基于人臉識別的課堂考勤系統(tǒng)設(shè)計與實現(xiàn)

PAGE\*ROMANPAGE\*ROMANVI摘 要的必要條件，同時也是保證學(xué)校教學(xué)秩序的穩(wěn)定、提高教學(xué)質(zhì)量的重要措施。管理工作中出現(xiàn)的問題，為學(xué)校的考勤制度實施提供科學(xué)的依據(jù)。本論文主要工作及應(yīng)用創(chuàng)新如下：提出了基于稀疏表示和神經(jīng)網(wǎng)絡(luò)相結(jié)合的人臉識別算法。針對人臉識別過程中BP人工神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行訓(xùn)練。采用較少的元素表示人臉圖像，不僅能對設(shè)計了完整的基于人臉識別的學(xué)生課堂考勤系統(tǒng)。通過攝像頭采集人臉圖像，然后對人臉圖進(jìn)行預(yù)處理，并對人臉進(jìn)行標(biāo)定，分割出人臉圖像；采用基于稀疏表示和完成學(xué)生課堂考勤操作。C/SB/SC/SB/SWeb提供服務(wù)。學(xué)生可以通過網(wǎng)絡(luò)查詢個人的考勤情況，不受環(huán)境限制。效果與質(zhì)量。關(guān)鍵字：課堂考勤，人臉識別，稀疏表示，神經(jīng)網(wǎng)絡(luò)AbstractTheclassroomisthemainplaceforstudentstudyingandobtainingknowledge.Itisalsoamainchannelforstudenttoimprovetheirabilities.Ascientificclassroomattendancecanensurethatvariousteachingprogramsareimplementedeffectively.Theeffectiveclassroomattendancesystemcancreateagoodatmosphereforlearningandagoodclassstyleforenhancingstudenorganizationanddiscipline.Andtheeffectiveclassroomattendancesystemisalsooneofimportantmeasuresforensuringthestabilityoftheteachingorder,improvingthequalityofteachingandlearningactivities.Thisstudyresearchesonclassroomattendancesystembasedonfacerecognition.Byusingofinformationtechnologyandfacerecognition,abandonartificialstatisticalmanagementcompletelyandovercomethenonstandardbehaviorinthetraditionalclassroomattendancesystem,anovelclassroomattendancesystemisproposed.Itcansolvetheprobleminschoolattendancemanagementwork,andprovidescientificbasisforimplementingtheschool'sclassroomattendanceregulationThemainworkandinnovationcanbeshownasfollows:Anovelfacerecognitionalgorithmbasedonsparserepresentationandneuralnetworkisproposed.Aimtoimprovethespeedinfacerecognitionprocess,accordingtocompressedsensingtheory,wavelettransformisusedtosparsingimage,thenaBPartificialneuralnetworkisusedtotrainfaceimage.Afewerelementscanexpresstheoriginalfaceimage,onlytoreducethedimensionoffaceimage,andfilteroutthelocallight,expressiondetailsandotherfacialhigh-frequencyinformation.asaresult,alow-dimensionalandsuitablefaceimageisobtained,andtheexperimenthasshownthatthefacerecognitionspeedisimproved.Acompletestudentclassroomattendancesystembasedonfacerecognitiondesigned.Bycollectingfaceimagesthroughacamera,andfaceimagepreprocessing,humanfaceiscalibratedandsplit.Thenthefaceisrecognizedbybasedonsparserepresentationandneuralnetworks.Atlast,theresultissavedtothedatabaseandstudentattendanceclassroomcheckingisfinished.AcombinationbasedonC/SandB/Shybridarchitectureisusedindevelopingstudentclassroomattendancesystem.Databaseisaserver-side.FacerecognitionbasesonC/Smodel,andattendancemanagementsettingbasesonB/Smode.Thedatabaseserverprovidesserviceforsavingattendancedata.Webserverprovidesleavingmanagement,dataqueryanddataoutput.Sostudentscanchecktheirattendancerecordsthroughthenetwork,andbefreefromenvironmentalrestrictions.Themainpurposeofstudentclassroomattendanceistoenhanceclassroommanagement.Studentclassroomattendancesystemprovidesascientificreliablemeansforclassroomattendancemanagement.Itcanimproveefficiencyofteacher’steachingandstudy,andensuretheteachingeffectandquality.Keywords:ClassroomAttendance,FaceRecognition,SparseRepresentation,NeuralNetwork目錄摘 要 IAbstract II目錄 IV第1章緒論 1選題背景與研究意義 1基于人臉識別的考勤系統(tǒng)國內(nèi)外研究現(xiàn)狀 1人臉識別技術(shù)國內(nèi)外研究現(xiàn)狀 2考勤管理系統(tǒng)國內(nèi)外研究現(xiàn)狀 3本論文研究目的 4論文研究思路和內(nèi)容安排 5小結(jié) 6第2章人臉識別基本理論 7人臉識別基本原理 7人臉基本特征 8人臉膚色特征 8人臉灰度特征 10人臉檢測方法 11基于特征的人臉檢測 11基于模板匹配的人臉檢測 12基于統(tǒng)計學(xué)習(xí)的人臉檢測 12人臉識別主要方法概述 12基于幾何特征的人臉識別 13基于子空間分析的人臉識別 13基于模板匹配的人臉識別 14基于神經(jīng)網(wǎng)絡(luò)的人臉識別 15基于Adaboost的人臉識別算法 15人臉圖像處理技術(shù) 16灰度化 16圖像去噪處理 17二值化 18形態(tài)學(xué)處理 18圖像旋轉(zhuǎn) 19圖像縮放 202.6小結(jié) 21第3章基于稀疏表示和神經(jīng)網(wǎng)絡(luò)的人臉識別算法研究 22壓縮感知理論 22信號的稀疏表示 23信號的觀測矩陣 23信號的重構(gòu)算法 24小波變換原理 25基于BP神經(jīng)網(wǎng)絡(luò)人臉識別 26人工神經(jīng)網(wǎng)絡(luò) 26人臉識別BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計 26改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型 28基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別流程設(shè)計 29基于稀疏表示和神經(jīng)網(wǎng)絡(luò)的人臉識別算法原理 29基于稀疏表示和神經(jīng)網(wǎng)絡(luò)的人臉識別算法流程 29基于小波變換的人臉稀疏表示實驗 30人臉識別實驗及結(jié)果 313.5小結(jié) 32第4章課堂考勤系統(tǒng)需求分析及其結(jié)構(gòu)設(shè)計 33系統(tǒng)需求分析 33學(xué)生課堂考勤系統(tǒng)主要特點 33系統(tǒng)設(shè)計目標(biāo)及原則 34系統(tǒng)功能模塊 34系統(tǒng)功能模塊分析 34系統(tǒng)工作流程 36系統(tǒng)體系結(jié)構(gòu)設(shè)計 36系統(tǒng)結(jié)構(gòu)設(shè)計 38基于攝像頭的人臉圖像采集系統(tǒng) 38攝像頭實時圖像人臉檢測流程 39人臉識別模塊設(shè)計 40學(xué)生考勤信息管理模塊設(shè)計 40數(shù)據(jù)庫設(shè)計 41數(shù)據(jù)庫設(shè)計目標(biāo) 41數(shù)據(jù)庫設(shè)計原則 41概念設(shè)計 41主要數(shù)據(jù)表結(jié)構(gòu) 434.5小結(jié) 44第5章基于人臉識別的課堂考勤系統(tǒng)開發(fā)與實現(xiàn) 46開發(fā)工具及開發(fā)環(huán)境簡介 46MFC 46ASP.NET 46開發(fā)環(huán)境 47人臉圖像采集模塊開發(fā)與實現(xiàn) 47攝像頭獲取人臉圖像功能實現(xiàn) 47捕捉功能和顯示圖像功能實現(xiàn) 48人臉圖像采集實現(xiàn) 48人臉識別模塊開發(fā)與實現(xiàn) 49人臉定位模塊開發(fā) 49人臉識別模塊開發(fā)與實現(xiàn) 50課堂考勤信息管理模塊開發(fā)與實現(xiàn) 52考勤查詢管理 54考勤錄入管理 55角色信息管理 56學(xué)生信息管理 56院系班級信息管理 575.5小結(jié) 57第6章總結(jié)與展望 586.1總結(jié) 586.2展望 58參考文獻(xiàn) 60個人簡歷、申請學(xué)位期間的研究成果及發(fā)表的學(xué)術(shù)論文 63致謝 64桂林理工大學(xué)碩士學(xué)位論文桂林理工大學(xué)碩士學(xué)位論文PAGEPAGE61第1章緒論選題背景與研究意義有利于提高教學(xué)質(zhì)量和學(xué)生學(xué)習(xí)效果[1,2]。為了規(guī)范學(xué)生的出勤，在課堂管理上，幾乎①嚴(yán)格執(zhí)行學(xué)生上課請假制度，明確審批權(quán)限和程序。如果有特殊情況（如因病住院等）必須辦理相關(guān)的請假手續(xù)，比如要求要有領(lǐng)導(dǎo)或輔導(dǎo)員批復(fù)的請假條，并注明請假事由。②課堂點名考勤，在上課開始或結(jié)束時，通過實行教師或?qū)W生干部課堂點名考勤，同時制定應(yīng)的懲罰措施，最大限度地激勵學(xué)生到課堂學(xué)習(xí)。③由學(xué)?；蛳怠⒃?，班級成立學(xué)生上課督查管理小組，由教師或?qū)W生干部對課堂考勤情況進(jìn)行不定時、不定點的檢查。據(jù)更加真實可靠，還可以實現(xiàn)數(shù)據(jù)的長期保存與統(tǒng)計。基于人臉識別的考勤系統(tǒng)國內(nèi)外研究現(xiàn)狀人臉識別技術(shù)國內(nèi)外研究現(xiàn)狀國內(nèi)對人臉識別研究2080業(yè)大學(xué)、重慶大學(xué)、中國科學(xué)院自動化研究所等，取得了豐富的研究成果[6-8][9]。南京理工大學(xué)楊靜宇教授，研究采用Daubechies正交小波變換，然后利用奇異值分解方法對人臉進(jìn)行識別[10][11]通Gabor特征的快速貝葉斯人臉識別方2DPCA方法建立特征子空間，對差異圖像進(jìn)行小波分解，提取低頻子圖信息[12][13]中通過利用子圖分[14]作者提出了一種基于少量特征點的多模態(tài)人臉識別方法，采用局部特征分析Feature實現(xiàn)了特征點“局部”與“全WHU-3D98.06%的識別率。同時，對人臉圖像的姿態(tài)和光照變化也具有理想的魯棒性。國外對人臉識別研究國外對人臉識別方法的研究中，美國MIT最早提出基于主成分分析（PrincipleComponentAnalysis,PCA）[15]YaleKriegman領(lǐng)導(dǎo)的研究小組提出的Fisherfaces方法；密歇根州立大學(xué)（MSU）研究小組針對三維人臉識別技術(shù)展開了相關(guān)研究工作RuhrGabor變換彈性圖匹配方法，此方法在表情變化時收到了較好識別效果[17]。此外還有，等人提出IlluminationCones模型的人臉識別方法，可以實現(xiàn)多姿態(tài)、多光照條件下的人臉識別。BlanzVetter3D變形人臉圖像分析與識別方法[18,19]。6索。隨后，F(xiàn)acebook也推出了人臉識別功能，蘋果公司推出了具有人臉檢測拍照功能的手機(jī)[20]IEEETrans.等世界最著名期刊，每年均有大量CVPR，ICCV關(guān)于人臉識別研究的專題研討。考勤管理系統(tǒng)國內(nèi)外研究現(xiàn)狀在計算機(jī)技術(shù)快速發(fā)展和模式識別技術(shù)日益成熟的今天，考勤管理系統(tǒng)經(jīng)歷幾個發(fā)展時期，我們大致可以把考勤管理系統(tǒng)的發(fā)展過程分為以下幾個階段:2060年代末期，人們把計算機(jī)應(yīng)用到考勤管理中，帶來了第一代基于計算機(jī)的考勤管理系統(tǒng)，開辟了應(yīng)用計算機(jī)技術(shù)進(jìn)行考勤管理的先[21]計算機(jī)技術(shù)的產(chǎn)生才有了后期考勤管理技術(shù)的不斷更新。70年代產(chǎn)生了數(shù)據(jù)庫技術(shù)，并在通過采用數(shù)據(jù)庫系統(tǒng)，考勤管理系統(tǒng)功能得到了完善。2090年代，計算機(jī)技術(shù)、數(shù)據(jù)庫技術(shù)、網(wǎng)絡(luò)技術(shù)得到日新月異[22]針對目前高校課堂考勤方式存在的一些問題，提[23]提出了一DSPZigBee技術(shù)的無線指紋考勤系統(tǒng)設(shè)計方案。系統(tǒng)通過指紋采集，提取指紋特征，利用特征匹配完成企業(yè)員工考勤管理工作。文獻(xiàn)[24]闡述了射頻識別的原理、系統(tǒng)結(jié)構(gòu)和優(yōu)勢。設(shè)計并開發(fā)了一套基于射頻識別的課堂自動考勤系統(tǒng)。硬件系統(tǒng)包括MFRC500讀卡芯片、STC89C52RC微處理器和MF1S50射頻卡。數(shù)據(jù)庫采用SQLServer2000，系統(tǒng)采用服務(wù)器/客戶端模式，用Delphi7開發(fā)相應(yīng)的程序，可以完成考勤、信息管理和處理功能。由以上介紹可知，常見的考勤方式主要采用以下幾種手段來完成：人工簽到方式考勤成，效率低，特別是學(xué)生課堂考勤，如果學(xué)生人數(shù)多，會占據(jù)很大一部分的教學(xué)時間，影響了正常的教學(xué)計劃。鍵盤輸入密碼方式考勤到卻無法完成考勤的情形?？ㄊ娇记诳ㄊ娇记谙到y(tǒng)按卡介質(zhì)類型不同可分為磁碼卡、鐵碼卡、IC卡等?？ㄊ娇记诠芾恚ɑ蚬ぷ鹘Y(jié)束時壽命不長，磁卡丟失的情況時有發(fā)生，這些也都限制了卡式考勤的推廣。采用基于“人”的考勤方式，充分體現(xiàn)考勤“人”的實際意義；低；考勤方式比較靈活，能適應(yīng)復(fù)雜考勤班次情況的需要；不需要額外的考勤載體，考勤結(jié)果更加真實、有效。[25]對基于人臉識別的企業(yè)員工考勤系統(tǒng)進(jìn)行了研究，由于采用的是客戶端/服務(wù)器端）瀏覽器/服務(wù)器端客戶端/服務(wù)器端）模式相結(jié)合的方法，研究基于人臉識別的學(xué)生課堂考勤系統(tǒng)。本論文研究目的堂學(xué)生到課率與教師的工作效率，從而保障教學(xué)效果與質(zhì)量。論文研究思路和內(nèi)容安排本論文共分六章,各章的細(xì)節(jié)研究內(nèi)容分別是：第一章為論文的研究意義和研究背景介紹部分，介紹人臉識別技術(shù)和考勤系統(tǒng)的發(fā)展?fàn)顩r，并闡述了課堂考勤系統(tǒng)的研究目的及研究意義。的人臉識別算法等。第三章對人臉識別算法進(jìn)行了研究，針對人臉識別過程中識別速度比較慢的問題，提出了一種基于稀疏表示和神經(jīng)網(wǎng)絡(luò)的人臉識別算法。統(tǒng)內(nèi)部各模塊詳細(xì)設(shè)計。第五章為基于人臉識別的課堂考勤系統(tǒng)的實現(xiàn)部分，介紹基于人臉識別的考勤系統(tǒng)各個模塊開發(fā)過程。第六章為總結(jié)與展望。各章研究內(nèi)容及聯(lián)系如圖1.1所示。理論第一章緒論網(wǎng)絡(luò)的人臉識別算法研究第四章課堂考勤系統(tǒng)需求分析及其結(jié)構(gòu)設(shè)計第五章基于人臉識別的課堂考勤系統(tǒng)開發(fā)與實現(xiàn)第六章總結(jié)與展望圖1.1 各章研究內(nèi)容及聯(lián)系圖小結(jié)究內(nèi)容。第2章人臉識別基本理論人臉識別基本原理如果缺乏這些信息，會使人臉檢測工作變得更加復(fù)雜。2.1所示。人臉圖像采集人臉圖像采集人臉圖像檢測到人臉特征提取人臉識別否存在人臉庫中?是身份匹配與驗證人臉識別結(jié)果圖2.1人臉識別流程圖人臉基本特征征兩類。人臉膚色特征的實時性，所以膚色特征常被直接用來進(jìn)行人臉檢測。研究發(fā)現(xiàn)，在采用膚色特征進(jìn)行人臉檢測方法中，選擇合適的顏色分量是關(guān)鍵。我們可以利用直方圖來進(jìn)行選擇，通過比較人臉部分和非人臉部分的直方圖分布來確定顏色分量模型。人膚顏色信息特征時，RGB（紅、綠、藍(lán)）色度空間必須經(jīng)過特殊處理，去除包含在RGBrgb色度空間，我們可以采用一個變換公式把RGBrgb[27]：r (RGB)0 0 g01/(RG 0 01/(RGB)

RG 公式BYUVYUV度，其中“Y”表示圖像顏色信息中的明亮度，也就是灰階值；而“U”和“V是色度，YUV可以較好地描述圖像色調(diào)及飽和度。YUV只需占用極少的頻寬（RGB要求三個獨立的視頻信號同時傳輸RGB輸入信號的特定部分來YUV色度空間，U(B-Y)V(R-Y)分量相互正交，稱為色度信號。YUVRGB空間的轉(zhuǎn)換公式為:Y 0.299 0.1 0.61

0.5870.0.

.40.

公式(2.2)此外，還有HSV(Hue,Saturation,Value)顏色空間的模型。在HSV表示色度，S表示飽和度，V表示透明度。HSVRGB色度空間的轉(zhuǎn)換相比以H∈[0,6]、S∈[0,1]、V∈[0,1]，則：V=max(R，G，B)。S1

min(R,G,B)V

公式(2.3)0,S0Hbg,VR 公式(2.4)4(gr),other人臉灰度特征人臉的灰度特征主要包括人臉的輪廓特征[28]、人臉的器官特征分布（如幾何稱性）及人臉的灰度分布特征(如直方圖特征[30]等等。幾何特征人臉幾何特征提取技術(shù)提出的相對比較早,發(fā)展已比較成熟。人臉的幾何特征主要例如可通過選擇兩眼球，眉毛寬度、鼻翼、兩只耳朵的長度、左右嘴角位置等人臉中的幾個重點部位進(jìn)行定位,選擇鼻翼到兩眼球中點位置距離作為基線，確定兩條眉毛之間的近端距離和遠(yuǎn)端距離參數(shù)，建立以兩眼球中點為原點,x軸,基線方y(tǒng)軸的二維坐標(biāo)平面,則可計算出相應(yīng)特征部位之間的距離特征比值?；趲缀翁卣鞯淖R別方法具有算法簡單、易于實現(xiàn)、對光照變化不太敏感，并且所需提取的特征信灰度的統(tǒng)計特征（如正交變換）N個人臉樣本的Xx,...x1 2

Rn，定義一個線性算子WRnm，則：jyWTx,iNyRmmn) 公式(2.5)i i imnXYX的散射矩陣SN(xT i1

u)T

公式(2.6)由公式(2.5)和(2.6)，我們得到Y(jié)的散射矩陣為WTSW，按公式(2.7)選取線性算子TW argmaxWTSW(w,w,...,

) 公式(2.7)opt T 1 2 mYw為St T

的特征向量。灰度的特征域特征DCT變換特征域變換特征提取等。DCT變換法為例，假設(shè)灰度圖像中任意一點(p,q)I(p,q)那么12NDCTi,j) CiC(j)N1N1I(x,y)cos(2x1cos(2y1)12N2N 2N

公式(2.8)x0y0其中，由于公式(2.8)義一個余弦變換矩陣N,x0C(i,j)

公式(2.9)2N cos(2j2N 2N

x0DCTCTCT 公式(2.10)如公式(2.9)所示，每個元素的計算量為O(N)，計算時間大大減少了。人臉檢測方法種方法的優(yōu)、缺點?；谔卣鞯娜四槞z測基于特征的檢測是人臉檢測中常用的方法，特征來源包括顏色特征（如膚色、器官輪廓特征（如眼睛、眉毛等其它面部特征）和灰度特征（如直方圖特征。在眾多基于特征的人臉檢測方法中，基于人臉局部特征是容易直觀理解的方法[31]。它的基本思路是：將人臉的局部特征（如人臉的輪廓、眼睛、眉毛、耳朵等等）人臉檢測失敗。此外，由于基于特征的人臉檢測主要使用人臉特征、人臉局部、膚色和紋理特征或人臉邊緣等信息實現(xiàn)對人臉的檢測，這類方法對人臉姿態(tài)和表情不敏感,但是對圖像采集系統(tǒng)、光照角度和強度，及環(huán)境等有較高的要求。基于模板匹配的人臉檢測然后提取標(biāo)準(zhǔn)人臉模板的局部人臉特征。在人臉檢測過程中，通過預(yù)設(shè)的閾值，把待檢效率，使得計算開銷大,同時模板匹配前需要對圖像窗口灰度分布進(jìn)行標(biāo)準(zhǔn)化處理,然后計算圖像窗口與模板的相關(guān)系數(shù)和平均偏差，這也帶來較大的計算量?；诮y(tǒng)計學(xué)習(xí)的人臉檢測本是否是人臉,需要建立人臉決策模型。其定義如公式(2.11)所示。P(Img|Face)

(P(NoFace)) 公式(2.11)P(Img|NoFace) P(Img)其中為P(Img|Face)為人臉模型，和P(Img|Nonface)非人臉模型，我們可以利用（2.11）定義的人臉模型，對圖像進(jìn)行檢測。。實用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用機(jī)器學(xué)習(xí)算法對人臉進(jìn)行快速穩(wěn)定的檢測[33]。人臉識別主要方法概述人臉識別技術(shù)產(chǎn)生于1888年由Galton提出，Galton首先對利用人臉進(jìn)行身份識別進(jìn)行了探討,這是人臉識別方法出現(xiàn)的最早研究。隨著計算機(jī)技術(shù)的迅猛發(fā)展，人臉識別技術(shù)研究出現(xiàn)了大量優(yōu)秀算法。基于幾何特征的人臉識別,如,還包括人臉局部器官在臉上分布的幾何特（包括兩眼中心兩點間的幾何距離、兩只眼睛和鼻子構(gòu)成的幾何角度等，我們可以根據(jù)人臉這些主要器官臉面部局部特征的形狀和幾何關(guān)系是基于幾何特征的人臉識別的基礎(chǔ),它的本質(zhì)是特征矢量之間的分類。例如，人臉雙眼間的距離計算可采用以下公式:(xx)2(xx)2(yy)21 2 1 20(x(xx')2(yy')2

公式(2.13)中,D0

表示兩眼間的距離,(x，y),(x'，y')則表示任意兩特征點的位置，(x，y),(x，y)分別表示左眼與右眼在圖像中的位置。1 1 2 2基于幾何特征的人臉識別方法可以歸結(jié)為兩組特征矢量之間相似度的比較。通過找[34]。由于從人臉圖像中抽取穩(wěn)定特征比較困難，基于幾何特征的識別方法常用于分類面部特征比較明顯的人臉，對強烈表情和姿勢變化魯棒性差?；谧涌臻g分析的人臉識別IndependentComponentAnalysis,ICA和非負(fù)矩陣因子Non-matrixFactor,NMF)成分分析PrincipalComponentAnalysis,PCA析LinearDiscriminateAnalysis,LDA等。非線性子空間方法主要有核主成分分析KernalPCA,KPCAFISHER鑒別分析KernelFISHERDiscriminateAnalysis,KFDA下面重點介紹主成分分析法（PrincipalComponentAnalysis，PCA）[35]。SirovichKirbyPCA應(yīng)用到人臉識別研究中，TTurkPentlandK-L變換應(yīng)用于人臉識別PCA技術(shù)對人臉圖像進(jìn)行降維處理。K-L變換構(gòu)成總體散布矩陣:C1M()()TM i1 i

公式(2.14)1M

Mi1

i 公式(2.15)為總體樣本均值,是將每一幅圖像按列排成的一維列向量,維數(shù)為n，求出一i組正交特征向量u1,u2…..un，這些正交特征向量對應(yīng)的特征值為K1,K2,…，Kn,則人臉樣本就可以表示為nwu

公式(2.16)式中wi

u(i

。

iii1如將這個子空間中的正交基按圖像陣列排列,可發(fā)現(xiàn)這些正交基呈現(xiàn)人臉的形狀,故將這些正交基又稱為特征臉?；谀０迤ヅ涞娜四樧R別,然后利用候選區(qū)域與預(yù)先提取好的人臉模板進(jìn)行[36]。在算法中可以通過制訂一些規(guī)則、來減少待識別區(qū)域、從而降低計算量。模板匹配方法中關(guān)鍵的步驟是如何選擇模板，常用的模板是將人臉看成橢圓，通過檢測圖像中的橢圓來判斷人臉區(qū)域。從實現(xiàn)原理上看，這類方法相對簡單，速度快，但人臉識別率不是很高。另一類方法是模板選擇方法，將人臉分割成眼睛、眉毛，嘴巴，將圖像中所有特征信息提取出來后,把特征信息進(jìn)行合并，由于有時候提取這些特征信息是非常困難，且考慮特殊情況較多,此方法不易實現(xiàn)。Berto對基于模板匹配和基于基于神經(jīng)網(wǎng)絡(luò)的人臉識別BasisFunction）BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)人臉識別等?；贏daboost的人臉識別算法AdaBootAdaptiveBoostingBoosting方法1995Freund和Schapire發(fā)表提出。AdaBoost具有自適應(yīng)調(diào)節(jié)功能，通過動態(tài)調(diào)節(jié)各個子學(xué)習(xí)機(jī)的權(quán)值來對算法的訓(xùn)練錯誤率進(jìn)行調(diào)節(jié)，而不再需要預(yù)先知道弱學(xué)習(xí)機(jī)的訓(xùn)練錯誤率。AdaBoost算法一經(jīng)提出，就引起各個領(lǐng)域?qū)W者強烈的興趣。 Jones和Viola首先將Adaboost算法應(yīng)用于快速人臉檢測方法中，然后，他們又把該算法應(yīng)用于人臉識別的研究，在人臉識別中取得較好的識別效果和較快的識別速度[38]，并且，目前此方法到了越來越多的推廣應(yīng)用?；贏daBoost算法的人臉識別過程如下：設(shè)輸入為n個訓(xùn)練樣本：{x1，y1}，{x2，y2}?，{xN，yN}，其中yi∈Y={1，2，?，k}ND然后生成強分類器，其詳細(xì)學(xué)習(xí)過程如下：D(i)初始化權(quán)重向量，Wi,y

i=2，?，，∈Y-{yi；k1t=1，2，?，（T為迭代次數(shù)； t①權(quán)重定義為：Wti

y

ti,

；權(quán)重標(biāo)簽函數(shù)q(i,y)t

i,y；當(dāng)y≠yi時，歸一化Wti；i權(quán)重D(i)Wt；it NWtii1②對簡單分類器作用D和q；得到一個弱分類器h：X×Y→[0，1]；t t t③計算誤差函數(shù)：1

D(i)(1h(x,y)q(i,y)h(x,y))t 2

t i

t t ii1 yyi④令t

t ,1 t

強分類器的累計誤差；⑤更新每個樣本所對應(yīng)的權(quán)重：wt1wt(1/2)(1h(x,y)h(x,y)),iN,yY{y}i,y

i,y

i ii t ii最后生成強分類器：h(x)argmaxTf t1

(log(1/t

))h(x,y)t假設(shè)有M個簡單分類器，再將這M個簡單分類器合成一個強分類器，具體步驟為：定義

t/T ，權(quán)重log(1/;t 1/T tt

log(1/)t ;Mi1

log(1/)t最終生成的強分類器為：NN log(1/ h(x)argmax

T(log(1/))h(x,y)f

t

Mi1

log(1/t

t t)t1)人臉圖像處理技術(shù)灰度化灰度圖像(GrayScaleImage)，又稱灰階圖。是用一種把白色與黑色之間分為256階的圖像。而灰度化就是把彩色圖像轉(zhuǎn)化為灰度圖像的過程，根據(jù)人眼的視覺機(jī)理，通常絕大部分顏色都可以看作是3個基本顏色即RGB(紅、綠、藍(lán))的混合。可以建立起一RGBR、G、BR、G、B30-255為:Gray(i,j)=0.11R(i,j)+0.59G(i,j)+0.3B(i,j) i=0,l,2,…,Mj=0,l,2,…,N. 公式(2.17)公式(2.17)中M是圖像的寬度，N是圖像的長度；圖像轉(zhuǎn)換后在(i,j)點處的灰度值用Gray(i,j)表示，彩色圖像在(i,j)點處的R、G、B顏色分量值用R(i，j)、G(i，j)、B(i，j)表示。采集到人臉圖像如圖2.2所示，灰度化后圖像如圖2.3所示圖2.2人臉圖像 圖2.3灰度化后人臉圖像圖像去噪處理圖像在采集過程中,由于受到外部環(huán)境的干擾、硬件本身的原因和光照不均勻等因[39]去噪聲效果相對比較理想。其中中值濾波還可以提高圖像信噪比，有效地抑制圖像噪聲，中值濾波運算的定義為：F(x，y)=median{g(s,t)},(s,t)∈Sxy 公式(2.18)公式(2.18)中g(shù)(s,t)用來表示以點(s,t)為中心的像素灰度值；Sxy點(s,t)為中心的鄰域。median為中值運算；從公式(2.18)可以看出，中值濾波是把某點濾波不僅用來平滑噪聲，同時還可以保護(hù)圖像邊緣信息。對圖2.3進(jìn)行中值濾波后，結(jié)果如圖2.4所示。圖2.4 人臉圖像中值濾波結(jié)果二值化0，1值。由此可見，圖像二值化的目的是從一個圖像中把目標(biāo)區(qū)域和背景區(qū)域景，實現(xiàn)圖像二值化操作。閉值處理的操作過程按下面的公式進(jìn)行，0g(x,y)255

f(x,y)T 公式(2.19)f(x,y)Tf(x,y)表示圖像中點f(x,y)白兩類。從公式(2.19)T，閾值不同，得到的分割區(qū)域會不同。對圖2.4進(jìn)行二值化操作，結(jié)果如圖2.5所示。圖2.5 人臉二值化圖像形態(tài)學(xué)處理數(shù)學(xué)形態(tài)學(xué)是一門圖像分析學(xué)科，它由一組形態(tài)學(xué)的代數(shù)運算子組成，其中膨脹和腐蝕為常用的基本算子，下面分別介紹這兩種算子的原理與用途[40]。膨脹是形態(tài)學(xué)圖像處理常用到的方法之一，它將目標(biāo)區(qū)域的邊界合并到該目標(biāo)區(qū)域中，膨脹結(jié)果使得目標(biāo)區(qū)域邊界擴(kuò)大。在圖像處理算法中，膨脹一般用來填補物體中的空洞。假定A和B是Z2上的兩個集合，則依據(jù)數(shù)學(xué)定義，A被B膨脹可表示為：AB(B)z

AB（結(jié)構(gòu)元素)ZAZzB的反射對這些A至少重疊一個元素。腐蝕是一種消除邊界點，使邊界向內(nèi)部收縮的過程。假定A和B是Z2上的兩個集ABA$B(B)z

A。從以上定義可知，在圖像處操作中，腐蝕一般用來消除小且無意義的物體。同時，腐蝕的過程也是可以用來分開兩個物體間細(xì)小的連通。我們可以發(fā)現(xiàn)，腐蝕和膨脹是補集和反射操作，它們成對偶關(guān)系。圖像旋轉(zhuǎn)幾何位置的校正，使得所有人臉圖像在某角度與位置點上保持一致性[41]。圖像旋轉(zhuǎn)操作是通過定義旋轉(zhuǎn)中心，將舊坐標(biāo)值轉(zhuǎn)換成新坐標(biāo)值的過程。設(shè)(x,y)為圖像中的點，旋轉(zhuǎn)的坐標(biāo)為(u,v)，旋轉(zhuǎn)度為θ，如圖2.6所示。(u,v)(u,v)rβθ(x,y)α圖2.6圖像旋轉(zhuǎn)的坐標(biāo)轉(zhuǎn)換關(guān)系圖也可以采用極坐標(biāo)的方式進(jìn)行操作設(shè)圖像旋轉(zhuǎn)前后的極坐標(biāo)分別為和依據(jù)角度轉(zhuǎn)化關(guān)系，則有: u=rcosα，v=rsinβ，并通過三角關(guān)系，可計算x=rcosα=rcos(β-θ)=rcosβcosθ+rsinβsinθ=ucosθ+vcosθ 公式(2.20)y=rsinα=rsin(β-θ)=rsinβcosθrcosβsinθ=-ucosθ+vcosθ 公式u,v的推導(dǎo)，可以將公式(2.2021)可以轉(zhuǎn)換成：xcos sin1u

公式(2.22)y sin cos v 則，可求解旋轉(zhuǎn)后圖像對應(yīng)像素的新坐標(biāo)為：ucos sin1x

公式(2.23)v sin cos y 圖像縮放比較常用的有最近鄰近法和雙線性插值法[42]。假設(shè)f(x,y)為原人臉圖像，g(u,v)為縮放后的新人臉圖像，新圖像任意一點(u，v)，經(jīng)過縮放后的坐標(biāo)位置為(x0,y0)，縮放的比例是隨意的，可以得到四個插值點，分別為f(x,y)，f(x+l,y)，f(x,y+1)，f(x+l,y+1)，如圖2.7所示。(x,y)(x,y)p1-p(x+1,y)q(x,y)001-q(x+1,y+1)(x,y+1)圖2.7雙線性插值示意圖依據(jù)他們之間的線性關(guān)系，從圖2.7中可以推導(dǎo)出點(x0,y0)的灰度值計算公式為:px0

x,qyy0f(x,y)(1q)[(1p)f(x,y)pf(x1,y)]0 0q[(1pf(xy1)pf(x1,y1)] 公式(2.24)這樣，對原圖像f(x0,y0)四舍五入得到新圖像的灰度值g(u,v)。小結(jié)本章對人臉識別中相關(guān)理論進(jìn)行了介紹。先介紹了現(xiàn)有常見的人臉檢測方法及其原理；然后介紹幾種主要的人臉識別方法，并對這些方法進(jìn)行分析和比較；最后，介紹了人臉識別中所涉及到的一些圖像處理算法。第3章基于稀疏表示和神經(jīng)網(wǎng)絡(luò)的人臉識別算法研究壓縮感知理論壓縮感知(CompressedSensing,CS)，它打破常規(guī)尼奎斯特－香農(nóng)采樣定理的制約，[43]Candes在2006年從數(shù)學(xué)上證明了可以從部分傅里葉變換系數(shù)精確重構(gòu)原始信號,并和Donoho2006年提出了壓縮感知的概念[44]2007年美國十大科,25,,電子科技大學(xué)韋順軍博士等對壓縮感知理論在雷達(dá)三維成像技術(shù)應(yīng)用進(jìn)行了研究。CSRIP(RestrictedIsometryProperty)，進(jìn)而構(gòu)造重構(gòu)目標(biāo)所對應(yīng)的稀疏表征基，然后利用求解最小L1范yyRNN，基向量為i

(i1,2,...,N)，對信號進(jìn)行變換：yNfiii1

或yf 公式(3.1)yf是信號在3.1疏變換的原理。圖3.1信號稀疏變換圖形化表示若公式(3.1)fK個是非零值(NKK-稀疏的。因此運用壓縮感知理論進(jìn)行信號的重構(gòu)，首先應(yīng)該確定信號是稀疏的（或近似稀疏的。如果信號不具備稀疏性，那么可利用相應(yīng)的稀疏變換算法，使信號稀疏化。依據(jù)壓縮感知理論，稀疏信號的壓縮與重構(gòu)可分為兩步[45]：設(shè)計MN(MNM不相干的降維觀測方式。可以采用隨機(jī)矩陣進(jìn)行觀測，如高斯觀測矩陣。M維的測量向量重構(gòu)信號。常見的重構(gòu)算法有基跟蹤算法(BP)，回溯追蹤算法（SP）算法和正交匹配追蹤算法(OMP)等。信號的稀疏表示信號稀疏的定義為[46]：對于信號f和一組正交基，信號X變換系數(shù)向量為fH，對于0p2R0，如果這些系數(shù)滿足||f||p

(|ii

|p)1/pR 公式(3.2)那么我們可以認(rèn)為這些系數(shù)向量是稀疏的。此外，還有文獻(xiàn)把稀疏解釋為：如果變換系數(shù)fi

f,i

的支撐域{i;fi

0}的勢小于等于K，則信號是K-稀疏的。從以上定義可以看出，壓縮感知理論應(yīng)用于信號重構(gòu)的關(guān)鍵是找出信號的稀疏域，保證信號的稀疏性，信號的恢復(fù)精度是通過選擇合適的基來保證的。信號的觀測矩陣觀測矩陣設(shè)計也是壓縮采樣理論的核心之一，設(shè)計觀測矩陣的目標(biāo)是從盡可能少的從觀測值中恢復(fù)原始信號，利用已經(jīng)設(shè)計好的測量矩陣得到信號的線性測量值y，操作過程按以下公式進(jìn)行：yf

公式(3.3)ff是一個MNM維。為保證信號的完全重構(gòu)，要求測量矩陣的設(shè)計使信號從fy的K個測量值不會破壞原始信號的信息[47]f是可稀疏表示的，可以對公式(3.3)進(jìn)行轉(zhuǎn)化yfHa 公式(3.4)公式(3.4)MNMN，公式(3.4)有無數(shù)多個解，從而無法重構(gòu)出信號。依據(jù)壓縮感知理論，若(3.4)式中的滿足RIP條件時，可以將信號重K-f常數(shù)k

，矩陣滿足：1k

||f||2 2||f||22

1k

公式(3.5)那么K個系數(shù)能夠從MRIP條件。由此可以發(fā)現(xiàn)RIP要求測量矩陣和稀疏基不相關(guān)。信號的重構(gòu)算法以上分析可知，要完成信號的重構(gòu)，需求解上述方程，當(dāng)矩陣滿足RIP準(zhǔn)則時，依據(jù)壓縮感知理論，信號重構(gòu)的結(jié)果是找到滿足公式(3.5)的最稀疏解，具體步驟為，先求解稀疏系數(shù)

fH，然后利用觀測矩陣將信號恢復(fù)出來（這也是設(shè)計觀測矩陣的目標(biāo)，我們可通過增加范數(shù)約束來得到稀疏解，通過l0

范數(shù)求解最優(yōu)化問題[48]：min||||

yH 公式(3.6)但求解公式(3.6)是一個NPHARD問題，為求解公式(3.6)，學(xué)者們從研究信號稀疏分l最小范數(shù)下在一定條件下和l1

最小范數(shù)具有等價性，那么公式(3.6)可以采用l最小范數(shù)下的最優(yōu)化問題進(jìn)行描述，即1min||||l 1

yH 公式(3.7)l最小范數(shù)下最優(yōu)化問題又稱為基追蹤(BP)，目前常用的壓縮感知重構(gòu)算法，有BP、1MP、OMP等，下面重點介紹一下OMP算法。Input：壓縮傳感觀測矩陣矩陣，向量x為KxOutput：信號x的逼近^；xInitialization：t=1，信號殘差r，索引集；0 0循環(huán)執(zhí)行步驟，①信號殘差找出殘差r，進(jìn)行內(nèi)積操作，找出內(nèi)積結(jié)果中值最大的列

，對應(yīng)的下標(biāo)j為，即t

i1...N

r,t

|；②更新索引集t

t1

，記錄找到的傳感矩陣中的重建原子集合t

t

,]；i③由最小二乘得到argminy；t 2④更新殘差ry，t=t+1；t tt⑤判斷是否滿足t>K,若滿足，則停止迭代；若不滿足，則執(zhí)行①小波變換原理^小波的概念最早是由法國地球物理學(xué)家J.Morlet提出，目前小波變換在眾多領(lǐng)域如(t(R(，當(dāng)滿足容許條件[49,50]:^C |^()|2

d

公式(3.8)則稱(t)為一個小波，函數(shù)f(t)L2(R)的連續(xù)小波變換定義如下[51]:WT(a,b)f

1 tb|a| f(t)*( )dtf,|a|a

a

(t)

公式(3.9)公式(3.9)中(t)又稱為母小波。(t)是母小波經(jīng)過一系線性變換而構(gòu)成的一族小a,ba2波基函數(shù)[52]bx(t)a定義為母小波(ta，bta21 ^ ^ ^WTf(a,b)2f,

,ab,

f()eibw*(a)d

公式(3.10)由式(3.9)，(3.10)可以看出，小波變換WTf(a,b)的原理也可以描述為利用濾波器組a^ f(t)進(jìn)行濾波操作a,基于BP人工神經(jīng)網(wǎng)絡(luò)ANN，也簡稱神經(jīng)網(wǎng)絡(luò)（NN，它是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)（神經(jīng)元）連接而如BPRBF網(wǎng)絡(luò)等ARTHopfield神經(jīng)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、認(rèn)知器模型等等[54]。BP誤差反向傳播Propagation，BP）BP神經(jīng)網(wǎng)絡(luò)，它是一種經(jīng)BP(可為一層或多層)和輸出層，各層之間實現(xiàn)全連接。BP神經(jīng)網(wǎng)絡(luò)具有導(dǎo)師學(xué)習(xí)功能，它的基本思想是：根據(jù)輸出層的誤差逐層反向估計隱層的輸出誤差，進(jìn)而調(diào)整每個隱層的連接權(quán)。BP網(wǎng)[55]，如圖3.2所示。模式順傳播模式順傳播誤差反向傳播記憶訓(xùn)練學(xué)習(xí)收斂圖3.2BP網(wǎng)絡(luò)的學(xué)習(xí)過程3.2（即目標(biāo)輸出值與結(jié)果輸出值之差“模式順傳播”與“誤差反向傳播”的反復(fù)交替進(jìn)行的過程，信號由輸出層經(jīng)中間層向輸入層逐層傳遞的過程。學(xué)習(xí)收斂指神經(jīng)網(wǎng)絡(luò)誤差收斂于極小值的過程[56]。BP神經(jīng)網(wǎng)絡(luò)的特點決定信息可以正向傳播，即輸入信息從輸入層經(jīng)隱層傳向輸出層。一般情況下，輸入層中神經(jīng)元（節(jié)點）的狀態(tài)只影響隱層神經(jīng)元的狀態(tài)，隱層神經(jīng)BP每兩個神經(jīng)元間的連接，稱之為權(quán)重。在一定條件下，如果目標(biāo)輸出與期望輸出不一致或超過一定范圍時，BP神經(jīng)網(wǎng)絡(luò)到減少信號誤差的目的。三層BP神經(jīng)網(wǎng)絡(luò)模型如圖3.3所示。Wx 1輸 x入 2向 …量 x

yWjz z111y2 z 輸y… 2 出… 向… z 量i輸入層

y kj隱層 輸出層圖3.3 BP神經(jīng)網(wǎng)絡(luò)模型在三層BP神經(jīng)網(wǎng)絡(luò)中，x(i=1,2,...,N)表示輸入節(jié)點，yi

(j=1,2,...,N)表示隱層節(jié)點，z(k=1,2,...,N)表示輸出節(jié)點。 wk

(i,j=1,2,...,N)表示輸入層和隱層間的權(quán)重， wjk(j,k=1,2,...,N)表示隱層和輸出層間的權(quán)重。如圖3.2的BP神經(jīng)網(wǎng)絡(luò)模型中(1)采用S型函數(shù)(Sigmoid)，則傳遞函數(shù)：f(N

f(x))z(1z， f'(N)y(1y。

1 公式(3.11)1exk k k j j j隱層節(jié)點k的輸入為Nj

wxiji

，而節(jié)點j的實際輸出：jyfw

x)

(N) 公式(3.12)表示第i個節(jié)點的閾值；j

j iji j i輸出層輸出節(jié)點k的輸入為：輸出節(jié)點k的實際輸出為：

N w ik kj

公式(3.13)zf(wyk jk j

)f(N

) 公式(3.14)權(quán)值的修正輸出節(jié)點的誤差：E1(d2 k

z)2 公式(3.15)k輸出單元的權(quán)值對誤差的影響：Ew

y，其中

(d

zf'(N) 公式(3.16)k jjk隱層節(jié)點對誤差函數(shù)的影響：

k k k kE

x其中

f'(N

公式(3.17)jiij

j j kkΔw表示權(quán)重的修正，按照傳統(tǒng)方法則有：jkw=Ejk jk

yk

，w='ij

'xjiij

公式(3.18)故：w(t+1)wjk jk

jk

w(t) yjk kj

公式(3.19)ww

公式(3.20)ij ij jk ij jiBPBPBP網(wǎng)絡(luò)模型。研究發(fā)現(xiàn)，傳統(tǒng)的BP算法在調(diào)整權(quán)值時，只按某一時刻誤差的梯度方向調(diào)整，忽并且導(dǎo)致產(chǎn)生局部極小值問題，為防止網(wǎng)絡(luò)的振蕩發(fā)散，引入動量因子α，緩解網(wǎng)絡(luò)的局部極小。w(t+1

w (

[1

] 公式(3.21)jk j

jk j

j k kw

wx

(1) ]ij

ij ij i

j1

公式(3.22)k是網(wǎng)絡(luò)輸出單元的權(quán)值誤差wjk的影響數(shù)，j是網(wǎng)絡(luò)隱層節(jié)點的權(quán)值誤差wjk的影響數(shù)， 為學(xué)習(xí)效率，α∈[0，1]是動量因子，當(dāng)α=1時，此神經(jīng)網(wǎng)絡(luò)模型為統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。當(dāng)α=0時，網(wǎng)絡(luò)中的權(quán)重轉(zhuǎn)變與此時刻的負(fù)梯度有關(guān)。BP果，并把識別結(jié)果存入數(shù)據(jù)庫中?；贐P神經(jīng)網(wǎng)絡(luò)人臉識別算法流程如圖3.4所示。開始開始目標(biāo)訓(xùn)練成功識別分類失敗人臉圖像采集提示分類結(jié)果識別拒絕圖像處理是添加人臉否人臉檢測識別結(jié)果反饋人臉特征提取結(jié)束圖3.4基于BP神經(jīng)網(wǎng)絡(luò)人臉識別技術(shù)路線基于稀疏表示和神經(jīng)網(wǎng)絡(luò)的人臉識別算法原理基于稀疏表示和神經(jīng)網(wǎng)絡(luò)的人臉識別算法流程從第二章介紹的相關(guān)原理可知人臉識別過程主要分為：人臉圖像采集、人臉圖像預(yù)處理等四個步驟，如圖3.5所示。人臉圖像采集人臉圖像采集圖像預(yù)處理特征提取人臉識別圖3.5 人臉識別過程3.6所示。圖像預(yù)處理圖像預(yù)處理人臉圖像采集圖像小波稀疏化人臉圖像特征提取神經(jīng)網(wǎng)絡(luò)模型樣本訓(xùn)練分類決策識別結(jié)果圖3.6基于稀疏表示和神經(jīng)網(wǎng)絡(luò)的人臉識別算法流程基于小波變換的人臉稀疏表示實驗3.7harr3.73.8harr3.73.9比較可以發(fā)現(xiàn)，圖像已變的非常稀疏。 圖3.7原圖 圖3.8小波四層分解 圖3.9小波稀疏化結(jié)果計算復(fù)雜度和計算量，提高了識別率和識別速度。人臉識別實驗及結(jié)果ORLORL人臉數(shù)據(jù)庫是OlivettiResearchLaboratoryORL40個人10不同的膚色和灰度變化，10張人臉中包含不同的面部表情和角度偏轉(zhuǎn)。(1)(2)非訓(xùn)練樣本人臉圖103立每個人的人臉特征庫；每人的其余7幅圖像用于識別測試。如圖3.10所示。圖3.10ORL人臉庫圖像為驗證本論文提出的方法的有效性，采用matlab7.0編寫相應(yīng)的程序。人臉識別功能主要核心代碼如下。functionOutputName=recog(TestImage,m,A,Humanfaces)ProjectedImages=[];Train_Number=size(Humanfaces,2);fori=1:Train_Numbertemp=Humanfaces'*A(:,i);ProjectedImages=[ProjectedImagestemp];endInputImage=imread(TestImage);temp=InputImage(:,:,1);[irowicol]=size(temp);InImage=reshape(temp',irow*icol,1);%%%%%%%%%%%%%%%%%%%%%%%圖像稀疏化%%%%%%%%%%[irowicol]=size(InImage);InImage=double(InImage);w=DWT(irow); %w為稀疏化小波正交矩陣InImage=w*sparse(InImage)*w';InImage=uint8(full(InImage));Difference=double(InImage)-m;%CenteredtestimageProjectedTestImage=Humanfaces'*Difference;Euc_dist=[];fori=1:Train_Numberq=ProjectedImages(:,i);temp=(norm(ProjectedTestImage-q)Euc_dist=[Euc_disttemp];end[Euc_dist_min,Recognized_index]=min(Euc_dist);OutputName=strcat(int2str(Recognized_index),'.bmp');BP3.1所示。表3.1人臉識別結(jié)果比較識別方法輸入層節(jié)點數(shù)隱層節(jié)點數(shù)輸出層節(jié)點數(shù)樣本訓(xùn)練時間訓(xùn)練樣本識別率人臉庫識別率BP神經(jīng)網(wǎng)絡(luò)1282010152.42秒100%87.8%本論文方法128201085.26秒100%95.6%3.1BP高。3.5小結(jié)降低圖像的輸入維數(shù)，提高了人臉識別速度。第4章課堂考勤系統(tǒng)需求分析及其結(jié)構(gòu)設(shè)計系統(tǒng)需求分析設(shè)計的基礎(chǔ)。學(xué)生課堂考勤系統(tǒng)主要特點點有：1010的時間段與其它企業(yè)和事業(yè)單位考勤頻率大不一樣；學(xué)生數(shù)量龐大，班級眾多，以擁有2580個左右不同的班級；此外，上課時間各不相同，臨時原因調(diào)課會使得課堂考勤變的復(fù)雜。次和對應(yīng)的課時；不要占用上課時間對學(xué)生進(jìn)行考勤，要求要有較快的考勤速度；識別錯誤，不僅沒達(dá)到考勤的目的，反而會影響正常的課堂教學(xué)；非采用“物”的考勤方式；況。系統(tǒng)設(shè)計目標(biāo)及原則系統(tǒng)設(shè)計目標(biāo)學(xué)生課堂考勤統(tǒng)計結(jié)果。系統(tǒng)設(shè)計原則學(xué)生課堂考勤系統(tǒng)應(yīng)該滿足以下設(shè)計原則先進(jìn)性，系統(tǒng)開發(fā)中應(yīng)該考慮當(dāng)前流行的先進(jìn)技術(shù)，成熟穩(wěn)定的硬件設(shè)備；生及教師的信息資料的安全；可擴(kuò)展性及易維護(hù)性，學(xué)生課堂考勤系統(tǒng)在容量上要考慮學(xué)生、教室等將來的需護(hù)；備的協(xié)同運行，同時考慮到系統(tǒng)用戶的長遠(yuǎn)利益，所開發(fā)的系統(tǒng)應(yīng)當(dāng)是開放系統(tǒng)。系統(tǒng)功能模塊基于人臉識別的課堂考勤系統(tǒng)包括人臉識別和考勤信息管理兩大功能模塊。它們各自具有獨立的功能，同時又相互聯(lián)系。系統(tǒng)功能模塊分析4.1所示。電腦終端圖像處理考勤設(shè)置班級添加考勤記錄保存班級刪除人臉圖像人臉識別考勤記錄查詢班級設(shè)置CCD攝像神經(jīng)網(wǎng)絡(luò)考勤記錄調(diào)整班級查詢?nèi)四槇D像采集人臉圖像采集人臉識別考勤信息管理（1）人臉識別模塊腦中的功能。②人臉圖像處理對采集到的人臉圖像進(jìn)行預(yù)處理操作，結(jié)合相應(yīng)的圖像處理算法，如灰度化、去噪處理、旋轉(zhuǎn)、縮放等算法。③人臉識別中。(2)考勤信息管理模塊①考勤信息操作勤信息操作的功能，包括：學(xué)生查詢自己考勤結(jié)果，修改自己的登錄信息等；教師可以查詢相關(guān)班級的考勤結(jié)果和考勤記錄、息和對考勤信息進(jìn)行處理。系統(tǒng)管理員擁有所最高級別的權(quán)限，可以完成考勤信息管理中的所有操作。②系統(tǒng)后臺管理通過后臺管理模塊，完成系統(tǒng)初始化的設(shè)置，主要完成以下操作：考勤記錄管理，主要完成對考勤記錄基本數(shù)據(jù)的添加、刪除、修改和查詢等操作，同時還包括系統(tǒng)數(shù)據(jù)初始化和數(shù)據(jù)庫備份等操作。數(shù)據(jù)庫服務(wù)器添加、刪除、修改學(xué)生人臉圖像數(shù)據(jù)等操作。/班主任（或輔導(dǎo)員/教師等不同級別的用戶的權(quán)限進(jìn)行動態(tài)設(shè)置等。維護(hù)處理。系統(tǒng)工作流程基于人臉識別的課堂考勤系統(tǒng)的工作流程可大致描述如下：首先，對學(xué)生及學(xué)生相關(guān)信息進(jìn)行記錄。通過學(xué)生信息管理模塊，添加上課程序進(jìn)行操作。在人臉識別系統(tǒng)中，設(shè)置課堂考勤的時間。當(dāng)學(xué)生依次走入教室的時候，每個教室門口的攝像頭采集人臉圖像，完成人臉圖像識別操作，并彈出識別出的學(xué)生姓名，判斷是否識別正確，否則，重新識別。然全校學(xué)生和任課教師可通過上網(wǎng)登陸查詢系統(tǒng)查詢學(xué)生上課出勤情況，還可操作。系統(tǒng)體系結(jié)構(gòu)設(shè)計論文所研究的基于人臉識別的課堂考勤系統(tǒng)包括人臉識別和考勤信息管理兩大主要功能。系統(tǒng)體系結(jié)構(gòu)設(shè)計是系統(tǒng)設(shè)計過程的層面，是系統(tǒng)開發(fā)的重要環(huán)節(jié),可作為系統(tǒng)開發(fā)指導(dǎo)性的策略。管理信息系統(tǒng)的體系結(jié)構(gòu)發(fā)展經(jīng)歷了單機(jī)單用戶模式、文件/服務(wù)器(File/Sever)模/服務(wù)器(Clicnt/Server)模式和瀏覽器/服務(wù)器(Browser/Server)C/SB/SC/SB/S結(jié)合的混合B/SIE瀏覽器，就可以對考勤信查詢輸出等操作。基于人臉識別的課堂考勤系統(tǒng)中B/S模式如圖4.2所示。WebWeb服務(wù)器數(shù)據(jù)庫服務(wù)器瀏覽器Internet瀏覽器瀏覽器客戶機(jī)瀏覽器客戶機(jī)客戶機(jī)客戶機(jī)圖4.2B/S模式示意圖AP（ApplicationProgrammingInterfac、數(shù)據(jù)庫服務(wù)器和系統(tǒng)界面顯示。API是系統(tǒng)顯示和后臺數(shù)據(jù)直接的接口，它包括人臉圖像采集、人臉圖像管理、人臉識別、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、系統(tǒng)設(shè)定等。學(xué)生課堂考勤管理系統(tǒng)采用B/S利用ASP.net開發(fā)，通過瀏覽器進(jìn)行管理與訪問，同時客戶端、數(shù)據(jù)庫系統(tǒng)和瀏覽器端4.3所示。人臉圖.圖像人臉參數(shù)學(xué)生信用戶考勤系統(tǒng)像管理采集識別設(shè)定息管理管理管理設(shè)置APIAPIMicrosoftASP.netFrameworkMicrosoftMFCFrameworkWEB服務(wù)器數(shù)據(jù)庫在設(shè)計系統(tǒng)體系結(jié)構(gòu)時要保證系統(tǒng)實現(xiàn)以下目標(biāo)：。安全性。安全性是進(jìn)行系統(tǒng)開發(fā)中重點考慮的問題，一般環(huán)境下，設(shè)計系統(tǒng)成的數(shù)據(jù)丟失或破壞。線性關(guān)系，即相互獨立又相互補充，方便系統(tǒng)后期維護(hù)和升級。能實現(xiàn)人臉圖像的實時采集、人臉圖像的實時識別等。系統(tǒng)結(jié)構(gòu)設(shè)計基于攝像頭的人臉圖像采集系統(tǒng)所示。開始預(yù)覽開始預(yù)覽攝像頭檢測打開圖片捕捉否否打開成功？顯示圖片是保存？顯示圖片是保存否保存成功？結(jié)束圖4.4基于攝像頭的人臉圖像采集流程攝像頭實時圖像人臉檢測流程4.5所示。攝人臉區(qū)域檢測人眼定位人臉定位人像頭光線補償 灰度化人眼匹配人臉匹配臉檢實時膚色建模 膨脹去除非眼睛區(qū)膨脹去除非臉區(qū)域膨脹測結(jié)圖像非臉區(qū)域 腐蝕人眼中心定位臉部中心定位果圖4.5攝像頭實時圖像的人臉檢測流程人臉識別模塊設(shè)計采用第三章介紹的基于稀疏表示和神經(jīng)網(wǎng)絡(luò)的人臉識別算法，設(shè)計人臉識別模塊，詳細(xì)內(nèi)容已在第三章介紹，在這里不再重復(fù)。學(xué)生考勤信息管理模塊設(shè)計)。學(xué)生考勤信息管理模塊主要實現(xiàn)對人臉定、考勤記錄查詢與統(tǒng)計、用戶/4.6所示。學(xué)院學(xué)學(xué)按 按按按節(jié)請異用 用后用生系生生時 姓部班假假常戶 戶臺戶信專信圖間 名門級日申情信 權(quán)數(shù)信息業(yè)息像查 查查查定請況息 限據(jù)息添信修信詢 詢詢詢義信定添 管庫修加息改息息義加 理管改管管添理理理加學(xué)生考勤信息管理系統(tǒng)學(xué)生信息管理學(xué)生考勤信息管理系統(tǒng)學(xué)生信息管理考勤記錄查詢考勤規(guī)則管理用戶信息管理學(xué)生個人信息管理（主要包括學(xué)生的姓名、學(xué)號、登錄密碼、性別、聯(lián)系電話、常用郵箱等、對學(xué)生所在院/系信息管理和學(xué)生人臉圖像信息管理。學(xué)生個人信息還應(yīng)該包括學(xué)生所在系部、專業(yè)信息管理可以對學(xué)生所在的系部信息進(jìn)行增、刪、改、查等操作?？记谟涗洸樵儾樵儾僮魇强记谙到y(tǒng)的基本操作，系統(tǒng)針對不同級別的用戶設(shè)置了不同級別的權(quán)般只能查詢自己的考勤記錄，但院/系領(lǐng)導(dǎo)可以查詢院/系所有學(xué)生的考勤記錄。用戶級別越高，查詢權(quán)限越大?？记谝?guī)則管理用戶信息管理增、刪、改、查等操作；同時用戶信息管理還包括后臺數(shù)據(jù)庫維護(hù)。數(shù)據(jù)庫設(shè)計數(shù)據(jù)庫設(shè)計目標(biāo)數(shù)據(jù)庫設(shè)計原則大多數(shù)的數(shù)據(jù)庫管理系統(tǒng)提供了圖形化的操作界面，我們可方便的創(chuàng)建表，定義屬性。在設(shè)計數(shù)據(jù)庫時應(yīng)考慮以下原則：數(shù)據(jù)的完整性：要求存入數(shù)據(jù)庫中的記錄能完整表達(dá)實體信息，信息準(zhǔn)確。性和一致性，使數(shù)據(jù)滿足高度結(jié)構(gòu)化要求。減少數(shù)據(jù)冗余：對于數(shù)據(jù)量比較大的系統(tǒng)，數(shù)據(jù)冗余會很大程度上加重數(shù)據(jù)庫負(fù)擔(dān)?？梢罁?jù)第三范式規(guī)則，消除數(shù)據(jù)庫表中非完全依賴和傳遞依賴，提高數(shù)據(jù)的保存質(zhì)量；減少數(shù)據(jù)存儲結(jié)構(gòu)之間的關(guān)聯(lián)，降低數(shù)據(jù)的維護(hù)成本。概念設(shè)計ER圖也稱實體-聯(lián)系圖(EntityRelationshipDiagram)來表示，它是以實體、關(guān)系、屬性來概括數(shù)據(jù)的基本結(jié)構(gòu)。概念設(shè)計獨立于數(shù)據(jù)庫管理系統(tǒng)（DBM，是系統(tǒng)中各用戶和程序開發(fā)人員共同關(guān)心的數(shù)據(jù)結(jié)構(gòu)。程序系，為邏輯結(jié)構(gòu)設(shè)計打下基礎(chǔ)。ER重點介紹基于人臉識別的課堂考勤系統(tǒng)中主要實體及實體包含的屬性信息。班級學(xué)生信息實體，包括學(xué)生學(xué)號、姓名、登錄密碼等相關(guān)屬性，學(xué)生信息實體ER圖如圖4.7所示。學(xué)生學(xué)號學(xué)生學(xué)號姓名學(xué)號性別學(xué)生信息年齡聯(lián)系電話郵箱備注圖4.7學(xué)生信息實體E-R圖考勤記錄用來記錄人臉識別考勤結(jié)果信息，其ER圖如圖4.8所示。記錄標(biāo)號記錄標(biāo)號學(xué)生學(xué)號考勤時間考勤類型考勤備注圖4.8考勤信息實體E-R圖學(xué)院（系）信息用來記錄院（系）的名稱和編號，其實體ER圖如圖4.9所示。學(xué)院（系）編號學(xué)院（系）編號學(xué)院（系）名稱院（系）圖4.9院（系）信息實體E-R圖帳號信息實體用來保存登錄到系統(tǒng)的帳號信息，其ER圖如圖4.10所示。密碼密碼帳號姓名權(quán)限帳號信息聯(lián)系電話郵箱備注圖4.10帳號信息實體ER圖主要數(shù)據(jù)表結(jié)構(gòu)基礎(chǔ)上的數(shù)據(jù)庫，目前主流數(shù)據(jù)庫如oracle,MysqlSQLseveraccessdb2關(guān)系數(shù)據(jù)模型。關(guān)系數(shù)據(jù)庫最大特征是采用表結(jié)構(gòu)描述實體及實休之間的關(guān)系。下面給出一些主要實體對應(yīng)的數(shù)據(jù)表信息。WEB4.1所示。表4.1學(xué)生信息管理表結(jié)構(gòu)字段名數(shù)據(jù)類型長度主鍵否描述User_idvarchar10主鍵學(xué)生學(xué)號Usernamevarchar10姓名Sexvarchar2性別Agenumber4年齡Sclassvarchar4班級Phonenumber12聯(lián)系電話Emailvarchar20郵箱Remarkvarchar40備注設(shè)計考勤記錄登記表如表4.2所示。表4.2考勤記錄登記表結(jié)構(gòu)字段名數(shù)據(jù)類型長度主鍵否描述idvarchar30主鍵記錄標(biāo)號User_idvarchar10學(xué)生學(xué)號Type_idint20類型Attend_timedatetime20考勤時間Attend_introvarchar20介紹班級信息管理表，保存班級相關(guān)信息，如表4.3所示。表4.3班級信息管理表結(jié)構(gòu)字段名字段名ClassnoClassenameDeptno數(shù)據(jù)類型varcharvarchardatetime長度305030主鍵否描述主鍵班級編號班級名所在學(xué)院編號學(xué)院/系部信息管理表，保存學(xué)院/系部相關(guān)信息，如表4.4所示。字段名Deptno字段名DeptnoDepname數(shù)據(jù)類型varcharvarchar長度3050主鍵否描述主鍵學(xué)院（系）編號學(xué)院（系）名稱管理員信息管理表，保存系統(tǒng)管理員相關(guān)信息，如表4.5所示。表4.5管理員信息管理表結(jié)構(gòu)字段名數(shù)據(jù)類型長度主鍵否描述adminnovarchar10主鍵管理員編號Usernamevarchar10姓名Pwdvarchar15密碼Phonenumber12聯(lián)系電話Emailvarchar20郵箱Powernumber4權(quán)限Remarkvarchar40備注小結(jié)C/SB/S計，采用關(guān)系數(shù)據(jù)模式，設(shè)計了課堂考勤系統(tǒng)中用到的數(shù)據(jù)表。第5章基于人臉識別的課堂考勤系統(tǒng)開發(fā)與實現(xiàn)開發(fā)工具及開發(fā)環(huán)境簡介MFCC/SMFC(MicrosoftFoundationClasses，MFC)開發(fā)。（classlibrarieWindows（ApplicationProgrammingInterfacAP，使程序開發(fā)人員能方便地調(diào)已有Windows封裝類和很多WindowsMFCWindowsMFC程序開發(fā)變得便捷；MFC的消息映射機(jī)制也避免了使用性能較低的龐大虛函數(shù)表；MFCMFC提供了文檔框架視圖結(jié)構(gòu)和活動文檔，便于自定義應(yīng)用程序框架。ASP.NET基于人臉識別的課堂考勤系統(tǒng)中課堂考勤信息管理模塊采用B/S模式，利用ASP.NETASPActiveServerPages，即活動服務(wù)器頁面，ASP.NETASP3的一個升級，ASP.NetCLRHTMLweb應(yīng)用程序。ASP.NET后，IISIISASP.NETFrameworkASP.NETFrameworkVB.NETC#由此可以看出，ASP.NET支持VB.NET，C#等高級程序語言做為其開發(fā)語言，比VBSCRIPTJSCRIPT運行功能更加強大，擁有了更高的效率。開發(fā)環(huán)境測試軟、硬件環(huán)境：1)硬件環(huán)境：Intel2E5500處理器，2G2)操作系統(tǒng)：WindowsXP專業(yè)版；數(shù)據(jù)庫：ACCESS；開發(fā)工具：MicrosoftVisualC++6.0，VisualStudio5)CCD攝像頭。人臉圖像采集模塊開發(fā)與實現(xiàn)人臉圖像采集是進(jìn)行人臉識別的基礎(chǔ),下面重點介紹人臉圖像采集模塊的開發(fā)過程。人臉圖像采集主要功能函數(shù)如下有：virtualBOOLOnInitDialog();…afx_msgvoidOnStart(); //啟用攝像頭afx_msgvoidOnGrab(); //拍攝人臉afx_msgvoidOnContinue(); //繼續(xù)拍攝人afx_msgvoidOnSave(); //保存拍攝結(jié)果afx_msgvoidOnQuit();afx_msgvoidOnTimer(UINTnIDEvent);//計時器定義，用來顯示圖像，…攝像頭獲取人臉圖像功能實現(xiàn)在VC++6.0中開發(fā)程序，以啟動攝像頭為例，主要代碼如下：voidOnStart(){start_enable=false;quit_enable=true;grabface_enable=true;continueface_enable=false;saveface_enable=false;inti=camera_face.CameraCount();if(i==2){face_enable=true;if(!camera_face.OpenCamera(0,false,IMAGE_WIDTH,IMAGE_HEIGHT)&&face_enable){face_enable=false;AfxMessageBox("攝像頭打開失敗!\n");}}捕捉功能和顯示圖像功能實現(xiàn)圖像”操作按鈕即可捕捉到人臉圖像，定義bool型的變量grab_enable態(tài)的顯示圖片。捕捉圖像其主要代碼如下。voidOnGrabl(){quit_enabletrue; //標(biāo)識是否退出start_enablefalse;//標(biāo)識是否已開始系統(tǒng)grab_enablefalse;//continue_enabletrue;save_enable=true;//保存圖像按鍵}在OnTimer中實現(xiàn)/函數(shù)圖像的繪制核心代碼為pDc_face=GetDlgItem(IDC_PICTUREFACE)->GetDC();//得到對話框中的控件句柄hDc_face=pDc_face->GetSafeHdc();//調(diào)用繪圖操作GetDlgItem(IDC_PICTUREFACE)->GetClientRect(rect_face);frame_facecamera_face.QueryFrame();//獲取當(dāng)前幀img_face.CopyOf(frame_face,1);//考備幀img_face.DrawToHDC(hDc_face,&rect_face//ReleaseDC(pDc_face//顯示圖像人臉圖像采集實現(xiàn)依據(jù)以上人臉圖像采集系統(tǒng)流程，采用 VC++6.0開發(fā)人臉圖像采集系統(tǒng)。結(jié)合OpenCV開發(fā)出人臉圖像采集系統(tǒng)主界面包“啟動系統(tǒng)“拍攝圖像“保存圖像“繼續(xù)拍攝”等相關(guān)操作。點擊“啟動系統(tǒng)”后，點“拍攝圖像”按鈕，采集到圖像如圖5.1所示。圖5.1人臉圖像采集模塊人臉識別模塊開發(fā)與實現(xiàn)VC++6.0中調(diào)用Opencv庫文件，進(jìn)行相關(guān)的資源分配，定義系統(tǒng)的數(shù)據(jù)結(jié)構(gòu)、消息和發(fā)送消息的宏。送消息的宏，編寫系統(tǒng)程序，開發(fā)人臉識別模塊。人臉定位模塊開發(fā)人臉定位模塊主要函數(shù)如下：afx_msgvoidOnErasion();afx_msgvoidOnEyemap();afx_msgvoidOnEyemapc();afx_msgvoidOnEyemapl();afx_msgvoidOnGetFaceArea();afx_msgvoidOnLightingconpensate();afx_msgvoidOnSkintone();afx_msgvoidOnDeleteFalseArea();afx_msgvoidOnDilation();afx_msgvoidOnErasionAgain();afx_msgvoidOnDilationFirst();afx_msgvoidOnEyeCb();afx_msgvoidOnEYECr();afx_msgvoidOnDeleteFalseEye();afx_msgvoidOnDeletescater();afx_msgvoidOnMousemap();afx