信息检索技术论文 基于人脸识别的门警系统研究报告书(桂电).docVIP

期末课程论文 论文标题：基于人脸识别的门警系统研究 课程名称： 信息检索技术 课程编号： 1220500 学生姓名: *** 学生学号： 1100310106 所在学院： 计算机科学与工程学院 学习专业： 计算机科学与技术 课程教师： 王 冲 2013年7月 日 一：摘要 人脸识别是当今计算机研究领域一项热门的课题，但是把他同门禁系统结合还比较少。人脸识别特指利用分析比较人脸特征信息进行身份鉴别的计算机技术。人脸识别可以将人脸明暗侦测，自动调整动态曝光补偿，人脸追踪侦测，自动调整影像放大；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。人脸识技术中被广泛采用的区域特征分析算法，它融合了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,即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似值。通过这个值即可确定是否为同一人。出入口门禁安全管理系统是新型现代化安全管理系统，它集微机自动识别技术和现代安全管理措施为一体，它涉及电子，机械，光学，计算机技术，通讯技术，生物技术等诸多新技术。它是解决重要部门出入口实现安全防范管理的有效措施。适用各种机要部门，如银行、宾馆、车场管理、机房、军械库、机要室、办公间，智能化小区，工厂等。人脸识别终端采用全新模具外观设计，是一款完全脱机的人脸识别门禁考勤产品，它定位于中高端门禁考勤市场，取代目前市场上的刷卡、指纹门禁考勤机。该产品支持刷卡人脸拍照、工号人脸识别、人脸识别、刷卡人脸识别四种验证方式，方便用户灵活选择，支持TCP/IP、U盘两种通信方式，用户灵活选择，实现用户数据和门禁记录的上传下载，配置专业版门禁考勤管理软件。 （二）：系统原理 人脸识技术中被广泛采用的区域特征分析算法，它融合了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,即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似值。通过这个值即可确定是否为同一人 　　 协方差矩阵可表示为： 　　 求协方差矩阵C 的特征向量ei和对应的特征值λi.由大于λm的λi对应的特征向量构成主成分，主成分构成的变换矩阵为：　 在实际的人脸识别过程中，对于一个输入的测试样本x,求它与平均脸之间的偏差y=x-x 则在特征脸空间的投影可表示为系数向量： 式中z 为K-L 变换的展开系数向量，为m×1 维。这样一个脸部图像就可以用较低维的系数向量表示，从而实现了用低维向量表征原始人脸图像。可以选取对应特征值最大的前m 个特征向量，使得： 在式中可以选取鄣=90%,从而使得样本集在前m 个轴上的能量占整个能量的90%以上。 利用BP 神经网络对人脸图像进行识别 　　BP 网络是一种单向传播的多层前向网络。(3 层的BP 网络的基本结构如图1)。BP 学习算法称为误差逆传播算法,基本思想是通过网络误差函数的极小值来调整权重分布使神经网络收敛于稳定状态，从而使网络在接受未知输入时也会给出适当的输出。 系统采用BP 神经网络对人脸识别的的具体过程有以下几步： 　　1)产生一个训练集，训练集用于BP 网络在模式识别方面训练网络，使网络能够按照学习算法调整结构参数，以达到学习的目的。如果在实际应用中，人脸的样本可能只有1,2 个，这样就会导致BP 神经网络训练样本缺乏，所以在应用中应有充分人脸对象的样本采集。 2)设计BP 网络并进行训练。网络的每一个输入节点对应于样本的一个特征，而输出节点数等于类别数。设计好网络层数，隐藏层神经元数及所期望的网络误差，学习速率后， 用上述主分量分析法得到的特征样本对网络进行反复训练， 直到对所有训练样本，网络都能给出满意的结果时，学习训练完成(如图 3)进行识别。在此阶段，当一个未知类别样本A 作为一个测试样本作用到输入端时，经过投影后得到特征矩阵Y,利用训练好的网络分类器对其进行分类，考察各输出节点的输出，从而识别出所属类别。 人脸识别结果 　　为验证系统，实验中采用Yale 人脸数据库，该数据库由美国耶鲁大学的实验室采集，包括15 个人的每人11 张人脸灰度图像，共计165 张。它们是在不同时间、光照略有变化、不同表情(眼睛张或闭，笑或不笑)以及不同脸部细节(有眼镜或没眼镜)下获取的。 　　每张图像的尺寸为128×128 像素， 比较充分地反应了同一个人不同人脸图像的变化和差异。将图像库中的人脸图像分为两组，其中150 张为训练样本，另外15 张为测试样本。实验中，训练神经网络所需时间平均为1