基于人脸识别技术课堂听课率检测系统的设计【字数：9683】
摘 要这些年来人脸识别技术发展的很快，进入2017之后，更是迎来了井喷式的爆发，多种应用、多个领域都出现它的身影。传统的人脸识别技术一般采用二维彩色图来识别人脸特征，容易受到外界的影响。微软开发的Kinect可以得到数据和颜色，对使用二维和三维的人脸识别系统埋下了基石，人脸识别采集的途中，采用局部二值模式来描述的分辨率能展示出人脸的特征。实验显示，相对于主成份分析和线性判别分析算法，局部二值模式能够明显的提高人脸识别的准确度。首先，检测人脸的位置需要使用骨骼追踪技术，并且从带有颜色的深颜色图像中自动显示人脸的位置。紧接着用移动最小二乘法对人脸进行滤波。最后面采用零点迭代做人脸结尾的识别。还需要明白阀值对迭代法这块的影响，讨论和分析点云的数目是如何影响人脸识别的准确率的。完成上面所有的步骤以后，我们需要采用模糊积分将二维与三维的人脸识别决策融合。
目 录
第一章 绪论 1
1.1选题背景与研究意义 1
1.2国内外研究现状 1
1.3 存在的困难及解决办法 1
第二章 理论介绍 3
2.1系统总体设计 3
2.2 硬件平台介绍 3
2.3定义姿势 4
2.3.1 基于骨骼追踪技术的人脸检测 4
2.4基于人脸识别的学生关注度检测 5
2.4.1朝向判断 5
2.4.2 图像的检测和识别原理 5
2.4.3基于子空间分析的人脸识别 6
2.4.4基于模板匹配的人脸识别 6
2.4.5基于神经网络的人脸识别 6
2.5声音的采集和定位 7
第三章 选择算法分析 8
3.1人体姿态算法分析 8
3.1.1 骨骼数据获取 8
3.1.2 特征提取 8
3.2 人脸识别算法分析 9
3.2.1 ICP 算法介绍 9
3.2.2 三维人脸数据的三种形式 9
第四章 系统软件分析 10
4.1算法工作的流程 10
4.2子系统的介绍 10
4.2.1人脸检测子系统 10
*好棒文|www.hbsrm.com +Q: ^351916072^
4.2.2姿态检测子系统 12
4.2.3声音检测子系统 13
第五章 实验结果分析 17
5.1姿态分析实验结果 17
5.2人脸识别实验结果 18
5.3声音分析实验结果 19
结束语 20
致 谢 21
参考文献 22
第一章 绪论
1.1选题背景与研究意义
系统科学的上课制度，是学校教学任务高效执行的关键。教室是教化育人的平台，课堂上学生的听课状况，反映了教学水平和学生学习的整体态度。好的课堂考勤能够帮助学生培养自律性与组织性，也可以稳定教学秩序。
从实际情况来看，大学生普遍使用通讯设备，如今的考勤机制和考勤手段，逐渐的反映出一些问题，教师点名耗时耗力。由此，建立一个功能完备高效率的自动考勤系统，简化考勤管理的同时也能够提高教师的教学效率，这样考勤工作才能变得智能和科学，数据的可信度也会更加高，既方便保存，又方便以后的查看。
1.2国内外研究现状
虽然人脸识别技术取得了非常大的进步，但是并没有达到商业化和工业化所需要的标准。根本原因是拍摄图像的环境条件让图像不准确。大部分人脸识别系统使用了脸部典型的强度图像。它使用的条件也比较苛刻，用点光源拍摄人脸的图像。传统的2D传感器对某些特定信息的推理也有固定限制的作用。
最近三维采集设备的产生和前景呈上升趋势，研究的人着手研究并且分析三维这块的人脸识别技术。现实条件下三维的面部模型会让我们更多的进行使用，一方面，3D模型依赖于几何形状，不是颜色和纹理，这样让他对系统具有光照不变性。另一个方面，允许补偿姿态的变化，有助于在识别中对准。
目前三维人脸识别的研究越来越广泛，不过在使用中由于技术还不成熟，所以使用的效率较低。在kinect的深度图像中每个像素捕获深度图像的时候像素与传感器有高的类间相似性，因此难以分出不一样的个体。
1.3 存在的困难及解决办法
现在这个阶段人脸识别系统比较理想化、让用户配合的基础上有较满意的结果。如果采集条件不好，用户不配合识别性能便会下降。因此，人脸识别技术在现实生活中还面临很多挑战：
1.前端一般用来定位关键的点，并进行人脸的检测。
2.检测对象的位置能直接影响到人脸识别的性能。但是，光照、人脸姿态等外界的变化对人脸检测的准确度影响也很大；
3.照明变化问题。在机器的视觉里，光照这个问题一直存在，特别是在人脸识别中。即使最佳的人脸识别系统是在户外的照明条件下，它识别的效率也会急剧下降。即使研究人员提出了一系列解决的办法，这个问题也没有得到解决。
4.表情问题。对计算机本身来说，自动识别人的表情还是较为困难的，原因在于表情的变化很容易引起面部特征的变化。所以，即便识别的是同一个人，人脸图像因为表情的不同会发生很大的变化。
5.姿态问题。这个阶段人脸识别主要还是识别人的正脸，当姿势不是正脸的时候，识别的准确度就会降低；
6.遮挡问题。当采集的人脸有帽子、耳环等附加物品，在这种背景中人脸采集的图像会变得不是那么完善，这样对后续对人脸识别的认知与特征的提取都会有很大的问题。说的严重一些这样会导致人脸检测这个过程出现失败的状况。
7.图像成像质量低。如今的人脸识别系统中，我们通常在人脸图像很好的基础上进行模训练和算法的设计。但是对于其他应用场合，图像的来源相对来说比较复杂、变化多，这样图像的质量可能很差。这个情况给人脸识别系统带来很大的影响，严重的影响系统工作效率。
研究的人通常情况下会从下面两个方面提升人脸识别系统的工作效率：
1.多模态的人脸识别系统。人脸识别现在可以使用的图像模态，主要有热红外，近红外图像和可见光图像。和单模态的人脸识别系统相比，多模态系统具有更高的可靠度和精确度。
因为多模态人脸识别可以较好的利用信息来识别。二维和三维的人脸识别能够更好的获得识别的结果。
2.多特征融合。人脸的识别有两大块局部和整体特征。局部指获得人脸的各个细节特征。
第二章 理论介绍
目 录
第一章 绪论 1
1.1选题背景与研究意义 1
1.2国内外研究现状 1
1.3 存在的困难及解决办法 1
第二章 理论介绍 3
2.1系统总体设计 3
2.2 硬件平台介绍 3
2.3定义姿势 4
2.3.1 基于骨骼追踪技术的人脸检测 4
2.4基于人脸识别的学生关注度检测 5
2.4.1朝向判断 5
2.4.2 图像的检测和识别原理 5
2.4.3基于子空间分析的人脸识别 6
2.4.4基于模板匹配的人脸识别 6
2.4.5基于神经网络的人脸识别 6
2.5声音的采集和定位 7
第三章 选择算法分析 8
3.1人体姿态算法分析 8
3.1.1 骨骼数据获取 8
3.1.2 特征提取 8
3.2 人脸识别算法分析 9
3.2.1 ICP 算法介绍 9
3.2.2 三维人脸数据的三种形式 9
第四章 系统软件分析 10
4.1算法工作的流程 10
4.2子系统的介绍 10
4.2.1人脸检测子系统 10
*好棒文|www.hbsrm.com +Q: ^351916072^
4.2.2姿态检测子系统 12
4.2.3声音检测子系统 13
第五章 实验结果分析 17
5.1姿态分析实验结果 17
5.2人脸识别实验结果 18
5.3声音分析实验结果 19
结束语 20
致 谢 21
参考文献 22
第一章 绪论
1.1选题背景与研究意义
系统科学的上课制度，是学校教学任务高效执行的关键。教室是教化育人的平台，课堂上学生的听课状况，反映了教学水平和学生学习的整体态度。好的课堂考勤能够帮助学生培养自律性与组织性，也可以稳定教学秩序。
从实际情况来看，大学生普遍使用通讯设备，如今的考勤机制和考勤手段，逐渐的反映出一些问题，教师点名耗时耗力。由此，建立一个功能完备高效率的自动考勤系统，简化考勤管理的同时也能够提高教师的教学效率，这样考勤工作才能变得智能和科学，数据的可信度也会更加高，既方便保存，又方便以后的查看。
1.2国内外研究现状
虽然人脸识别技术取得了非常大的进步，但是并没有达到商业化和工业化所需要的标准。根本原因是拍摄图像的环境条件让图像不准确。大部分人脸识别系统使用了脸部典型的强度图像。它使用的条件也比较苛刻，用点光源拍摄人脸的图像。传统的2D传感器对某些特定信息的推理也有固定限制的作用。
最近三维采集设备的产生和前景呈上升趋势，研究的人着手研究并且分析三维这块的人脸识别技术。现实条件下三维的面部模型会让我们更多的进行使用，一方面，3D模型依赖于几何形状，不是颜色和纹理，这样让他对系统具有光照不变性。另一个方面，允许补偿姿态的变化，有助于在识别中对准。
目前三维人脸识别的研究越来越广泛，不过在使用中由于技术还不成熟，所以使用的效率较低。在kinect的深度图像中每个像素捕获深度图像的时候像素与传感器有高的类间相似性，因此难以分出不一样的个体。
1.3 存在的困难及解决办法
现在这个阶段人脸识别系统比较理想化、让用户配合的基础上有较满意的结果。如果采集条件不好，用户不配合识别性能便会下降。因此，人脸识别技术在现实生活中还面临很多挑战：
1.前端一般用来定位关键的点，并进行人脸的检测。
2.检测对象的位置能直接影响到人脸识别的性能。但是，光照、人脸姿态等外界的变化对人脸检测的准确度影响也很大；
3.照明变化问题。在机器的视觉里，光照这个问题一直存在，特别是在人脸识别中。即使最佳的人脸识别系统是在户外的照明条件下，它识别的效率也会急剧下降。即使研究人员提出了一系列解决的办法，这个问题也没有得到解决。
4.表情问题。对计算机本身来说，自动识别人的表情还是较为困难的，原因在于表情的变化很容易引起面部特征的变化。所以，即便识别的是同一个人，人脸图像因为表情的不同会发生很大的变化。
5.姿态问题。这个阶段人脸识别主要还是识别人的正脸，当姿势不是正脸的时候，识别的准确度就会降低；
6.遮挡问题。当采集的人脸有帽子、耳环等附加物品，在这种背景中人脸采集的图像会变得不是那么完善，这样对后续对人脸识别的认知与特征的提取都会有很大的问题。说的严重一些这样会导致人脸检测这个过程出现失败的状况。
7.图像成像质量低。如今的人脸识别系统中，我们通常在人脸图像很好的基础上进行模训练和算法的设计。但是对于其他应用场合，图像的来源相对来说比较复杂、变化多，这样图像的质量可能很差。这个情况给人脸识别系统带来很大的影响，严重的影响系统工作效率。
研究的人通常情况下会从下面两个方面提升人脸识别系统的工作效率：
1.多模态的人脸识别系统。人脸识别现在可以使用的图像模态，主要有热红外，近红外图像和可见光图像。和单模态的人脸识别系统相比，多模态系统具有更高的可靠度和精确度。
因为多模态人脸识别可以较好的利用信息来识别。二维和三维的人脸识别能够更好的获得识别的结果。
2.多特征融合。人脸的识别有两大块局部和整体特征。局部指获得人脸的各个细节特征。
第二章 理论介绍
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/629.html
