畢業(yè)設(shè)計(jì)（論文）答辯：智能安防人臉識(shí)別系統(tǒng)研究與開(kāi)發(fā)

智能安防人臉識(shí)別系統(tǒng)研究與開(kāi)發(fā)目錄1課題研究背景及意義234圖像預(yù)處理人臉檢測(cè)人臉識(shí)別5系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)1課題研究背景及意義近年來(lái)，隨著電子商務(wù)和人們安全意識(shí)的增強(qiáng)，數(shù)字視頻監(jiān)控在各行各業(yè)得到了廣泛的應(yīng)用。將人臉識(shí)別技術(shù)與現(xiàn)有視頻監(jiān)控系統(tǒng)有機(jī)結(jié)合起來(lái)，將可以有效的解決當(dāng)前視頻監(jiān)控系統(tǒng)存在的一些難題。本文以人臉識(shí)別為重點(diǎn)來(lái)展開(kāi)研究，開(kāi)發(fā)出智能安防人臉識(shí)別系統(tǒng)。系統(tǒng)具備基于視頻流的人臉圖像實(shí)時(shí)獲取、實(shí)時(shí)跟蹤、實(shí)時(shí)檢測(cè)識(shí)別的功能?？蓱?yīng)用于辦公室等正常室內(nèi)環(huán)境下的安防、智能監(jiān)控等。2圖像預(yù)處理圖像灰度化圖像幾何歸一化直方圖均衡由于在人臉檢測(cè)時(shí)分類(lèi)器需要在灰度圖像上進(jìn)行檢測(cè)，所以RGB圖像首先需要轉(zhuǎn)換成灰度圖像。主要是為了使各幅人臉圖像的像素大小相同。本文人臉圖像均為96×96大小的圖像。不同光照條件下獲取的人臉圖像數(shù)據(jù)灰度變化較大，使用直方圖均衡去除一定條件下的光照影響。功能3系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)界面圖像獲取及檢測(cè)人臉特征定位與校準(zhǔn)數(shù)據(jù)庫(kù)的管理人臉的鑒別與確認(rèn)3系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)硬件部分主要包括攝像頭、服務(wù)器，分別用于現(xiàn)場(chǎng)監(jiān)測(cè)、系統(tǒng)總控處理、視頻數(shù)據(jù)采集等功能。硬件攝像頭服務(wù)器軟件設(shè)計(jì)人臉注冊(cè)數(shù)據(jù)庫(kù)管理樣本訓(xùn)練人臉識(shí)別在攝像頭靜止的情況下，以人臉為目標(biāo)，當(dāng)目標(biāo)進(jìn)入攝像頭視野時(shí)，首先對(duì)它進(jìn)行人臉檢測(cè)，目標(biāo)定位，再進(jìn)行人臉特征提取，對(duì)輸入人臉進(jìn)行識(shí)別，最終輸出識(shí)別結(jié)果。4人臉檢測(cè)級(jí)聯(lián)檢測(cè)器積分圖Adaboost算法人臉檢測(cè)使用Haar特征表示人臉，使用“積分圖”實(shí)現(xiàn)特征數(shù)值的快速計(jì)算使用Adaboost算法挑選出一些最能代表人臉的矩形特征（弱分類(lèi)器），按照加權(quán)投票的方式將弱分類(lèi)器構(gòu)造為一個(gè)強(qiáng)分類(lèi)器將訓(xùn)練得到的若干強(qiáng)分類(lèi)器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類(lèi)器，級(jí)聯(lián)結(jié)構(gòu)能有效地提高分類(lèi)器的檢測(cè)速度。Step1預(yù)處理Step2加載分類(lèi)器，將分類(lèi)器轉(zhuǎn)化為內(nèi)部格式Step3獲取一幀圖像Step4彩色圖像灰度化，直方圖均衡等Step5對(duì)灰度圖像進(jìn)行正人臉、人眼檢測(cè)Step6檢測(cè)出人臉轉(zhuǎn)至Step7，否則轉(zhuǎn)至Step3Step7用矩形框畫(huà)出人臉、人眼區(qū)域4人臉檢測(cè)人臉檢測(cè)算法步驟描述4人臉檢測(cè)實(shí)驗(yàn)圖同時(shí)使用了人臉?lè)诸?lèi)器以及人眼分類(lèi)器，檢測(cè)標(biāo)注出的人臉效果比較好，檢測(cè)識(shí)別率很高，提高了系統(tǒng)的檢測(cè)率，但是對(duì)系統(tǒng)的整體效率有一定的影響，同時(shí)也帶來(lái)漏檢的人臉現(xiàn)象，在人臉側(cè)面情況，以及檢測(cè)時(shí)人臉與攝像頭的距離超過(guò)約55cm情況，漏檢率比較高。注冊(cè)人臉步驟中的人臉檢測(cè)實(shí)驗(yàn)結(jié)果圖，分別是三個(gè)不同類(lèi)別的人臉的檢測(cè)3人臉檢測(cè)實(shí)驗(yàn)圖使用了人臉?lè)诸?lèi)器，檢測(cè)效果比較好?？梢詫?shí)現(xiàn)多個(gè)人臉圖像下的人臉檢測(cè)，進(jìn)行標(biāo)注。對(duì)側(cè)面人臉也有比較好的檢測(cè)效果，但角度較大的人臉檢測(cè)率較低。但在復(fù)雜背景下的人臉檢測(cè)，存在誤檢的情況，對(duì)后續(xù)進(jìn)行的人臉識(shí)別有影響。人臉識(shí)別步驟中攝像頭進(jìn)行人臉檢測(cè)，實(shí)驗(yàn)結(jié)果5人臉識(shí)別人臉識(shí)別流程圖待識(shí)別的向量與人臉數(shù)據(jù)庫(kù)中的特征向量進(jìn)行比較攝像頭視頻圖像幀的提取圖像預(yù)處理人臉檢測(cè)與定位人臉圖像歸一化特征提取人臉識(shí)別結(jié)果特征訓(xùn)練人臉數(shù)據(jù)庫(kù)5人臉識(shí)別圖像預(yù)處理：針對(duì)檢測(cè)到的人臉區(qū)域進(jìn)行圖像的分析與預(yù)處理工作，如灰度化。特征提?。罕疚牟捎肔BP以及PCA的特征提取算法進(jìn)行特征提取，本文人臉庫(kù)中人臉都是96×96像素圖像，先經(jīng)過(guò)LBP降維得到160維，再通過(guò)PCA降維變成70維，即70維就是96×96圖像的特征向量，他們之間是等效的。人臉識(shí)別：用輸入得到70維特征值，去跟樣本的70維特征向量進(jìn)行比較，求得歐氏距離，歐氏距離最小的就是要找的樣本，樣本對(duì)應(yīng)一個(gè)人，從而識(shí)別出待檢測(cè)人臉的身份。5人臉識(shí)別人臉庫(kù)ORL標(biāo)準(zhǔn)人臉庫(kù)部分圖像注冊(cè)新人臉信息后獲得人臉圖像，保存在了人臉庫(kù)中5人臉識(shí)別本文將檢測(cè)出的人臉部分在視頻窗口中用矩形框標(biāo)示出來(lái)，如圖所示，在主窗口上顯示出識(shí)別人臉是信息。原本基于PCA算法的人臉識(shí)別，誤檢率比較高，本文結(jié)合了LBP和PCA算法的人臉識(shí)別方法，誤檢率明顯降低了，達(dá)到了預(yù)期的效果。分析實(shí)驗(yàn)圖5人臉識(shí)別為了驗(yàn)證識(shí)別算法的識(shí)別效果，在實(shí)驗(yàn)室光照條件合適的情況下，不同人臉在攝像頭前出現(xiàn)，可以識(shí)別出人臉的信息，正臉識(shí)別率比較高，如表所示。但是在側(cè)人臉的時(shí)候，會(huì)導(dǎo)致識(shí)別不出信息或者誤識(shí)別的現(xiàn)象發(fā)生。實(shí)驗(yàn)數(shù)據(jù)5人臉識(shí)別實(shí)驗(yàn)分析在識(shí)別階段存在不足，在表情劇烈變化、光照、距離等外界條件的影響下，會(huì)導(dǎo)致識(shí)別率降低。具體可能原因分析如下：（1）采集圖像的預(yù)處理能力還有待加強(qiáng)。程序中用到的預(yù)處理方法只有幾何歸一化處理和灰度歸一化處理，應(yīng)再加入一些其他的預(yù)處理方法，這樣可以減少算法對(duì)檢測(cè)結(jié)果的依賴(lài)性，同時(shí)受外界條件影響也會(huì)降低，從而一定程度地提高識(shí)別率。（2）由攝像頭導(dǎo)致的成像質(zhì)量問(wèn)題。實(shí)驗(yàn)中選取的攝像頭質(zhì)量一般，存在較多的畫(huà)面噪聲，光照條件不好，光線(xiàn)很不均勻，進(jìn)而導(dǎo)致識(shí)別率的降低。5人臉識(shí)別實(shí)驗(yàn)分析系統(tǒng)存在不足之處分析如下：（1）樣本訓(xùn)練時(shí)間比較長(zhǎng)，程序運(yùn)行慢?；诂F(xiàn)在的訓(xùn)練方法和硬件條件暫時(shí)還不能縮短訓(xùn)練時(shí)間。未來(lái)解決方法主要從兩個(gè)角度：一是使用更快的CPU和更大容量的內(nèi)存