而实现自动化控制。

Matlab提供了丰富的机器学习工具和函数，极大地简化了机器学习的实现过程。

以图像识别为例，在智能控制与自动化领域，图像识别广泛应用于人脸识别、物体检测等场景。

Matlab中的图像处理工具箱提供了多种图像特征提取、分类和识别的算法，方便了图像识别的实现。

通过Matlab，可以使用深度学习库来实现卷积神经网络（CNN），从而提高图像识别的精确度和效率。

二、控制系统设计控制系统设计是智能控制与自动化系统中的核心任务。

Matlab提供了丰富的工具箱和函数，支持不同领域的控制系统设计，如PID控制、模糊控制、自适应控制等。

以PID控制为例，PID是一种经典的控制算法，在许多自动化系统中得到广泛应用。

Matlab中的控制系统工具箱可以帮助工程师快速设计和调整PID控制器参数，并通过仿真验证控制效果。

此外，Matlab还提供了优化工具箱，可以根据系统的性能指标，自动优化控制器参数，从而进一步提高控制系统的性能。

三、机器视觉机器视觉是智能控制与自动化系统中的另一个重要领域。

它通过图像和视频数据，实现对现实世界的理解和感知。

Matlab提供了强大的图像处理和计算机视觉工具箱，可以帮助开发人员快速实现各种机器视觉应用。

在工业自动化领域，机器视觉可以用于检测和识别产品缺陷，提高生产线的质量和效率。

通过Matlab，可以利用图像处理和模式识别算法，实现对产品的自动检测和分类。

此外，Matlab的计算机视觉工具箱还提供了特征提取和目标跟踪等功能，可用于实现自动导航和无人车等应用。

cascade级联原理matlab【cascade级联原理matlab】是指在Matlab中使用级联分类器算法进行目标检测的一种方法。

级联分类器是一种非常高效的目标检测算法，被广泛应用于人脸识别、行人检测等领域。

在本文中，我们将逐步回答有关【cascade级联原理matlab】的问题，分析其原理、方法和应用。

一、什么是级联分类器？级联分类器是一种由多个强分类器串联而成的目标检测算法。

它采用了级联式的分类器结构，每个级联阶段包含多个强分类器。

在级联的每个阶段中，首先会使用一个弱分类器进行初步的筛选，然后通过增加级联分类器的强度，徐徐提取目标区域特征，最终得到准确的目标检测结果。

以人脸检测为例，级联分类器的第一阶段通常用来快速排除不可能是人脸的背景区域，第二阶段会进一步筛选人脸特征并排除非人脸区域，随着级联的进行，真实人脸区域会被逐步提取出来，从而实现高效准确地人脸检测。

二、级联分类器的原理是什么？级联分类器的原理基于AdaBoost算法，即自适应增强算法。

它通过训练一系列基分类器并将其级联，不断减小误检率，并确保高检测率，从而实现目标检测。

在训练过程中，每个基分类器的训练都是一个迭代过程，其中会根据上一轮分类错误的样本权重进行更新，使得分类器能够更加关注错误率高的样本，从而提高整体分类器的性能。

级联分类器的关键在于选择合适的特征和合适的分类器。

特征选择需要具有良好的区分度和抗干扰能力，常用的特征包括Haar特征、HOG特征等。

分类器的选择可以使用AdaBoost算法，也可以使用更高级的分类器，如SVM等。

三、如何在Matlab中实现级联分类器？在Matlab中，我们可以使用Viola-Jones算法来实现级联分类器。

这个算法可以通过训练分类器级联来快速检测图像中的目标。

一般来说，我们需要进行以下步骤来实现级联分类器：1. 数据准备：收集或生成包含正样本和负样本的训练数据，并将其转换为合适的格式。

2. 特征提取：使用Haar-like特征来对训练数据进行特征提取。

基于BP神经网络和k-近邻综合决策法的人脸识别matlab实现高海南31100380111 人脸识别原理人脸识别是目前模式识别领域中被广泛研究的热门课题，它在安全领域以及经济领域都有极其广泛的应用前景。

人脸识别就是采集人脸图像进行分析和处理, 从人脸图像中获取有效的识别信息, 用来进行人脸及身份鉴别的一门技术。

本文在MATLAB环境下，取ORL人脸数据库的部分人脸样本集，基于PCA方法提取人脸特征，形成特征脸空间，然后将每个人脸样本投影到该空间得到一投影系数向量，该投影系数向量在一个低维空间表述了一个人脸样本，这样就得到了训练样本集。

同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。

然后基于BP 神经网络算法和k-近邻算法进行综合决策对待识别的人脸进行分类。

该方法的识别率比单独的BP神经网络算法和k-近邻法有一定的提高。

1.1 ORL人脸数据库简介实验时人脸图像取自英国剑桥大学的ORL人脸数据库，ORL数据库由40个人组成，每个人有10幅不同的图像，每幅图像是一个92×112像素、256级的灰度图，他们是在不同时间、光照略有变化、不同表情以及不同脸部细节下获取的。

如图1所示。

图1 ORL人脸数据库1.2 基于PCA 的人脸图像的特征提取PCA 法是模式识别中的一种行之有效的特征提取方法。

在人脸识别研究中, 可以将该方法用于人脸图像的特征提取。

一个m ×n 的二维脸部图片将其按列首位相连，可以看成是m ×n 的一个一维向量。

ORL 人脸数据库中每张人脸图片大小是92×112，它可以看成是一个10304维的向量，也可以看成是一个10304维空间中一点。

图片映射到这个巨大的空间后，由于人脸的构造相对来说比较接近，因此可以用一个相应的低维子空间来表示。

我们把这个子空间叫做“脸空间”。

PCA 的主要思想就是找到能够最好地说明图片在图片空间中的分布情况的那些向量，这些向量能够定义“脸空间”。

学号：3081818211题目类型：论文(设计、论文、报告)西安电子科技大学GUILIN UNIVERSITY OF TECHNOLOGY本科毕业设计(论文)题目：人脸检测技术研究及MATLAB实现学院：信息科学与工程学院专业(方向)：电子信息工程班级：电信08-2班学生：许文强指导教师：蒋中正2012 年 5 月 20 日摘要人脸检测是当今视觉领域里非常重要和实用的研究课题，它应用于现实生活中的各个领域，如公安、金融、网络安全、物业管理以及考勤等。

基于视频的人脸检测属于动态检测，方法是先提取视频文件的帧，然后再对帧（图像）进行人脸检测，利用肤色特征的检测算法先对图像（帧）进行处理，然后建模，运用适当的算法把人脸检测出来，运用该方法完成了视频之中的的人脸检测。

本文采用MATLAB软件进行仿真，包括实现提取视频文件的帧，对输入图像检测有人脸（如果存在）的位置，大小和位姿，程序运行结果基本实现了上述功能。

关键词:人脸检测；视频检测；肤色特征Research of Face Detection and Implementation of Matlab Student: xu wenqiang Teacher:jiang zhong zhengAbstract：Face detection is very important and practical research topic in the visual field，it is applied to many areas in our lives Such as public security, finance, network security, property management and attendance, Based on the video's face detection is dynamic detection ,The idea is to extract video file frame, then as the image face to detectionUse the skin color characteristics of the detection algorithm , first to do processing testing, Then e appropriate algorithm, the face detection out.By using this method the video to finish face detection. this paper, we also use Matlab software simulationIncluding realize The input image for face detection, Video file frame extraction then That is to make sure that there is an image input face (if present) of location, size and posture of the process.To run the program results basically achieved the functionKey Words：Face Detection；Video Detection；Skin color characteristics目次摘要 (I)Abstract (II)1 绪论 (1)1.1论文的研究历史背景及目的 (1)1.2国内外研究现状 (2)1.3论文的主要内容安排 (3)2 人脸检测及其算法简介 (5)2.1人脸检测介绍 (5)2.2人脸检测的常用方法 (5)2.2.1基于特征的人脸检测方法 (5)2.2.2模块匹配法的人脸检测 (6)2.2.3基于adaboost算法的人脸检测方法 (7)3 基于视频的人脸检测研究及其实现 (8)3.1 MATLAB图像处理工具箱中的视频操作 (8)3.2提取AVI视频文件的帧 (9)3.3对图像进行肤色特征的人脸检测 (11)3.3.1色彩空间及其内容介绍 (11)3.3.2对图像进行预处理 (11)3.3.3对人脸肤色进行建模 (13)3.3.4 检测人脸区域的选定 (14)3.4图像向AVI视频文件的转换 (16)4 人脸检测在MATLAB软件下仿真实现 (18)4.1设计条件 (18)4.2设计流程 (18)4.4.1基于视频的人脸检测的总设计模块图 (18)4.4.2对图像进行人脸检测具体框图 (19)4.3人脸检测的MATLAB实现 (19)4.3.1人脸检测运行结果 (19)4.3.2人脸检测结果分析 (21)5 结论 (22)致谢 (23)参考文献 (24)附录 (25)1 绪论当前，人脸检测越来越受到大家的关注，它作为生物特征识别中一个非常重要的一个分支，已成为计算机视觉与模式识别领域中非常活跃的一个研究领域。

ｆ ｍ ｅ ＯＲ ｃ ａａ ａ ｅ ａ ｄ ｆ ａｌ ｏ ｔｅ ｆ ｃ ｅｅ ｔ ｎ ｆｒｔ ｅ ｔ ｓ ｓ ｍｐ ｅ ｕ ｉ ｇｔ ｍｐ ａｅ ｍａｃ ｉ ｇ ｒ ｔ Ｌ ｆ ｅ ｄ ｔｂ ｓ ｎ ｎ ｌ ｄ ｅ ｄ ｔ ｃｉ ｏ ｅ ｔ ａ ｌ ｓｎ ｏ ｈ ａ ｉ ｙ ｈ ａ ｏ ｈ ｅ ｌ ｔ ｔ ｈ ｎ ａ ｄ ｍｏ ｐ ｏｏ ｉａ ｒ ｓ ｎ ａ ｄ ｄ ｌｔ ｎ ｐ ｏ ｅ ｓｎ ． ｈ ｅ ｕ ｔ ｈ ｗ ｔ ａ ， ｅ ａｇ ｒ ｈ ｈ ｓｌｗ ｏ ｌｘ — ｎ ｒ ｈ ｌｇ ｃ ｅ ｏ ｉ ｎ ｉ ｉ ｒ ｃ ｓ ｉ ｇ Ｔ ｅ ｒ ｓ ｌ ｓ ｏ ｈ ｔ ｔ ｏｉ ｍ ａ ｏ ｃ ｍｐ ｅ ｉ ｌ ｏ ａｏ ｓ ｈ ｌ ｔ ｔ ｑ ｉｋ ｏ ｅ ａ ｉｎ ａ ｄ ｈ ｇ ｅ ａ ｉ ｎ ｄ ｔｃｉ ｇ ａ ｄ ｌｃ ｔ ｇ ｔ ｅ ｒ ｈ ｏ ｔ ｌ ａ ｅ ｙ， ｕｃ ｐ ｒ ｔ ｎ ｉ ｈ ｖ ｒ ｃ ｔ ｉ ｅ ｅ ｔ ｎ ｏ ａｉ ｈ ｇ ｔｆ ｎ ａ ｃ ． ｏ ｙ ｎ ｎ ｉ ｒ ｆ
Ｋｅ ｒ ｓ：ａ ｅ ｄ ｔ ｃｉｎ； ｂ ｒｗａ ｅｅ ； ｙ ｗｏ ｄ ｆｃ ｅｅ ｔｏ Ｇａ ｏ ｖ ｌ ｔ ＢＰ ｅ ｒ ｌｎ ｔ ｒ ｎ ｕ ａ ｅｗｏ ｋ
０ 引 言
近年来 ， 着 计 算 机 技 术 的迅 速 发 展 ， 脸 识 随 人 别技术 得到广 泛研 究 与 开发 ， 为 模 式识 别 和 图像 成
Ｆａ ｅ ｄ ｔ ｃｉ ｎ ｒ ａｉａ ｉｎ ｂｙ Ｍ ａ ｌ ｂ ｕ ｉ ｇ Ｇａ ｒ ｗａ ｅｅ ｎ ｃ ｅ ｅ ｔｏ ｅ ｌ ｔｏ ｚ ｔａ ｓｎ ｂｏ ｖ ｌｔａ ｄ ＢＰ
ＷＡ Ｇ Ｌ － ａ Ｎ ｉｕ ｎ ｊ
（ ｏｅｅｏ ｎｏ． ｎ ｏ Ｅ ｇ ， ｏ ｈ Ｃ ｌｇ ｆｒａｄ Ｃｍ． ｎ． Ｎ ａ ｌ ｆＩ ． Ｃ ｉ Ｔ ｉ ａ ３ ０ １ Ｃ ｉａ ｆ ｏ ｈｎ ａｙ ｎ００ ５ ， ｎ ） ａ， ｕ ｈ

基于人脸识别的智能门禁考勤系统设计与实现智能门禁考勤系统是一种基于人脸识别技术的现代化管理系统，它通过识别人脸信息来实现门禁控制和考勤管理的自动化。

该系统结合了人脸识别、监控摄像、数据存储与分析等先进技术，旨在提高企事业单位的门禁安全性和考勤效率。

本文将重点介绍智能门禁考勤系统的设计与实现。

一、系统设计需求分析智能门禁考勤系统的设计需求主要包括以下几个方面：1. 人脸识别技术：系统需要具备准确的人脸识别功能，能够识别员工的独特面部特征，并对比保存的员工信息进行匹配。

该技术要求系统能够在不同环境下，如光线强弱、角度偏移等情况下有效地进行识别。

2. 门禁控制功能：系统需要能够自动控制门禁，只有在识别成功的情况下才能够开启门禁。

同时，系统还需能够对访客和未注册人员进行警报和拒绝访问的处理。

3. 考勤管理功能：系统需要能够准确记录员工的到岗、离岗时间，并能够通过数据分析生成各类考勤报表，为企事业单位的人力资源管理提供实时、有效的数据支持。

4. 数据安全与隐私保护：智能门禁考勤系统对员工个人信息的收集、存储和处理需要遵循相关的法律法规，并采取一系列的安全措施，保证数据的安全性与隐私保护。

二、系统实现技术分析基于上述的设计需求，智能门禁考勤系统可以采用如下的技术实现方案：1. 人脸识别算法：选择一种准确率高且鲁棒性强的人脸识别算法，如基于深度学习的卷积神经网络（CNN），以提取和比对人脸的特征信息。

2. 摄像设备：使用高清晰度的监控摄像头，能够在不同光照条件下准确捕捉到员工的面部信息。

同时，摄像设备要求具备良好的角度覆盖范围，以确保识别率和系统的可用性。

3. 门禁控制终端：采用智能门禁控制终端，通过与人脸识别系统的联动，实现自动控制门禁的功能。

该终端也可配备相应的报警装置，对异常访问进行及时报警。

4. 数据存储与分析：建立数据库存储员工的人脸特征信息、考勤数据和相关报表，同时使用数据分析技术实现考勤数据的统计和分析，提供给管理人员参考。

人脸识别可能用到的代码：1.色彩空间转换function [r,g]=rgb_RGB(Ori_Face)R=Ori_Face(:,:,1);G=Ori_Face(:,:,2);B=Ori_Face(:,:,3);R1=im2double(R); % 将uint8型转换成double型G1=im2double(G);B1=im2double(B);RGB=R1+G1+B1;row=size(Ori_Face,1); % 行像素column=size(Ori_Face,2); % 列像素for i=1:rowfor j=1:columnrr(i,j)=R1(i,j)/RGB(i,j);gg(i,j)=G1(i,j)/RGB(i,j);endendrrr=mean(rr);r=mean(rrr);ggg=mean(gg);g=mean(ggg);2.均值和协方差t1=imread('D:\matlab\皮肤库\1.jpg');[r1,g1]=rgb_RGB(t1); t2=imread('D:\matlab\皮肤库\2.jpg');[r2,g2]=rgb_RGB(t2); t3=imread('D:\matlab\皮肤库\3.jpg');[r3,g3]=rgb_RGB(t3); t4=imread('D:\matlab\皮肤库\4.jpg');[r4,g4]=rgb_RGB(t4); t5=imread('D:\matlab\皮肤库\5.jpg');[r5,g5]=rgb_RGB(t5); t6=imread('D:\matlab\皮肤库\6.jpg');[r6,g6]=rgb_RGB(t6);t7=imread('D:\matlab\皮肤库\7.jpg');[r7,g7]=rgb_RGB(t7);t8=imread('D:\matlab\皮肤库\8.jpg');[r8,g8]=rgb_RGB(t8);t9=imread('D:\matlab\皮肤库\9.jpg');[r9,g9]=rgb_RGB(t9);t10=imread('D:\matlab\皮肤库\10.jpg');[r10,g10]=rgb_RGB(t10);t11=imread('D:\matlab\皮肤库\11.jpg');[r11,g11]=rgb_RGB(t11);t12=imread('D:\matlab\皮肤库\12.jpg');[r12,g12]=rgb_RGB(t12);t13=imread('D:\matlab\皮肤库\13.jpg');[r13,g13]=rgb_RGB(t13);t14=imread('D:\matlab\皮肤库\14.jpg');[r14,g14]=rgb_RGB(t14);t15=imread('D:\matlab\皮肤库\15.jpg');[r15,g15]=rgb_RGB(t15);t16=imread('D:\matlab\皮肤库\16.jpg');[r16,g16]=rgb_RGB(t16);t17=imread('D:\matlab\皮肤库\17.jpg');[r17,g17]=rgb_RGB(t17);t18=imread('D:\matlab\皮肤库\18.jpg');[r18,g18]=rgb_RGB(t18);t19=imread('D:\matlab\皮肤库\19.jpg');[r19,g19]=rgb_RGB(t19);t20=imread('D:\matlab\皮肤库\20.jpg');[r20,g20]=rgb_RGB(t20);t21=imread('D:\matlab\皮肤库\21.jpg');[r21,g21]=rgb_RGB(t21);t22=imread('D:\matlab\皮肤库\22.jpg');[r22,g22]=rgb_RGB(t22);t23=imread('D:\matlab\皮肤库\23.jpg');[r23,g23]=rgb_RGB(t23);t24=imread('D:\matlab\皮肤库\24.jpg');[r24,g24]=rgb_RGB(t24);t25=imread('D:\matlab\皮肤库\25.jpg');[r25,g25]=rgb_RGB(t25);t26=imread('D:\matlab\皮肤库\26.jpg');[r26,g26]=rgb_RGB(t26);t27=imread('D:\matlab\皮肤库\27.jpg');[r27,g27]=rgb_RGB(t27);r=cat(1,r1,r2,r3,r4,r5,r6,r7,r8,r9,r10,r11,r12,r13,r14,r15,r16,r17,r18,r19,r20,r21,r22,r23,r24,r25,r 26,r27);g=cat(1,g1,g2,g3,g4,g5,g6,g7,g8,g9,g10,g11,g12,g13,g14,g15,g16,g17,g18,g19,g20,g21,g22,g2 3,g24,g25,g26,g27);m=mean([r,g])n=cov([r,g])3.求质心function [xmean, ymean] = center(bw)bw=bwfill(bw,'holes');area = bwarea(bw);[m n] =size(bw);bw=double(bw);xmean =0; ymean = 0;for i=1:m,for j=1:n,xmean = xmean + j*bw(i,j);ymean = ymean + i*bw(i,j);end;end;if(area==0)xmean=0;ymean=0;elsexmean = xmean/area;ymean = ymean/area;xmean = round(xmean);ymean = round(ymean);end4. 求偏转角度function [theta] = orient(bw,xmean,ymean) [m n] =size(bw);bw=double(bw);a = 0;b = 0;c = 0;for i=1:m,for j=1:n,a = a + (j - xmean)^2 * bw(i,j);b = b + (j - xmean) * (i - ymean) * bw(i,j);c = c + (i - ymean)^2 * bw(i,j);end;b = 2 * b;theta = atan(b/(a-c))/2;theta = theta*(180/pi); % 从幅度转换到角度5. 找区域边界function [left, right, up, down] = bianjie(A) [m n] = size(A);left = -1;right = -1;up = -1;down = -1;for j=1:n,for i=1:m,if (A(i,j) ~= 0)left = j;break;end;end;if (left ~= -1) break;end;end;for j=n:-1:1,for i=1:m,if (A(i,j) ~= 0)right = j;break;end;end;if (right ~= -1) break;end;for i=1:m,for j=1:n,if (A(i,j) ~= 0)up = i;break;end;end;if (up ~= -1)break;end;end;for i=m:-1:1,for j=1:n,if (A(i,j) ~= 0)down = i;break;end;end;if (down ~= -1)break;end;end;6. 求起始坐标function newcoord = checklimit(coord,maxval) newcoord = coord;if (newcoord<1)newcoord=1;end;if (newcoord>maxval)newcoord=maxval;7.模板匹配function [ccorr, mfit, RectCoord] = mobanpipei(mult, frontalmodel,ly,wx,cx, cy, angle) frontalmodel=rgb2gray(frontalmodel);model_rot = imresize(frontalmodel,[ly wx],'bilinear'); % 调整模板大小model_rot = imrotate(model_rot,angle,'bilinear'); % 旋转模板[l,r,u,d] = bianjie(model_rot); % 求边界坐标bwmodel_rot=imcrop(model_rot,[l u (r-l) (d-u)]); % 选择模板人脸区域[modx,mody] =center(bwmodel_rot); % 求质心[morig, norig] = size(bwmodel_rot);% 产生一个覆盖了人脸模板的灰度图像mfit = zeros(size(mult));mfitbw = zeros(size(mult));[limy, limx] = size(mfit);% 计算原图像中人脸模板的坐标startx = cx-modx;starty = cy-mody;endx = startx + norig-1;endy = starty + morig-1;startx = checklimit(startx,limx);starty = checklimit(starty,limy);endx = checklimit(endx,limx);endy = checklimit(endy,limy);for i=starty:endy,for j=startx:endx,mfit(i,j) = model_rot(i-starty+1,j-startx+1);end;end;ccorr = corr2(mfit,mult) % 计算相关度[l,r,u,d] = bianjie(bwmodel_rot);sx = startx+l;sy = starty+u;RectCoord = [sx sy (r-1) (d-u)]; % 产生矩形坐标8.主程序clear;[fname,pname]=uigetfile({'*.jpg';'*.bmp';'*.tif';'*.gif'},'Please choose a color picture...');% 返回打开的图片名与图片路径名[u,v]=size(fname);y=fname(v); % 图片格式代表值switch ycase 0errordlg('You Should Load Image File First...','Warning...');case{'g';'G';'p';'P';'f';'F'}; % 图片格式若是JPG/jpg、BMP/bmp、TIF/tif或者GIF/gif，才打开I=cat(2,pname,fname);Ori_Face=imread(I);subplot(2,3,1),imshow(Ori_Face);otherwiseerrordlg('You Should Load Image File First...','Warning...');endR=Ori_Face(:,:,1);G=Ori_Face(:,:,2);B=Ori_Face(:,:,3);R1=im2double(R); % 将uint8型转换成double型处理G1=im2double(G);B1=im2double(B);RGB=R1+G1+B1;m=[ 0.4144,0.3174]; % 均值n=[0.0031,-0.0004;-0.0004,0.0003]; % 方差row=size(Ori_Face,1); % 行像素数column=size(Ori_Face,2); % 列像素数for i=1:rowfor j=1:columnif RGB(i,j)==0rr(i,j)=0;gg(i,j)=0;elserr(i,j)=R1(i,j)/RGB(i,j); % rgb归一化gg(i,j)=G1(i,j)/RGB(i,j);x=[rr(i,j),gg(i,j)];p(i,j)=exp((-0.5)*(x-m)*inv(n)*(x-m)'); % 皮肤概率服从高斯分布 endendendsubplot(2,3,2);imshow(p); % 显示皮肤灰度图像low_pass=1/9*ones(3);image_low=filter2(low_pass, p); % 低通滤波去噪声subplot(2,3,3);imshow(image_low);% 自适应阀值程序previousSkin2 = zeros(i,j);changelist = [];for threshold = 0.55:-0.1:0.05two_value = zeros(i,j);two_value(find(image_low>threshold)) = 1;change = sum(sum(two_value - previousSkin2));changelist = [changelist change];previousSkin2 = two_value;end[C, I] = min(changelist);optimalThreshold = (7-I)*0.1two_value = zeros(i,j);two_value(find(image_low>optimalThreshold)) = 1; % 二值化subplot(2,3,4);imshow(two_value); % 显示二值图像frontalmodel=imread('E:\我的照片\人脸模板.jpg'); % 读入人脸模板照片FaceCoord=[];imsourcegray=rgb2gray(Ori_Face); % 将原照片转换为灰度图像[L,N]=bwlabel(two_value,8); % 标注二值图像中连接的部分,L为数据矩阵，N为颗粒的个数for i=1:N,[x,y]=find(bwlabel(two_value)==i); % 寻找矩阵中标号为i的行和列的下标bwsegment = bwselect(two_value,y,x,8); % 选择出第i个颗粒numholes = 1-bweuler(bwsegment,4); % 计算此区域的空洞数if (numholes >= 1) % 若此区域至少包含一个洞，则将其选出进行下一步运算RectCoord = -1;[m n] = size(bwsegment);[cx,cy]=center(bwsegment); % 求此区域的质心bwnohole=bwfill(bwsegment,'holes'); % 将洞封住（将灰度值赋为1）justface = uint8(double(bwnohole) .* double(imsourcegray));% 只在原照片的灰度图像中保留该候选区域angle = orient(bwsegment,cx,cy); % 求此区域的偏转角度bw = imrotate(bwsegment, angle, 'bilinear');bw = bwfill(bw,'holes');[l,r,u,d] =bianjie(bw);wx = (r - l +1); % 宽度ly = (d - u + 1); % 高度wratio = ly/wx % 高宽比if ((0.8<=wratio)&(wratio<=2))% 如果目标区域的高度/宽度比例大于0.8且小于2.0，则将其选出进行下一步运算 S=ly*wx; % 计算包含此区域矩形的面积A=bwarea(bwsegment); % 计算此区域面积if (A/S>0.35)[ccorr,mfit, RectCoord] = mobanpipei(justface,frontalmodel,ly,wx, cx,cy, angle);endif (ccorr>=0.6)mfitbw=(mfit>=1);invbw = xor(mfitbw,ones(size(mfitbw)));source_with_hole = uint8(double(invbw) .* double(imsourcegray));final_image = uint8(double(source_with_hole) + double(mfit));subplot(2,3,5);imshow(final_image); % 显示覆盖了模板脸的灰度图像imsourcegray = final_image;subplot(2,3,6);imshow(Ori_Face); % 显示检测效果图end;if (RectCoord ~= -1)FaceCoord = [FaceCoord; RectCoord];endendendend% 在认为是人脸的区域画矩形[numfaces x] = size(FaceCoord);for i=1:numfaces,hd = rectangle('Position',FaceCoord(i,:));set(hd, 'edgecolor', 'y');end部分检测原理一、基于肤色模型的人脸检测对于一个成功的人脸识别系统,人脸检测是极其重要和关键的一步,它直接影响人脸特征的提取,识别等后续工作。

I 第一章 绪论 .............................................................. 3 1.1人脸识别的研究内容及其应用 ........................................ 3 1.2人脸识别技术的研究意义 ............................................ 4 1.3人脸识别方法的研究 ................................................ 5 1.3.1基于特征的人脸识别方法 ...................................... 5 1.3.2基于模板匹配的人脸识别方法 .................................. 7 1.3.3其他方法 .................................................... 8 第二章 图像处理编程语言环境 ............................................. 12 2.1 MATLAB7.0的基本功能简介 ......................................... 12 2.1.1图像采集与导出 ............................................. 13 2.1.2图像分析与增强 ............................................. 13 2.1.3图像处理 ................................................... 13 2.2基于MATLAB7.0的图形用户界面GUI ................................. 14 2.2.1控件对象及属性 ............................................. 14 2.2.2控件对象的描述 ............................................. 14 2.2.3控件对象的属性 ............................................. 15 2.3 GUI开发环境 ..................................................... 16 2.4 GUI程序设计 ..................................................... 18 第三章 系统的整体设计 ................................................... 21 3.1系统的整体分析与设计 ............................................. 21 3.2系统的运行流程图 ................................................. 21 3.3系统的详细图像处理功能 ........................................... 22 3.3.1读取图片功能 ............................................... 22 3.3.2进行增加对比度的功能实现 ................................... 23 3.3.3进行减小对比度的功能实现 ................................... 25 3.3.4对图像进行灰度化处理 ....................................... 26 3.3.5二值化处理 ................................................. 28 3.3.6图像直方图的显示 ........................................... 30 3.3.7进行均衡化处理 ............................................. 32 II

matlab神经网络43个案例分析MATLAB神经网络是一种广泛使用的机器学习工具，可以应用于多种问题的解决。

下面为大家介绍43个用MATLAB神经网络解决的案例分析。

1. 基于神经网络的股票市场预测通过分析历史数据，建立神经网络模型，预测未来股票市场走势。

2. 神经网络分类器建模分析通过建立分类模型，对不同类型数据进行分类处理。

3. 基于神经网络的信用评估模型通过收集客户的基本信息和信用历史，建立神经网络模型，对客户的信用进行评估。

4. 神经网络医学图像分析通过医学图像数据，建立神经网络模型，进行疾病诊断与分析。

5. 基于神经网络的机器人动作控制通过神经网络，训练机器人进行动作控制，提高机器人的智能化水平。

6. 神经网络预测库存需求通过分析历史销售数据，建立神经网络模型，预测未来库存需求，提高企业的运作效率。

7. 基于神经网络的人脸识别通过收集人脸数据，建立神经网络模型，实现人脸识别功能。

8. 神经网络垃圾邮件过滤通过建立神经网络模型，对邮件进行分类，筛选出垃圾邮件。

9. 基于神经网络的语音识别通过收集语音数据，建立神经网络模型，实现语音识别功能。

10. 神经网络飞机失速预测通过分析飞机数据和空气动力学知识，建立神经网络模型，预测飞机发生失速的概率。

11. 基于神经网络的目标识别通过收集目标数据，建立神经网络模型，实现目标识别功能。

12. 神经网络电力负荷预测通过历史电力数据，建立神经网络模型，预测未来电力负荷。

13. 基于神经网络的网络入侵检测通过建立神经网络模型，检测网络攻击行为。

14. 神经网络手写数字识别通过收集手写数字数据，建立神经网络模型，实现手写数字识别功能。

15. 基于神经网络的情感分析通过对情感文本数据进行分析，建立神经网络模型，实现情感分析功能。

16. 神经网络自然语言处理通过对自然语言文本数据进行处理和分析，建立神经网络模型，实现自然语言处理功能。

17. 基于神经网络的物体识别通过收集物体数据，建立神经网络模型，实现物体识别功能。