智能安防人脸识别系统研究与开发-开题报告

开题报告毕业设计（论文）开题报告1结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2000字左右的文献综述文献综述1课题研究背景随着科学技术和计算机网络的高速发展，社会各方面对快速高效稳定的自动身份验证的要求日益迫切。而传统的身份认证方法如证件、钥匙、密码或储蓄卡等无法避免丢失、伪造、遗忘或盗用等问题，存在不安全、不方便、不可靠的缺点，越来越不能满足现代社会实际应用的需求。因此必须寻求身份识别的新途径，于是，利用人类生物特征来识别身份的生物特征识别兴起了。生物特征1作为人的内在属性，具有安全、稳定、不易伪造、不可窃取等优点，是身份验证的最理想依据。由于生物识别技术具有传统方法所无法比拟的优点，得到了人们越来越多的关注，在近些年得到了快速的发展，并且发展越来越成熟。人脸识别作为一种重要的生物特征识别技术，是模式识别和计算机视觉领域中一个非常活跃的研究热点。人脸识别技术通过计算机提取人脸的特征，并根据这些特征进行身份验证的一种技术。它的研究涉及很多领域2，如图像处理、模式识别、人工智能等。人脸与人体的其他生物特征（指纹、虹膜等）一样与生俱来，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提。与其它较成熟的人体生物特征识别方法（如指纹、DNA检测等）相比，人脸图像更容易获取，特别是在非接触环境和不打扰被检测人的情况下，对于被测者来说没有任何的心理障碍，使得人脸识别的优越性远远超过其它识别技术。同其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性，用户可接受程度也高，应用前景十分广泛2，在公安、银行、海关、机场、智能视频监控、智能门禁、智能出入控制、医疗、视频会议等多个方面，表现出了强大的生命力。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。视频监控系统的发展经历了全模拟系统、部分数字化的系统和完全数字化的系统三个阶段的演变3。现有的视频监控系统实现了视频监控手段的数字化，网络化和集成化，但它仅着眼于监控场景的记录，缺乏对图像的进一步分析理解，因而存在着先毕业设计（论文）开题报告天性不足如无法确定监控场景中是否有人，无法确定当前监控对象的身份以及视频检索效率极低，难度大，无法对基于人脸的图像等对象进行智能化检索，其视频内容只能靠人来判断，同时它多用于事后处理，不能发挥视频监控的主动性。而上述问题正是人脸识别的研究范畴及应用领域，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。视频监控下的人脸识别涉及到视频图像处理、计算机视觉、模式识别、人工智能、认知学、心理学和生理学等众多领域45。识别工作主要在近二十年来得到了很快的发展。至今，不论在算法方面还是在应用方面，都已取得了可喜的成果。并且，国内外已有一些这方面的商业应用，而且技术也在日益成熟。但人脸识别还未取得类似于指纹识别和虹膜识别的满意结果，要实现完全成熟的人脸自动识别算法和系统仍然要面临巨大的挑战。而对这一问题的有效解决，还可以为解决其它类似的复杂模式识别问题提供重要的启示。由此可见，研究基于视频监控的人脸识别技术还有很高的应用价值和学术价值。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。系统可以进行图像获取及检测，实时实现被测人的身份验证，故系统应该具备基于视频流的人脸图像实时获取、实时跟踪、实时检测的功能。在人脸的鉴别与确认情况中，只要给定人脸图像，系统应该能够根据相关信息，迅速核实待检测人的身份信息，故系统至少需要提供高效、实时、准确的人脸识别功能。而摄像头输入的人脸图像、提取的用于人脸识别的特征信息以及人员的身份信息保存到数据库中，同时还可以对数据库中的信息进行更改或删除等操作，实现对信息快速查询。本文正是基于以上的研究背景以及功能特色来对此展开研究的。2国内外研究与发展现状人脸识别的研究始于20世纪60年代，最早的研究者是Bledsoe6，他提出了半自动人脸识别系统模型，模型主要是以人脸特征点的间距比率等为参数进行了特征的提取。到了七十年代，美、英等发达国家开始重视人脸识别的研究工作并取得很大进展。八十年代到九十年代初，随着高速度高性能计算机的出现，人脸识别得到前所未有的重视，识别技术也得到了较大的突破，进入了真正的机器自动识别阶段。毕业设计（论文）开题报告美国马萨诸塞州的Visage公司研制了实时人脸检测、识别系统(VisageFaceT00LS)，采用多个摄像机摄取图像，根据运动和肤色特征从输入图像中定位人脸，通过模板匹配方法定位眼睛、嘴巴等部位，识别过程相当短，已应用于飞机场、车站等公共场所的逃犯追捕、安防控制等方面；美国Genex公司推出了多模态的FaceCam3D产品，2秒内便可完成身份验证7；德国Congitec公司开发了FaceVACS-SDK智能门控系统，通过提取人脸多阶高斯导数滤波特征，采用判别式分析方法来实现人脸识别，已用于悉尼国际机场；德国C-VIS公司研制了FaceSnap系统，该系统采用弹性图匹配的方法来实现人脸识别，具有数字视频录像和人脸定位、验证功能，不同的人从不同角度进入监控区域，都可以识别；BioID公司推出BioID系统，该系统融合了人脸、语音和唇动三类特征进行身份验证；韩国的Firs公司推出VisionGate人脸识别系统，具有门禁、考勤、安防等多种功能，识别率高达99.98%。国外对于人脸识别的研究起步较早，一些较好的人脸识别系统已被国外多所大学或研究机构研制成功8。已经有很多人脸识别系统投入了商业应用，如：德国的Cognitec，美国的Eyematic和Indentix。DCSAG公司的BioID系统，通过数字摄像头和麦克风，采集一个人的面貌、声音以及嘴唇运动等三种生物特征，利用生物特征融合技术，可以在一秒钟内快速完成身份识别。为了推动了人脸识别技术的应用和研究，美国国防部还发起了FERET(FaceRecognitionTechnology)和FRVT(FaceRecognitionVendorTest)活动。国内对人脸识别技术的研究起步较晚，始于上世纪80年代，近30年的研究中，也取得了一系列的研究成果9。国内自上世纪90年代以来，在国家自然科学基金和863计划等资助下，清华大学(电子系、自动化系和计算机系)、哈尔滨工业大学计算机系、中科院(计算所、自动化所)、南京理工大学、上海交通大学等很多单位展开了人脸识别技术研究，北京工业大学(信号与信息处理研究室)也在人脸检测方面取得了较好的研究成果。国内已经举行过数届生物识别学术会议，都取得了很好的成果，而且大大推动人脸识别研究的发展。中科院的模式识别重点实验室，专门对模式识别方面进行研究，开创性地将国际先进的人脸识别技术引入奥运安保，实现了奥运会开闭幕式对门票持有者进行实名制查验和人员身份识别的功能，为奥运安保大系统提供了决策支持依据。但是，目前国内的研究水平仍低于国际水平，许多核心技术被国外大公司所掌握。国内更毕业设计（论文）开题报告需要在人脸识别技术中多多投入研究。本文所做的工作实在VisualC+6.0平台上导入OpenCV视觉库，利用其已优化的函数对视频流中图像进行分析，根据现有较成熟的算法来检测识别人脸，开发出能够完成智能识别功能的应用系统，通过对参数的调整，可应用于办公室等正常室内环境下的安防、智能监控等。3关于“智能安防人脸识别系统研究与开发”课题研究的启发通过广泛阅读资料，查阅国内外研究者的一些研究成果，得到了两点启发：（1）在研究算法初期，对于模式识别方法比较陌生，经过阅读很多论文，可以了解到基于统计方法的模式识别系统主要由4部分组成10：数据获取，预处理，特征提取和选择，分类器设计（训练阶段）/分类决策（识别阶段）。数据获取过程需要将测量信息进行采样、量化，从而转换成计算机可以处理的数据。预处理阶段针对检测到的人脸区域进行图像的分析与预处理工作，去除噪声，减少背景或其他因素对人脸图像的影响。特征提取。对检测到的人脸，进行特征提取，为人脸识别做准备，以备后面的人脸识别环节所运用。特征提取和选择是模式识别系统中关键的一步。特征提取和选择的好坏直接决定了模式识别系统的性能。目前，特征提取有很多种方法，比如主成分分析法(PCA)111218，独立分量分析法(ICA)12，Fisher线性判别法(LDA)13，Gabor小波变换14等。特征提取的优劣直接影响整个人脸识别系统的性能：特征选择主要是从所提取出的特征中选择最能表达人类特征的特征，或最能体现人脸之间差别的特征。分类决策部分就是利用已设计好的分类器作分类识别，给出最后的识别结果，并做相应的判断。（2）在整体设计系统阶段，根据预想的功能，画出系统框图，对整体有一定的概括，再针对每个部分进一步的深入，研究算法实现功能。在算法研究阶段，由于其本身的复杂性，很难在短时间把现有的关于人脸识别方面的算法全部研究透彻，只能针对某一重点进行选择研究。本设计主要研究基于LBP算法111917和PCA算法111218的人脸识别技术，在智能安防人脸识别系统对人脸进行识别。在整个人脸识别系统建立中，需要先把算法的思想研究透彻，再进行C+代码编写，在初始阶段完成简单的功能，接下来需要一步步完善整个系统功能，实现预期的目标。毕业设计（论文）开题报告4参考文献1薛晓利.基于人脸识别的门禁系统研究D.成都：西南交通大学硕士学位论文，2011.52张永梅.基于融合的人脸识方法研究D.山西：中北大学博士学位论文，2005.113梁英丽.基于视频监控的人脸识别的研究D.河北:华北电力大学硕士学位论文，2010.124艾英山,张德贤.人脸识别方法的综述与展望J.计算机与数字工程,2005（10）：24275刘党辉,沈兰荪.人脸检测研究进展J.计算机工程与应用,20036朱娜.人脸识别中特征提取方法的研究D.昆明：昆明理工大学硕士学位论文，2009.27李粉兰.大规模用户的人脸识别门禁系统关键问题的研究D.天津：天津大学博士学位论文，2005.128许丽艳.人脸识别技术研究D.天津：天津大学硕士学位论文，2010.69胡敏敏.人脸识别系统的研究与实现D.南京：南京邮电大学硕士学位论文，2011.310陈锦书.计算机人脸识别方法研究D.吉林：吉林大学博士学位论文，2003（11），311蔡巍伟.基于PCA的人脸识别算法研究D.浙江：浙江工业大学硕士学位论文，2004（12），313512李文革.基于主成分分析的人脸识别D.山东：山东大学硕士学位论文，2008（10），182113姜嘉言.用于人脸识别的产生式模型和判别式模型中若干问题的研究D.上海：复旦大学博士学位论文，2009（4），353714余磊.Gabor小波变换在人脸识别中的应用D.重庆：重庆大学博士学位论文，2009（9），283015ChellappaaR,WilsonCL,SiroheyS.Humanandmachinerecognitionoffaces:A毕业设计（论文）开题报告ceedingsoftheIEEE,1995,83(5):70574016WangJG，TanTN.Anewfacedetectionmethodbasedonshapeinformation.PatternAnalysisandMachineIntelligence,2002,24(1):345817闫伟红.基于LBP统计特征的人脸识别方法研究D.安徽：安徽大学硕士学位论文，2010.518齐兴敏.基于PCA的人脸识别技术研究D.武汉：武汉大学硕士学位论文，2007.519褚力.基于两级Adaboost的LBP快速人脸识别的实现与应用D.上海：复旦大学硕士学位论文，2008.420RobertW.Frischholz，UlrichDiecklmann.BioID:AMultimodalBiometricIdentificationSystem.IEEEComputer.2000.221BeumierC，AcheroyM.Automatic3Dfaceauthentication.ImageandVisionComputing.2000.422R.Chellappa,C.L.Wilson,S.Sirohey.HumanandMachineRecognitionoffaces.ProceedingsoftheIEEE.1995.5毕业设计（论文）开题报告2本课题要研究或解决的问题和拟采用的研究手段（途径）1系统设计本文设计的基于视频的人脸识别系统，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。软件算法用于人脸识别功能。以人脸为目标，当目标进入摄像头视野目标检测定位、特征提取等一系列工作，对输入人脸进行识别，最终输出识别结果。其中，系统框图如图1-1所示硬件软件算法摄像头服务器人脸识别人脸注册样本训练数据库管理图1-1系统框图本文所设计开发的系统主要实现以下功能及特点：（1）图像获取及检测。系统要求可以实时实现被测人的身份验证，故就系统应该具备基于视频流的人脸图像实时获取、实时跟踪、实时检测的功能。（2）人脸特征定位与校准。为了提高人脸识别率，系统需要支持自动进行人脸特征点的准确定位，并能够自动实现配准。（3）人脸的鉴别与确认。只要给定人脸图像，系统应该能够根据相关信息，迅速核实待检测人的身份信息，故系统至少需要提供高效、实时、准确的人脸识别功能。（4）对数据库的管理。将由摄像头输入的人脸图像进行注册、提取的用于人脸识别的特征信息以及人员的身份信息保存到数据库中，同时还可以对数据库中的信息进行更改或删除等操作，实现对信息快速查询。（5）对系统以及用户的管理等。为了达到实时监控和实时识别的目标，系统应具有OAM功能，即实现整个系统的运行、管理、维护功能，如：对用户的管理功能，以及友好的用户界面等等。本文设计的基于视频的人脸识别系统，其软件部分的系统流程图如图1-2所示，本毕业设计（论文）开题报告文针对摄像头静止的情况研究了视频序列中的人脸识别，以人脸为目标，当目标进入摄像头视野时，我们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。人脸图像摄像头视频图像帧的提取人脸检测与定位人脸图像归一化特征提取特征训练人脸数据库待识别的向量与人脸数据库中的特征向量进行比较人脸识别结果图像预处理图1-2人脸识别系统流程图2算法研究1、人脸检测如何实现人脸检测的目的就是从图片中找出所有包含人脸的子窗口，将人脸的子窗口与非人脸的子窗口分开。使用数千张切割好的人脸图片，和上万张背景图片作为训练样本。训练图片一般归一化到2020的大小。在这样大小的图片中，可供使用的Haar（一些简单的特征）特征数在1万个左右，然后通过机器学习算法Adaboost算法挑选数千个有效的Haar特征来组成人脸检测器。2、特征提取使用的方法毕业设计（论文）开题报告1.LBP特征提取。主要对输入图像的灰度信息，根据不同的分块方式，计算其对应的LBP特征值，并将这些特征值组合成不同维数的特征向量(分块越多，维数越高)，并对得到的特征向量进行均匀模式转换，得到相应的均匀模式LBP特征向量，并将训练图像的均匀模式LBP特征向量及相关类别信息存入知识库。2.PCA算法使用K-L变换来特征提取。K-L变换是满足上述原则的一种数据压缩方法，它的特征提取的基本原理是：在测量空间中找出一组m个正交矢量，要求这组矢量能最大的表示出数据的方差;然后将原模式矢量从n维空间投影到这组正交矢量构成的m维子空间，则投影系数就是构成原模式的特征矢量，且完成了维数的压缩(mn)。设训练样本为,特征提取的具体步骤如下：120(,)Txx（1）计算训练图片的平均脸：201=ix（2）计算每一张人脸图片与平均脸的差值：,12,0iid（3）构建协方差矩阵：201TTiCA（4）求矩阵的特征值及其对应的正交归一化特征矢量TVAii（5）选取前p（p200）最大特征值及其对应的特征向量（6）求C的正交归一化特征向量:则“特征脸”空间为：1,2,iiuAp2(,)ipw（7）将每一幅人脸与平均脸的差值矢量投影到“特征脸”空间，即(1,20)Tiwd3、人脸识别如何实现人脸识别任务是将待检测的人脸与系统已经建立的人脸数据库进行比较，找出最相似的人脸，从而识别出待检测人脸的身份。毕业设计（论文）开题报告测试特征提取人脸图像灰度提取LBP特征提取PCA特征提取取人脸数据库特征分类识别结果图1-3人脸识别实现图PCA算法完整的人脸识别算法步骤如下：（1）读入人脸库；（2）计算K-L变换的生成矩阵；（3）利用SVD定理计算图像的特征值和特征向量；（4）把训练图像和测试图像投影到特征空间；（5）比较测试图像和训练图像，确定待识别样本类别。3算法性能评价与实验测试首先，由于人脸识别是一种分类技术，因此识别率是衡量人脸识别算法的首要性能指标。其次，实时性也是衡量人脸识别算法的关键指标，它决定一种算法是否能够被应用到实践。另外，人脸识别算法对存储空间的要求，也是考察算法识别性能的一个重要指标之一。（1）识别率识别率是指正确识