毕业设计我帮你

基于人脸识别的门禁系统设计

摘要 

把生物特征人脸作为识别对象进行检测，具有较高的安全性，这也是当下研究的热点之一。本文在讨论与分析人脸识别三个步骤：人脸检测、人脸特征提取、人脸识别（模式识别）的基础上，对人脸检测、特征提取、人脸识别方面的一些概念和算法进行介绍、论述和分析。首先在人脸检测方面，对基于Haar特征和Adaboost的人脸检测算法进行了分析与讨论，并运用该算法进行人脸检测，取得较好的效果。其次，在人脸特征提取方面，介绍了常见的人脸特征提取算法，并论述了处理图像前的准备工作——将人脸图像进行灰度和尺度的处理。然后，在人脸识别（模式识别）方面，介绍了常见的人脸识别算法以及分类器设计的方法和准则，并用主成成分分析（PCA）分类器进行了人脸识别的实验，可信度可达到84%，今后可进一步改进和完善。

最后，通过对上述理论的研究，设计实现了人脸识别的新型门禁。在人脸识别的门禁系统方面，先在PC平台上用QT编程初步实现了整个系统的功能，然后将整个系统移植到嵌入式平台上，在嵌入式平台Tiny6410上实现了整个过程，完成了嵌入式平台上的人脸识别和RFID射频刷卡的双重身份验证，大大提高了整个门禁系统的安全性，也充分发挥了嵌入式系统便捷性等方面的优势，为提高安防可靠性等方面提供了一定的参考。

关键词：人脸检测  人脸识别  Haar特征  Adaboost算法  PCA

 

目录

第1章 绪论 1

1.1 项目的背景和意义 1

1.2 研究开发现状分析 2

1.3 项目的目标和研究内容 2

第2章 人脸自动检测算法分析 4

2.1 常见的人脸检测算法 4

2.2 基于Haar特征和Adaboost的人脸检测算法 5

2.2.1 基于 Haar特征的人脸检测 5

2.2.2  Adaboost算法原理 6

2.3 实验结果与分析 7

第3章 人脸图像特征提取 8

3.1 常见的人脸特征提取算法 8

3.1.1 主成分分析（PCA）算法 8

3.1.2 独立成分分析和线性判别分析算法 9

3.2 Gabor小波变换 9

3.3 处理图像前的准备 10

3.3.1 灰度、尺度的处理 10

3.3.2 人脸图像的形成 11

第4章 人脸图像模式识别 12

4.1 模式识别及其分类器设计 12

4.1.1 分类器设计准则 12

4.1.2 分类器设计方法 13

4.2 模式识别Fisher算法和神经网络算法 14

4.3 隐马尔可夫模型算法 15

4.4 实验结果 15

第5章 基于人脸识别的门禁系统设计 17

5.1 需求及应用分析 17

5.2 系统开发环境 17

5.2.1 软件环境 17

5.2.2 硬件环境 18

5.3 系统框架及总体设计 18

5.4 各个功能模块设计 20

5.4.1 RFID身份验证 20

5.4.2 人脸分类器训练 20

5.4.3 视频采集 21

5.4.4 人脸检测过程 23

5.4.5 人脸库的训练 25

5.4.6 人脸识别过程 25

5.5 实验结果 28

第6章 结束语 31

致 谢 32

参考文献 33

 

第1章 绪论

1.1 项目的背景和意义

随着社会的发展和科技的进步，人脸识别、RFID、以生物特征为识别对象的识别技术也在不断的走向成熟。把生物特征人脸作为识别对象的人脸识别技术，区别于传统的门禁安防理念，利用人脸的不可替换性，降低了假冒、安防信息泄露等的风险性，人脸作为人类感情表达最为丰富的一种媒介，可以通过它来了解一个人的许多信息，例如年龄、性别、身份等。将人脸识别技术和RFID射频技术一同应用到门禁中去，进行双重的身份验证，这大大提高了安防的安全性。

作为生物特征识别技术的主要技术之一的人脸识别技术，在20世纪60年代之前就引起了人们的关注，但因为受到技术、器材、工具、认知等各方面的限制，没能得到快速的发展[1]。随着计算机科学技术等科学的不断发展和进步，人脸识别技术在一些领域已经成为研究的一种趋势，例如模式识别、智能系统领域和人工智能领域。对人脸识别技术的研究具有重要的意义和价值，人脸识别技术的研究涉及众多的学科，例如计算机视觉技术、计算机算法、模式识别、人工智能等。把采集到的人脸信息作为图像进行处理，涉及图像处理分析、图像理解与分析分类、机器视觉、人工智能以及认知科学等，是交叉性强，且较为复杂的一门技术。通过对以上各个学科和技术的研究，可以促进这些学科不断构建新的研究方法，进行新的研究测试，推动新的理论不断的创新、发展和完善。同时也可以将人脸识别技术更好的应用起来。除此之外，在研究人脸识别技术的同时，人类对于自身视觉特征、认知方式以及自身的生理特征会不断地进行研究，这也就推动了生物特征、认知科学等方面的不断进步，同时也有助于人类更进一步地了解自己。最后，人脸识别技术在采集人脸信息后，需要进行人脸检测，特征提取，模式识别等一系列的操作，这些操作都是设备自动完成的，在未来，在对人工智能的进一步研究之下，可进一步提高整个系统的自动化程度和智能化程度，这反过来促进了人工智能的发展。

总之，对人脸识别技术的研究具有重要意义。而一整套的人脸识别自动控制系统是一个复杂的系统，需要对各个细节进行妥当合适的处理，是不断的进行改进、完善和优化的过程，这方能提高整个系统的性能和可靠性。

1.2 研究开发现状分析

世界上很多国家都进行了关于人脸识别方面的研究，美国、欧洲国家、日本等都进行了相关的研究。世界上一些著名的研究所、智能实验室等都进行了有关的实验。研究机构主要以欧美为主，如麻省理工学院、美国加州大学、剑桥大学等。我国国内的研究主要以高校为主，中科院、自动化所等相关机构也对人脸识别进行了大量的研究，且取得了一定的成果。

人脸识别经过多年的发展，已经取得了一定的成果，可以在比较复杂的条件下识别出人脸。下面来介绍下人脸识别经过的三个阶段：

首先，第一个阶段主要是以面部特征研究为特点，通过人员的相关操作来完成人脸灰度图像的提取，这个时候还没有什么自动化程度，主要靠人员的操作来完成工作。

第二个阶段有了一定的创新，主要是用一些几何的特征来表示人脸，通过将人脸的面部特征用多维向量表示出来[2]。虽然在第二阶段可以进行人脸识别，但还是需要人来进行操作，所以第二个阶段也是人机交互的一个阶段。

第三个阶段主要是在计算机视觉技术、人工智能、自动化技术、图像处理技术等的快速发展之下，硬件性能和算法都有了长足的进步，因而人脸识别的精度和效率都有了飞速的提高，人脸识别系统已经在实际工程中进行了应用。

在国家的支持以及相关计划之下，我国的自然基金和协会都有专款进行人脸识别等方面的研究，我国的人脸识别也取得了长足的发展，在识别率和效率方面取得了举世瞩目的成绩[3]。

1.3 项目的目标和研究内容

人脸识别大致可分成人脸目标检测、特征数据提取和模式识别分类三个过程，论文的目标是在分析人脸目标检测、特征数据提取和模式识别的基础上，设计一套基于人脸识别的门禁系统，其中包括：RFID身份验证是对用户携带的RFID卡进行身份验证；人脸检测的任务是分辨出摄像头采集的图像时人脸还是非人脸；建立人脸数据库主要是要将采集到的人脸图像经过灰度、尺度等的处理之后，提取关键信息，建立相应的模型并保存数据；人脸识别是通过将新输入的图像和人脸库中的图像进行匹配，找到人脸库中最相似的那个人。具有人脸识别的新型门禁的核心部分就是实现人脸识别，确保进出口的安全性。

论文的研究主要包括以下几个方面：

1.对人脸目标检测相关算法进行分析和研究,并用Adaboost算法进行人脸检测实验。

2.介绍和分析了常见的人脸特征提取算法，并完成处理图像前对图像的灰度和尺度处理。

3.介绍了分类器的设计方法和准则以及常见的模式识别算法，并运用主成成分分析（PCA）分类器进行实验。

4.利用上述研究和分析的算法，设计实现人脸识别的新型门禁。

 

参考文献

[1]李外云.基于 ARM 架构的嵌入式人脸识别技术研究 [D].博士论文,华东师范大学, 2008. 

[2]刘庆顺.人脸检测和识别关键技术研究[C],西安电子科技大学,2008.

[3]王仕民,叶继华,黄亮,等.基于 ARM 的人脸识别系统的研究与实现[J].东南大学学报 (自然科学版),2010,1.

[4]龙伶敏.基于Adaboost的人脸检测方法及眼睛定位算法研究[D].电子科技大学,2008

[5]Kin Chong Yow, Roberto Cipolla. Feature-Based Human Face Detection[J]. CUED/FINFENG/I’R 249.August 1996.

[6]A.Yuille,P Hallinan and D.Cohen. Feature Extraction from Faces Using Deformable Templates[J]. Computer Vision.1992,8(2):99-111.

[7]马怡然.基于 DCT 的 PCA 及集成神经网络的人脸识别研究[C]  天津大学，2006.

[8]王军.人脸识别系统的研究与实现[D].中南民族大学,2011

[9]Paul Viola, Michael Jones. Rapid Object Detection using a Boosted Cascade of  Simple Features[C].Conference on Computer Vision And Pattern Recognition, Kauai,Hawaii, 2001(1):511-518.

[10]Girish G.N, Shrinivasa Naika C.L, Das P.K. Face recognition using MB-LBP and PCA:A comparativestudy[C].International Conference on Computer Communication and Informatics, 2014:2-6.

[11]山世光.人脸识别中若干关键问题的研究[D].中国科学院研究生院,2004.

[12]B.Moghaddam and A.Pentland. Probabilistic Visual Recognition[J].IEEETrans.19(7):696-71

[13]M.Turk and A.Pentland. Eigenfaces for Recognition[J]. J. Cognitive Neuroscience. 1991,3(l): 71-86.

[14]龙飞,庄连生,庄镇泉.基于小波变换和Fisher判别分析的人脸识别方法[J].模式识别与人工智能,2005,4(2):223-227

[15]Peng Hui, Zhang Changshui, Rong Gang. Research of automated face recognition based on K-L transform[J]. Journal of Tsinghua University, 1997,3(37): 67-70.

[16]王虹,董雅丽.用于人脸识别的图像预处理方法研究与实现[J].武汉理工大学学报,2007, 31 (5): 876^878.

[17]何小庆.嵌入式实时操作系统的现状和未来[J].单片机与嵌入式系统应用,2001, 3:11~15.

[18]Paul Viola, Michael J. Jones. Robust Real-Time Face Detection[J]. International Journal of Computer Vision, 2004(2): 137-154.

[19]姜枉.基于ARM9的人脸识别系统硬件设计[D].南京,南京航空航天大学,2010.11.

[20]Henry A.Rowley, Shumeet Baluja, Takeo Kanade.Neural Network-Based Face Detection[J]. IEEE Translation on Pattern Analysis and Machine Intelligence. Jan 1998,20(1):29-38.

[21]崔浩.基于AdaBoost算法的人脸检测方法研究[D].北京:北京交通大学,2010: 15-18.

[22]F.Samaria.Face Recognition Using Hidden Markov Models[D]:PhD thesis. Univ.of ge.1994.

[23]戴金波. 基于视觉信息的图像特征提取算法研究[D]. 长春: 吉林大学, 2013:30-33.

[24]F.Samaria and S.Young. HMM Based Architecture for Face Identification[J]. Image and Vision Computing.1994,12:537-583.  

[25]陈伏兵,陈秀宏,高秀梅,杨静宇.二维主成分分析方法的推广及其在人脸识别中的应用[J].计算机应用,2005,25(8): 1767-1770.

[26]]罗仁泽,冉瑞生.基于二阶(2D)2PCA的人脸识别[J].计算机应用软件,2009,5(11):223-226.