基于人工智能人脸识别考勤系统的设计与开发.docxVIP

PAGE VI 基于人工智能人脸识别考勤系统的设计与开发 摘要：在当代，人脸识别已成为计算机视觉的关键方面之一。这种趋势至少有两个原因;第一个是商业和执法应用，第二个是经过多年研究后可行技术的可用性。由于问题的本质，计算机科学家，神经科学家和心理学家都对这一领域有着浓厚的兴趣。简而言之，它是用于从静止图像或视频帧中自动识别人的计算机应用程序。在本文中，我们提出了一种自动考勤管理系统。该系统基于人脸检测和识别算法，当他进入教室时自动检测学生并通过识别他来标记出勤。我们使用Viola-Jones算法人脸检测，使用级联分类器和PCA算法检测人脸，进行特征选择和SVM进行分类。与传统的考勤标记相比，该系统可以节省时间，也有助于监控学生。 关键词：人工智能；人脸识别；考勤系统；PCA算法；SVM分类  目 录 TOC \o 1-3 \h \z \u 1 绪论 1 2系统相关技术 3 2.1 主成分分析法 3 2.2 线性判别分析 3 2.3 神经网络 4 3系统分析与设计 5 3.1 系统需求分析 5 3.2 系统设计流程 5 3.2.1 图像采集 5 3.2.2 人脸图像检测 6 3.2.3 图像预处理 6 3.2.4 数据库开发 6 3.2.5 后处理 7 4结语 8 参考文献 9 致谢 10 PAGE 48 1 绪论 由于其在许多领域中的应用，人脸识别是图像处理的重要应用。为出勤目的而识别组织中的个人就是这种面部识别的应用。对出勤记录的维护和监控在分析任何组织的绩效方面起着至关重要的作用。开发考勤管理系统的目的是将传统的考勤方式计算机化。自动出勤管理系统通过减少人为干预来执行出勤标记和分析的日常活动。用于检测和识别面部的普遍技术和方法未能克服诸如缩放，姿势，照明，变化，旋转和遮挡之类的问题。所提出的系统旨在克服现有系统的缺陷，并提供诸如面部检测，特征提取，提取特征检测以及学生出勤分析等功能。该系统集成了图像对比度，积分图像，颜色特征和级联分类器等技术，用于特征检测。由于使用了面部的大量特征（形状，颜色，LBP，小波，自相关），该系统提供了更高的准确度。使用欧几里德距离和k近邻算法识别面部。由于系统考虑了在一段时间内在脸部发生的变化并采用了合适的学习算法，因此在结果中获得了更好的准确性。系统针对各种用例进行了测试。为了测试系统的准确性，我们考虑一个特定的区域，如课堂出勤。考虑的度量是每个被测面部总数的已识别面部的百分比。该系统在不同的光照条件下，各种面部表情，部分面部的存在（在人口稠密的教室中）以及是否存在胡须和眼镜进行测试。在所考虑的大多数情况下，获得了更高的准确度（接近100％）。 人们可以根据许多因素区分特定的面部。计算机视觉的主要目标之一是创建这样的人脸识别系统，该系统可以模拟并最终超越人类的这种能力。近年来我们可以看到人脸识别技术的研究取得了很大的进展。部分原因是在可用的生物识别方法中，这是最不引人注目的。虽然在大型环境中安装人脸识别系统要容易得多，但实际实施起来非常具有挑战性，因为它需要考虑由照明，面部特征，姿势变化，图像分辨率，传感器噪声等因素引起的所有可能的外观变化。观察距离，遮挡等。已经开发了许多面部识别算法，每种算法都有自己的优势。我们几乎每天都会面对认知。大部分时间我们都会看一张脸，如果我们已经熟悉了脸，就能瞬间识别它。如果可能的话，这种由机器模仿的自然能力可以被证明是非常宝贵的并且可以在现实生活中应用中提供非常重要的，例如各种访问控制，国家和国际安全和防御等。目前可用的面部检测方法主要依赖于两种方法。第一种是局部面部识别系统，其使用面部的面部特征，例如面部特征。鼻子，嘴巴，眼睛等将脸部与人联系起来。第二种方法或全局人脸识别系统使用整个面部来识别人。上述两种方法已经通过各种算法以这种或那种方式实现。人工神经网络的最新发展及其在人脸识别系统中的可能应用吸引了许多研究人员进入该领域。面部特征的复杂性源于随着时间的推移而发生的面部特征的不断变化。无论这些变化如何，我们都能够非常轻松地识别出一个人。因此，通过机器模仿人类固有的这种技能的想法可能是非常有益的。虽然开发智能和自学习的想法可能需要向机器提供足够的信息。考虑到上述所有要点及其含义，我们试图获得一些最常用的人脸识别算法的经验，并比较和对比神经网络在该领域的使用。 2系统相关技术 2.1 主成分分析法 在高维数据中，该方法被设计用于模拟线性变化。其目标是找到一组相互正交的基函数，其捕获数据中的最大方差的方向，并且系数是成对去相关的。对于线性嵌入式歧管，PCA保证能够发现歧管的维数并产生紧凑的表示。 PCA用于根据一组基函数或特征脸来描述面部图像。特征脸在早