智能安防人脸识别系统的研究与开发答辩ppt.pptxVIP

智能安防人脸识别系统研究与开发 目录 课题研究背景及意义 图像预处理 人脸检测 人脸识别 系统设计与实现 课题研究背景及意义 近年来，随着电子商务和人们安全意识的增强，数字视频监控在各行各业得到了广泛的应用。将人脸识别技术与现有视频监控系统有机结合起来，将可以有效的解决当前视频监控系统存在的一些难题。 本文以人脸识别为重点来展开研究，开发出智能安防人脸识别系统。系统具备基于视频流的人脸图像实时获取、实时跟踪、实时检测识别的功能。 可应用于办公室等正常室内环境下的安防、智能监控等。 图像预处理 图像灰度化 图像几何归一化 直方图均衡 由于在人脸检测时分类器需要在灰度图像上进行检测，所以RGB图像首先需要转换成灰度图像。 主要是为了使各幅人脸图像的像素大小相同。 本文人脸图像均为96×96 大小的图像。 不同光照条件下获取的人脸图像数据灰度变化较大，使用直方图均衡去除一定条件下的光照影响。 功能 系统设计与实现 界面 系统设计与实现 硬件部分主要包括摄像头、服务器，分别用于现场监测、系统总控处理、视频数据采集等功能。 硬件 摄像头 服务器 软件设计 人脸注册 数据库管理 样本训练 人脸识别 在摄像头静止的情况下，以人脸为目标，当目标进入摄像头视野时，首先对它进行人脸检测，目标定位，再进行人脸特征提取，对输入人脸进行识别，最终输出识别结果。 人脸检测 人脸检测 使用Haar特征表示人脸，使用“积分图”实现特征数值的快速计算 使用Adaboost算法挑选出一些最能代表人脸的矩形特征（弱分类器），按照加权投票的方式将弱分类器构造为一个强分类器 将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。 人脸检测 人脸检测算法步骤描述 人脸检测 同时使用了人脸分类器以及人眼分类器，检测标注出的人脸效果比较好，检测识别率很高，提高了系统的检测率，但是对系统的整体效率有一定的影响，同时也带来漏检的人脸现象，在人脸侧面情况，以及检测时人脸与摄像头的距离超过约55cm情况，漏检率比较高。 注册人脸步骤中的人脸检测实验结果图，分别是三个不同类别的人脸的检测 人脸检测 使用了人脸分类器，检测效果比较好。可以实现多个人脸图像下的人脸检测，进行标注。 对侧面人脸也有比较好的检测效果，但角度较大的人脸检测率较低。但在复杂背景下的人脸检测，存在误检的情况，对后续进行的人脸识别有影响。 人脸识别步骤中摄像头进行人脸检测，实验结果 人脸识别 人脸识别流程图 人脸识别 图像预处理：针对检测到的人脸区域进行图像的分析与预处理工作，如灰度化。 特征提取：本文采用LBP以及PCA的特征提取算法进行特征提取，本文人脸库中人脸都是96×96像素图像，先经过LBP降维得到 160维，再通过PCA降维变成70维，即70维就是96×96图像的特征向量，他们之间是等效的。 人脸识别：用输入得到70维特征值，去跟样本的70维特征向量进行比较，求得欧氏距离，欧氏距离最小的就是要找的样本，样本对应一个人，从而识别出待检测人脸的身份。 人脸识别 人脸识别 本文将检测出的人脸部分在视频窗口中用矩形框标示出来，如图所示，在主窗口上显示出识别人脸是信息。原本基于PCA算法的人脸识别，误检率比较高，本文结合了LBP和PCA算法的人脸识别方法，误检率明显降低了，达到了预期的效果。 分析 实验图 人脸识别 为了验证识别算法的识别效果，在实验室光照条件合适的情况下，不同人脸在摄像头前出现，可以识别出人脸的信息，正脸识别率比较高，如表所示。但是在侧人脸的时候，会导致识别不出信息或者误识别的现象发生。 实验数据 人脸识别 实验分析 在识别阶段存在不足，在表情剧烈变化、光照、距离等外界条件的影响下，会导致识别率降低。具体可能原因分析如下： （1）采集图像的预处理能力还有待加强。程序中用到的预处理方法只有几何归一化处理和灰度归一化处理，应再加入一些其他的预处理方法，这样可以减少算法对检测结果的依赖性，同时受外界条件影响也会降低，从而一定程度地提高识别率。 （2）由摄像头导致的成像质量问题。实验中选取的摄像头质量一般，存在较多的画面噪声，光照条件不好，光线很不均匀，进而导致识别率的降低。 人脸识别 实验分析 系统存在不足之处分析如下： （1）样本训练时间比较长，程序运行慢。基于现在的训练方法和硬件条件暂时还不能缩短训练时间。未来解决方法主要从两个角度：一是使用更快的CPU和更大容量的内存，如果计算基的运算能力能够大大增强，那么训练时间必然可以减少；二是使用更好的训练方法，尤其是运算更小的训练方法 （2）数据库的管理功能比较局限，需要加强，可以实现人脸图像的输出等功能。 Any problem？