基于图像分析的柜员机人脸识别系统大学论文Word下载.docx
《基于图像分析的柜员机人脸识别系统大学论文Word下载.docx》由会员分享，可在线阅读，更多相关《基于图像分析的柜员机人脸识别系统大学论文Word下载.docx（25页珍藏版）》请在冰豆网上搜索。
目 录
摘 要1
Abstract2
1绪论1
1.1课题背景1
1.1.1课题来源1
1.1.2生物特征识别的意义1
1.1.3生物特征识别分类2
1.1.4人脸识别技术5
1.1.5人脸识别技术的研究意义6
1.2人脸识别发展历史与概况7
1.3人脸识别的难点8
2人脸识别的相关理论9
2.1人脸特征9
2.1.1肤色特征9
2.1.2灰度特征9
2.2PCA的基本概念9
2.2.1PCA算法的原理10
2.2.2PCA算法11
3人脸识别算法设计13
3.1人脸检测与定位13
3.2基于PCA的人脸特征提取14
3.3人脸识别方法15
3.3.1几何特征法15
3.3.2特征脸法16
3.3.3弹性图匹配法17
3.3.4神经网络法18
4基于PCA的人脸识别系统设计19
4.1算法流程19
4.2人脸识别系统实现19
5总结及展望22
5.1总结22
5.2展望22
致谢语23
参考文献24
附录25
1绪论
1.1课题背景
1.1.1课题来源
随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。
目前，微电子和视觉系统的新进展使得高性能自动识别技术在成本领域的实施降到可接受的水平。
而脸识别是所有的生物识别方法，人脸识别技术中应用最广泛的技术之一是近年来的一种新的识别技术，它是一种生物识别技术。
随着应用需求的不断深入，人脸识别技术将呈现主流，芯片，标准化发展趋势。
近年来受到各国研究人员的广泛关注，主要用于安全等领域。
人们更多的是在电影中看到这项技术的魔力：
警察拍摄嫌疑人的面部图像，输入电脑，将数据库中的数据与警方进行比较，并找出嫌疑犯和犯罪记录的细节。
这不是虚构的情节。
在国外，国家和军警等安全部门，很多重要部门长期以来一直使用面部识别技术。
在家中，面部识别技术研究始于20世纪90年代，主要用于公安，金融，网络安全，物业管理和考勤等。
根据信息来源的人脸识别可分为两类：
基于静态基于动态信息的面部图像识别和识别。
由于其初期的动态识别研究，技术相对较短，因此本文仅针对静态面部图像识别方法进行研究。
1.1.2生物特征识别的意义
生物识别技术（BiometricIdentificationTechnology）是利用人体生物特征进行身份认证的一种技术[1]。
生物特征是唯一的（与他人不同）、可以测量或可以自动识别和验证的生理特性或行为方式，分为生理特征和行为特征。
生物识别系统对生物特性进行取样，提取其唯一特征并进行身份认证。
典型的生物识别系统的系统结构如图1.1：
图1.1生物识别系统结构框图
目前的许多计算机系统，包括许多敏感系统，都是使用“用户ID+密码”方式对用户的身份认证和访问控制。
事实上，这种方法意味着一些问题。
密码，比如说容易忘记，也容易被盗。
而且，如果用户忘了他的密码，他无法进入系统，当然可以由系统管理员重设你的密码再次启动工作，但一旦系统管理员忘记了我的密码，只有重新安装整个系统才能工作。
相关机构调查，由于忘记密码和IT厂商售后服务造成的问题已成为最常见的问题之一[2]。
除了计算机网络和应用系统，一些传统的需求认证，还有类似的安全问题。
如伪造和盗窃证书，不当等级等。
一些犯罪通过伪造文件进入秘密地点窃取机密信息，移民或一些非法犯罪伪造签证和护照，这是因为传统文件使用易于伪造，未加密的纸质文件。
为了防止这种事件的发生，人们需要直接的身份认证手段，这就是“人体生物识别技术”。
他根据每个人都有自己的生物特征来识别每个人的身份。
这些特点大多具有“个性”，“终身”和“携带”特征，以确保认证的准确性和可靠性。
1.1.3生物特征识别分类
到目前为止，通过现代科技手段，人人同时发现，每个人都有自己的视野，主要生物特征的三个特点有指纹，虹膜，人类细胞的遗传遗传等。
虽然还有一些不能完全满足上述三个特点，但在一段时间内，“每个人都有自己的视野”是生物特征的特征，如面部，掌纹识别，言语，行为等已成为专业生物检测的热点研究与开发，学习相关技术，也被称为“生物识别技术”。
（1）虹膜识别
虹膜识别技术是使用终身不变性的虹膜识别和差异。
虹膜识别技术结合相应的算法，可以实现非常高的精度。
彩虹模具是眼睛包含颜料环形薄膜，由结缔组织细胞和纤维组成，中间部分是眼睛。
因为眼睛的颜色是由虹膜色素所决定的，所谓的虹膜，老叫彩虹。
虹膜的结构被确定为人们诞生。
虹膜识别是将虹膜的视觉特征转换为512字节代码的虹膜，代码模板存储以供以后使用识别。
由于虹膜代码是通过计算的复杂度获得的，并且可以提供更多的特征点，因此虹膜识别具有最高的准确性。
整个识别过程非常简单，虹膜的位置可以在一秒钟内完成。
虹膜识别技术的缺点，虹膜识别系统只是使用统计原理，小规模实验还没有做过全球认证测试。
此外，图像采集设备昂贵，难以实现小型化。
（2）视网膜识别
视网膜识别技术使用激光来照射眼球的背面，以获得具有唯一性的视网膜特征。
视网膜是非常小的神经背后的一些眼睛（1/50英寸），它是人的感觉光，并将是通过视神经到大脑的信息的重要器官，它有一些相似之处膜的功能，用于神经视网膜周围的生物识别血管分布，即视网膜的四层细胞的距离。
视网膜扫描设备为视网膜图像，用户的眼睛和输入设备的距离应在半英寸内，并且要读取图像输入设备，眼睛必须处于静止状态，用户的眼睛看着旋转的绿色，输入设备400特征点可以从视网膜获取，与输入指纹相比，指纹只能提供30到40个特征点用于输入，创建模板并完成确认。
像虹膜识别技术一样，视网膜扫描可能是最可靠和最可靠的生物识别技术，但没有任何测试，技术将会损害用户的眼球，但仍有待进一步研究。
（3）面部识别
基于面部特征的面部识别技术及其相互之间的关系，识别基于这些独特特征的识别技术非常复杂，需要人工智能和机器学习系统的知识，用于捕获两种技术的面部图像的标准视频和热成像技术。
标准视频技术通过标准摄像头吸收面部图像或一系列图像，抓住脸部，经过一些重点记录，面部识别技术通常基于以下几种方式：
A.分析面部外观特征。
B.全球面部图像分析。
C.分析了图像中的面部温谱图和面部特征。
虽然已经有一些实用的面部识别技术产品，但目前面部识别系统收集的面部图像仍然有一定的局限性，如背景，光，表达，其广泛的最高识别精度范围只有99％左右。
因此，脸部识别技术主要适用于某些应用中，用户可以抵制类型而完全无需人为干预，其使用效果仍不能令人满意。
（4）签名识别
签名作为认证手段成千上万年，我们熟悉银行形式在签名中作为我们身份的象征。
数字签名是否是这样一个过程，测量图像本身的运动和每个字母与字母，顺序和压力之间不同速度的签名，签名识别和语音识别，学习的确定是一种行为。
使用签名识别更有可能是可以接受的，它是一种公认的识别技术。
但随着经验的增长，生活方式随着气质的变化而变化，签名也随之而变，为了处理不可避免的自然变化的签名，我们必须在安全方面妥协;
用于签名复杂而昂贵的平板电脑，因为笔记本电脑触控板的分辨率有很大的差异，我们在技术上难以组合这两者，它的尺寸很小型化。
（5）语音识别
语音识别是一种行为识别，语音识别设备不断测量，记录语音波形和变异特征，然后到现场进行语音和注册语音模板比较，最终判断。
语音识别是基于生理特征的声音，它与语言识别的区别不是说自己被识别，而是通过分析语音的独特特征（例如，发音的频率）到识别扬声器。
属于非接触识别技术，用户可以自然接受。
和其他的行为识别技术一样，语音因为变化的范围太大，故而很难进行一些精确的匹配；
语音会随着音量、速度和音质的变化（例如当你感冒时）而影响到采集与比对的结果。
（6）基因识别
DNA基因鉴定是迄今为止最准确的生物测定方法之一。
但实施技术所需的设备非常复杂和昂贵，还需要专业技术人员的专门培训来操作和使用这些设备，识别时间更长，因此DNA基因鉴定不广泛用于各种日常生活领域。
（7）指纹识别
指纹识别现在是生物检测研究中最深入的研究，应用最广泛，发展最成熟的技术。
指纹识别已经是数百年历史的识别技术。
基于指纹识别技术的指纹识别技术，可以从指纹特征值中得出的指纹特征点和指纹特征点等指纹特征点以及完成，分叉点或分支的全局特征指纹和局部特征进行分析，以便可靠地通过指纹确认一个人的身份。
平均每个指纹有几个独特的特征点可以测量，每个特征点都有七个特点，大约我们的10个手指具有最低的4900个独立特征可以测量。
足以识别指纹识别是一种更可靠的识别方式。
指纹识别技术长期以来，已经在司法和刑事调查领域得到应用，使人们经常把指纹识别技术与犯罪调查有关，具有一定的心理阻力，影响了指纹识别系统的可接受性。
另外有些人或某些指纹由于指纹特征很少，所以很难形象化，也影响了指纹识别的准确性。
指纹识别技术有很多优点：
指纹是人体的独特特征，其准确性和复杂性足以提供足够的特征用于识别;
如果要增加可靠性，只需注册更多的指纹，识别更多的手指，最多可达十个，每个指纹都是独一无二的;
扫描指纹快，使用起来很方便;
读取指纹，用户必须手指和指纹采集相互接触，是与指纹采集头直接接触读取人体的生物学特性是最可靠的方法。
指纹采集头可以更小型化，价格会更便宜。
可以看出，指纹识别技术是最方便，可靠，非侵入和廉价的生物识别技术解决方案，对于广大的市场应用潜力巨大。
每种生物识别技术均有各自的优点和缺点，其实用性也与应用的领域密切相关。
没有一种技术在任何工作环境下都优于其他技术。
常用的各种生物特征识别技术的技术性能比较如表1.1所示：
表1.1常用生物识别技术比较
类型
鉴别可靠度
可否运用1对1比照
可否运用1对多比照
传感器价格
尺寸
虹膜
很好
是
高
较大
视网膜
面部
一般
否
低
中等
签名
较小
语音
极低
非常小
基因
最好
极高
很大
指纹
较低
1.1.4人脸识别技术
所谓的脸部识别，面部图像或视频是指输入，确定是否有脸，如果有脸，进一步给出每个脸部的位置，大小和各种面部主要器官的位置，并基于此信息，每个面都进一步提取身份，并与图书馆面对的已知脸部进行比较，以便识别每张脸的身份。
其研究内容包括以下五个方面：
（1）从不同面部检测的背景中检测是否有脸部，并确定其位置，尺寸，形状和过程等信息。
与后续认可有关，可以正常工作，并保证最终识别结果的可靠性。
（2）面部表示确定说，检测人脸和已知面孔的数据库的描述方式。
通常意味着包括几何特征（如欧氏距离和曲率，角度等），代数特征（如矩阵的特征向量）和固定特征模板等。
（3）面部识别在狭义上面对认知，往往是指在面对已知面孔的数据库中识别脸部，获取相关信息。
这个过程的核心是选择适当的人脸表现和匹配策略，系统结构与人脸表现密切相关。
（4）表达/姿势分析即识别表情或手势的面部，并进行分类。
（5）物理分类识别面对分类的物理特征，得出的结论是，有些信息如年龄，性别，种族或衍生自少数人的图像，如面部的图像来源于他们的父母孩子的脸像等
本文的人脸识别主要是指在狭义上进行人脸识别，是指采用数据库识别已知脸部识别之间的匹配。
面部识别是为了具有面部特征的计算机的目的来识别功能的身份。
基于人脸识别特征的主要设计到面部检测和识别技术的复杂场景，是一种基于图像理解，模式识别和计算机视觉，如统计和人工智能技术研究方向。
1.1.5人脸识别技术的研究意义
（1）富有挑战性的课题
人脸识别是机器视觉和模式识别的领域，同时也是最具挑战性的问题之一也有更广泛的应用。
人脸识别技术是一个非常活跃的研究领域，涵盖数字图像处理，模式识别，计算机视觉，神经网络，心理学，生理学，数学等学科的内容。
如今，虽然在这方面的研究取得了一些令人鼓舞的成果，但FRT在实际应用中仍然面临着一个非常严重的问题，因为面部特征的分布非常相似，而脸本身就是一个灵活的对象，表达，姿势或发型，化妆万花筒正确识别带来了相当大的麻烦。
如何正确识别很多人并满足实时性要求是迫切需要解决的问题。
（2）面部感知系统的重要内容
基于视觉信息的面部感知系统，包括面部检测和跟踪，面部特征位置和面部识别，面部分类（如年龄，种族，性别歧视），面部表情识别，唇读三分系统，如图1所示，你可以看到，面部检测和追逐后，面部特征位置通常是面对感知的一个基本环节，是后续工作的基础，具有重要的意义。
虽然脸部识别不能说其他面部感知模块是一个必要的功能，但可以肯定的是，使用已知信息的身份，结合人的先前知识，可以改善表情分析，唇读和言语识别，手势识别和手写识别可靠性。
而计算机对用户身份的最直接应用是基于特定的用户环境设置：
如用户的个性化工作环境，信息共享和隐私保护等。
（3）实际应用广泛
人脸识别研究已经有40多年的历史，作为生物识别的一种，广泛应用在身份识别，海关监控等领域。
目前，人脸识别技术也逐渐走向了商用，如Eyematic公司研发的人脸识别系统等。
目前研究较多的是静态人脸识别技术，计算机静态人脸识别是一个经典的模式识别问题。
人脸识别的传统方法主要分为：
整体匹配方法，其中最具代表性的是主元分析法，其他混合型的算法。
这些人脸识别系统多数都要依赖于面部特征（比如眼睛中心位置）的严格特征匹配来归一化人脸以便提取人脸描述特征静态人脸识别系统主要由检测与定位，特征提取与识别两部分组成，在这两部分的基础上海包括预处理等步骤。
常用的人脸识别试验库以美国军方的FERET库最为权威，它包括多人种，多年龄段，各种表情变化，光照变化，姿态变化的图象，图像的数量和实验的人数也非常多，可以充分地验证人脸识别算法。
目前尚没有专门测试人脸检测和定位算法的图像库。
如图1.2所示是面部感知系统结构图。
图1.2面部感知系统结构图
1.2人脸识别发展历史与概况
在1960年代末到70年代初，脸上的研究刚刚开始。
是Bledsoe最早的研究人员之一，他建立了半自动人脸识别系统，主要参数如跨度，面部特征点比例。
自20世纪90年代以来，要快速提高计算机硬件和软件的性能，以及对面部识别能力的高需求，是开发更健壮的面部识别方法，称为时代[2]是不可避免的。
所以基于整体运算的识别方法，很快成为研究重点，如面法和弹性图匹配法。
自90年代中期以来，考虑到人脸识别方法的整体识别和分量分析，结合发展趋势。
研究人员开始认识到人脸识别算法必须能够充分利用人脸各种特征信息，整合形状的脸部拓扑结构特征，局部灰度特征和全局灰度分布特征等特点。
因此，出现了许多新算法，这些算法是原始的单一算法在一起，常见于完成人脸识别。
可变形模型方法的灰度和形状分离是其中之一。
90年代末，一些商业面部识别系统开始逐渐进入市场，面部识别技术是当今国际上最重要的手段之一。
然而，这些技术和系统与实际应用，性能和准确性有一定距离。
自2000年以来，面部识别方法的表现虽然有一定的提高，但仍然存在与人们要求的差距，现有的照明方法，年龄，条件变化等表情，姿势距离更敏感，当某些条件发生变化时，识别效果不是很理想。
目前，人脸识别技术仍然只能用于某些要求的精度不高。
1.3人脸识别的难点
目前人脸识别的难点主要存在于以下几个方面：
（1）光照变化是影响人脸识别性能的最关键因素，对这个问题的解决程度关系着人脸识别实用化进程的成败，在人脸图像预处理或者归一化阶段，尽可能地补偿乃至至消除其对识别性能的影响。
（2）成像角度及成像距离等因素的影响，即人脸的姿态的变化，会垂直于图像平面的两个方向的深度旋转，会造成面部信息的部分缺失。
（3）不同年龄的人脸有着较大的差别。
身份证是以前照的，在逃犯的照片也是以前的，因此在公安部门的实际应用中，年龄问题是一个最突出的问题。
（4）采集图像的设备较多，主要有扫描仪，数码相机，摄像机等。
由于成像的机理不同，形成了同类人脸图像的识别率较高，而不同类间人脸图像识别率较低的情况。
随着人脸识别技术的发展，这一问题也将逐步得到解决。
（5）人脸图像的数据量巨大。
目前由于计算量的考虑，人脸定位和识别算法研究大多使用尺寸很小的灰度图像。
一张64*64像素的256级灰度图像就有4096个数据，每个数据有256种可能的取值。
定位和识别算法一般都很复杂，在人脸库较大的情况下，计算量十分大，很多情况下速度令人难以忍受。
而灰度数据事实上是丧失了色彩，运动等有用信息的。
如果使用全部的有用信息，计算量就更了了。
2人脸识别的相关理论
特征提取是人脸识别中的核心步骤，直接影响识别精度。
由于人脸是多维弹性体，易受表情、光照等因素影响，提取特征的困难较大。
特征提取的任务就是针对这些干扰因素，提取出具有稳定性、有效性的信息用于识别。
2.1人脸特征
人脸特征[3]是识别的重要依据之一，检测定位过程中也会用到人脸特征，其中肤色特征和灰度特征是两类常用特征。
2.1.1肤色特征
由肤色模型描绘的皮肤特征的颜色，其使用统计方法对目标对象建模的颜色。
基于颜色特征的识别方法简单，可以快速定位脸部。
脸部肤色不依赖于细节，大部分背景颜色差异，但方法对光和图像采集装置的特性敏感。
肤色在颜色空间聚合，肤色复杂，造成统一造型的一定难度。
该方法通常用作统计模型的辅助辅助方法，适用于粗略位置或对运行时间要求较高。
2.1.2灰度特征
灰度特征包括轮廓特征，灰度分布特征（直方图特征，镶嵌图特征等），结构特征，模板特征等。
由于人脸五官位置相对固定，灰度分布呈一定规律性，因此，可利用灰度特征来进行人脸识别。
通常采用统一的方法或特征空间变换的方法进行灰度特征的提取，如利用K-L变换法[4]（由卡尔胡宁（Karhumen）与勒夫（Loeve）分别提出的一种图像变换方法）得到的特征脸，利用小波变换得到的小波特征等。
2.2PCA的基本概念
主成分分析（PCA）是广泛使用的特征提取方法之一，最早提出了Ttirk和Pentland。
基本思想是将面部变成矢量矩阵，然后提取特征向量。
PCA方法是模式识别领域的有效方法近年来也得到了一定的发展。
与传统PCA方法相比，2004年提出的ZDPCA方法是处理lh-zd矩阵更有效的方法之一，不需要将图像转换为向量，而是将原始图像矩阵直接用于协方差矩阵的重建图像，与协方差矩阵的PCA方法相比，协方差矩阵的大小的ZDPCA图像较小，如：
假设图像的大小为128×
128，ZDPCA协方差矩阵大小为128×
128，因此，ZDPCA具有显着的优越性计算。
最近很多研究表明，ZDPCA方法在模式识别方面，特别是在面部识别领域是非常受欢迎的，是基于子模式二维二维主成分分析的人脸识别，通过阻挡原始图像，该方法可以有效提取原始图像的局部特征，同时通过直接在子图像矩阵中使用双向二维主成分的方法进行特征提取，避免矩阵向量变换，可以精确计算特征向量的协方差矩阵并能有效降低特征尺寸，方法在姿势条件下，面部表情和光照条件发生变化，具有良好的识别性能;
模块ZDPCA文章[7]提出改进面部识别方法，每个子块的训练样本中每个训练样本的类别和类中的自适应加权平均值的方法，以及训练样本类中的自适应加权平均值对相应子块的类进行归一化处理，然后由归一化子块组成的通用离散度矩阵，得到最优投影矩阵;
通过将训练样本和测试样本的子块子块的训练集合的加权平均值，将子块的投影矩阵标准化为最佳投影矩阵，并获得识别特征，该方法可以更好地反映局部特征图像差异，提高识别率;
文章[8]提出了一种模块化ZDPCA和CSPCA面部验证算法，该方法从原始数据，二维数据块中使用ZDPCA进行特征
升级会员 