生物识别门禁系统设计方案.docVIP

生物识别门禁系统设计方案 本文所设计的门禁系统由一个服务器和两个门禁控制器组成，一个门禁控制器在通过摄像头采集人脸图像的同时另一个可以通过指纹采集仪采集指纹信息。管理服务器软件并行连接两个门禁识别器软件，通过USB 接口实现相互通信，服务器端软件对两个门禁识别器软件的连接实现多线程处理。 目录 1.生物识别门禁系统的工作原理 2.生物识别门禁系统的发展 3.生物识别门禁系统方案简述 1.生物识别门禁系统的工作原理 英唐众创技术公司研发的这款生物识别门禁系统工作原理如下：1 PCA 对人脸图像的特征提取由于摄像头采集的人脸图片的信息量往往很大，直接处理会产生庞大的计算量，所以在人脸识别之前要进行特征提取。在降低特征空间的维数的同时，尽可能地保留识别信息，以达到分类的作用。本系统使用主成分分析算法实现对人脸图像的特征提取。主成分分析（principal compONent analysis， PCA）是多元统计分析中用来分析数据的一种方法，它是用一种较少数量的特征对样本进行描述以达到降低特征空间维数的方法，方法的基础是Karhunen-Loeve展开式。K-L 变换的优点是去相关性好。这样可以将图像中大量无关的冗余信息去除，降低了之后运用神经网络的结构复杂度，同时也提高了神经网络的训练效率和收敛率。2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）。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取得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。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，经过投影之后取得特征矩阵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。　3 指纹识别指纹识别传感器采用固态指纹传感器MBF200，它除可自动检测指纹外，还带有多种接口模式，为电容性传感器，其电容性传感器阵列由二维金属电极组成，所有金属电极充当一个电容板，接触的手指充当第2 个电容板，器件表面的钝化层作为两板的绝缘层。当手指触摸传感器表面时，指纹的高低不平就会在传感器阵列上产生变化的电容，从而引起二维阵列上电压的变化，并形成指纹传感图像。采用标准COMS 技术的电容性固态器件，具有500 dpi 的分辨率，传感器面积为1.28 cm×1.50 cm.具有自动指纹检测能力，内含8 位模数转换器，可提供3 种总线接口形式。5V 工作电压下的功耗小于70 mW.指纹采集时间不超过0.5s;指纹识别比对时间不超过0.5s/枚；指纹误识率小于百分之0.001。指纹识别算法实现为：1）提取脊线方向，脊线频率。2）经过GABOR 滤波，减弱噪声、改进图像质量，以便于特征提取。3）特征提取。4.与指纹数据库进行特征匹配并得出结果。 2.生物识别门禁系统的发展 传统PCA 方法在处理人脸图像时，要将二维图像矩阵转换成一维的列向量，使图像的维数达到上万维，计算工作量大，特征提取速度慢。针对PCA 算法的不足，也有研究者提出了独立分量分析法（ICA，Independent Component Analysis），在这些方面仍有待作进一步探索。而且虽然BP 网络取得了广泛应用，但其自身也存在一些缺陷和不足，主要包括网络的收敛速度慢，且存在局部问题。可采用变化的学习速率或自适应的学习速率以及附加动量法加以改进和解决。将指纹识别与人脸识别相结合，进行人脸图像的一对一比对，所以识别速度更快，合法用户与非法用户的识别率均较高，提高了身份验证的可靠性和效率。人脸和指纹这两个生物特征都具有很好的抗干扰性和不怕遗失的特性，而且识别率也非常，可以很好的解决传统门禁系统如IC 卡门禁所存在的不足，达到减少人为因素对门禁系统的影响的目的。因此，生物识别门禁系统适用于高度机密性场所保护和效率管理的需要，同时也适用于大规模用户进行快速、准确的身份鉴别的需要。 3.生物识别门禁系统方案简述 本文所设计的门禁系统由