seetaface的人脸识别系统及在实验室管理系统中的应用(附件)
1高校实验室的日常身份认证管理对于保障学生实验和顺利开展实验课程至关重要。传统的身份验证主要通过密码等方式，存在诸多弊端。为此，本论文将人脸识别技术和实验室管理相结合，进行基于Seetaface的人脸识别高校实验室管理系统研究与实现，可有效加强实验室的安全管理。通过算法设计与系统搭建及设计，使该系统实现了人脸样本的采集与训练、身份验证、实验室人员管理、实验室管理等功能。系统采用面向对象软件开发方法进行开发，运用了PHP、MYSQL数据库、图像处理等相关技术完成功能模块。经系统测试，各功能运行达到预期效果，达到了预定设计要求。
目录
引言
1 绪论
1.1 研究背景与意义
身份验证保护着个人和集体的财产安全，已经成为日常生活中非常重要的一部分。随着科学技术的发展和人类生活水平提高，人们追求简单高效的生活方式，方便快捷的身份认证系统越来越受人青睐。现代实验室存放大量贵重的实验器材和实验设施，同时为了保障实验室人员安全与实验室教学工作有条不紊，实验室的进出身份识别认证显得格外重要。
生物识别技术通过将生物的个体特征、生物属性与计算机技术，光学技术等高科技技术结合起来，从而达到生物身份信息识别的目的[1]。人体生物属性和人体是不分离的，因此可以避免传统的身份认证方式带来的安全性、唯一性问题。
人脸识别技术大致起源于二十世纪六十年代，在Bledsoe的一篇技术报告[2]中提到了人脸识别，并提出以人脸特征点之间的距离、比率等参数构造人脸特征，并提出基于此人脸特征可构建人脸识别系统。早期的人脸识别技术着重于几何特征方法，那时的人脸检测错误率较高，不具备推广应用的条件。人脸识别发展到90年代迎来了高速发展时期，Pentland和Turk提出了特征脸方法，也称主成分分析方法（PCA，Principal Component Analysis）[3]。Belhumeur研究并提出了Fisherface方法，也称线性判别式分析（LDA，Linear Discriminant Analysis）[4]，该方法最初由Ronald Fisher提出，是模式识别的经典算法，后来由Belhumeur引入人工智能和人脸识别领域，提出先将人脸数据降维后采用线性判别方法进行处理的方法。90年代后人脸识别技术 *好棒文|www.hbsrm.com +Q: ^351916072^
取得很大的进步，尤其的特征提取与处理方面，并开始尝试将人脸识别推广到实际应用中。人脸识别是一种基于人脸特征的生物识别技术[5]，随着人工智能技术不断前进和互联网技术的发展以及人脸识别算法在不断的优化改进，人脸识别技术得到了长远的发展，现成为生物识别领域中重要的组成部分，在众多领域将扮演重要的角色。
传统的打卡认证与密码输入方式在高校中使用最为广泛，但是因为人卡分离，存在着由人代打、卡片丢失容易造成安全隐患等问题。
综上，本课题致力于研究高效的人脸识别系统并应用于实验室的日常管理，方便实验室管理。
1.2 国内外研究现状概况
1.2.1 人脸识别研究现状
（1）人脸识别国外研究现状
国外在人脸识别系统研究上起步较早，推出了很多成熟的人脸识别系统。比如谷歌公司的FaceNet、Facebook公司的DeepFace系统等。
基于深度学习的人脸分析方法是人脸识别系统实现的主要方法。现阶段主流的人脸识别技术都是基于深度学习的。1998年，Rowley等在文章[6]中最先提出将BP神经网络用于人脸检测。2014年，Facebook 人工智能实验室在文章[7]中提出了新的人脸识别模型DeepFace，DeepFace中采用复杂的人脸3D建模技术，将2D图像转化成3D模型进而完成人脸对齐。2015年，谷歌在文章[8]中提出新的人脸识别框架FaceNet，与之前的深度学习人脸识别方法不同，FaceNet直接采用端到端的方法，提出一种直接从图像到欧式空间的编码方式。FaceNet将CNN中的网络结构优化，去除CNN中的softmax，并加入归一化操作得到特征值，利用文章中提出的损失函数Triplet Loss进行优化。
（2）人脸识别国内研究现状
虽然国内在人脸识别技术研究上起步较晚，但是经国内研究者后起直追，在人脸识别领域，国内外差距并不大。在国内人脸识别研究领域处于国内领先地位的研究机构主要有香港中文大学、中科院计算所、清华大学等。腾讯优图、云从科技、狂狮科技都推出自己的人脸识别系统。香港中文大学汤晓鸥教授团队在国内人脸识别处于领先地位，他们团队首先提出DeepID算法[9]（Deep Hidden Identity Feature），算法的创新之处在于将CNN将最后一层全连接层输出作为人脸特征，并与贝叶斯算法结合实现人脸认证[10]，之后他们团队先后又提出DeepID2[11]、DeepID2+算法[12]，与DeepID不同的是后两种算法不仅优化了CNN网络结构，并加入信号验证、将维数提高到512维。
1.2.2 实验室管理研究现状
在实验室管理系统研究上，国外起步较早，早在上世纪60年代国外就提出了实验室管理系统的概念，国内经过几十年的发展，在实验室管理系统方面，国内外差距并不明显。
在潘芬兰的研究[14]中，提出了将人脸识别和考勤系统集合起来，系统采用C/S结构，采用LDA人脸识别算法，完成了智能考勤系统，实现员工信息管理、考勤规则制定等模块。
在徐向茹的文章[15]中，将人脸识别和身份认证结合了起来，运用人脸识别技术完成一个基于桌面的人脸识别软件。
1.2.3 存在的主要问题
现在大部分的实验室管理系统身份认证方式都是传统的密码登录、射频打卡等模式，这种模式留下的安全隐患较大。基于人脸识别的实验室管理系统现阶段研究较少。因此，本文旨在设计并实现基于人脸识别的实验室管理系统。
【存在问题】
1.3 研究目标和内容
1.3.1 研究目标
目录
引言
1 绪论
1.1 研究背景与意义
身份验证保护着个人和集体的财产安全，已经成为日常生活中非常重要的一部分。随着科学技术的发展和人类生活水平提高，人们追求简单高效的生活方式，方便快捷的身份认证系统越来越受人青睐。现代实验室存放大量贵重的实验器材和实验设施，同时为了保障实验室人员安全与实验室教学工作有条不紊，实验室的进出身份识别认证显得格外重要。
生物识别技术通过将生物的个体特征、生物属性与计算机技术，光学技术等高科技技术结合起来，从而达到生物身份信息识别的目的[1]。人体生物属性和人体是不分离的，因此可以避免传统的身份认证方式带来的安全性、唯一性问题。
人脸识别技术大致起源于二十世纪六十年代，在Bledsoe的一篇技术报告[2]中提到了人脸识别，并提出以人脸特征点之间的距离、比率等参数构造人脸特征，并提出基于此人脸特征可构建人脸识别系统。早期的人脸识别技术着重于几何特征方法，那时的人脸检测错误率较高，不具备推广应用的条件。人脸识别发展到90年代迎来了高速发展时期，Pentland和Turk提出了特征脸方法，也称主成分分析方法（PCA，Principal Component Analysis）[3]。Belhumeur研究并提出了Fisherface方法，也称线性判别式分析（LDA，Linear Discriminant Analysis）[4]，该方法最初由Ronald Fisher提出，是模式识别的经典算法，后来由Belhumeur引入人工智能和人脸识别领域，提出先将人脸数据降维后采用线性判别方法进行处理的方法。90年代后人脸识别技术 *好棒文|www.hbsrm.com +Q: ^351916072^
取得很大的进步，尤其的特征提取与处理方面，并开始尝试将人脸识别推广到实际应用中。人脸识别是一种基于人脸特征的生物识别技术[5]，随着人工智能技术不断前进和互联网技术的发展以及人脸识别算法在不断的优化改进，人脸识别技术得到了长远的发展，现成为生物识别领域中重要的组成部分，在众多领域将扮演重要的角色。
传统的打卡认证与密码输入方式在高校中使用最为广泛，但是因为人卡分离，存在着由人代打、卡片丢失容易造成安全隐患等问题。
综上，本课题致力于研究高效的人脸识别系统并应用于实验室的日常管理，方便实验室管理。
1.2 国内外研究现状概况
1.2.1 人脸识别研究现状
（1）人脸识别国外研究现状
国外在人脸识别系统研究上起步较早，推出了很多成熟的人脸识别系统。比如谷歌公司的FaceNet、Facebook公司的DeepFace系统等。
基于深度学习的人脸分析方法是人脸识别系统实现的主要方法。现阶段主流的人脸识别技术都是基于深度学习的。1998年，Rowley等在文章[6]中最先提出将BP神经网络用于人脸检测。2014年，Facebook 人工智能实验室在文章[7]中提出了新的人脸识别模型DeepFace，DeepFace中采用复杂的人脸3D建模技术，将2D图像转化成3D模型进而完成人脸对齐。2015年，谷歌在文章[8]中提出新的人脸识别框架FaceNet，与之前的深度学习人脸识别方法不同，FaceNet直接采用端到端的方法，提出一种直接从图像到欧式空间的编码方式。FaceNet将CNN中的网络结构优化，去除CNN中的softmax，并加入归一化操作得到特征值，利用文章中提出的损失函数Triplet Loss进行优化。
（2）人脸识别国内研究现状
虽然国内在人脸识别技术研究上起步较晚，但是经国内研究者后起直追，在人脸识别领域，国内外差距并不大。在国内人脸识别研究领域处于国内领先地位的研究机构主要有香港中文大学、中科院计算所、清华大学等。腾讯优图、云从科技、狂狮科技都推出自己的人脸识别系统。香港中文大学汤晓鸥教授团队在国内人脸识别处于领先地位，他们团队首先提出DeepID算法[9]（Deep Hidden Identity Feature），算法的创新之处在于将CNN将最后一层全连接层输出作为人脸特征，并与贝叶斯算法结合实现人脸认证[10]，之后他们团队先后又提出DeepID2[11]、DeepID2+算法[12]，与DeepID不同的是后两种算法不仅优化了CNN网络结构，并加入信号验证、将维数提高到512维。
1.2.2 实验室管理研究现状
在实验室管理系统研究上，国外起步较早，早在上世纪60年代国外就提出了实验室管理系统的概念，国内经过几十年的发展，在实验室管理系统方面，国内外差距并不明显。
在潘芬兰的研究[14]中，提出了将人脸识别和考勤系统集合起来，系统采用C/S结构，采用LDA人脸识别算法，完成了智能考勤系统，实现员工信息管理、考勤规则制定等模块。
在徐向茹的文章[15]中，将人脸识别和身份认证结合了起来，运用人脸识别技术完成一个基于桌面的人脸识别软件。
1.2.3 存在的主要问题
现在大部分的实验室管理系统身份认证方式都是传统的密码登录、射频打卡等模式，这种模式留下的安全隐患较大。基于人脸识别的实验室管理系统现阶段研究较少。因此，本文旨在设计并实现基于人脸识别的实验室管理系统。
【存在问题】
1.3 研究目标和内容
1.3.1 研究目标
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/460.html
