神经网络的人脸识别系统设计与实现【字数：12201】
摘 要人脸识别技术是模式识别和图像处理等学科的一个研究热点。历经几十年，人脸识别技术在很多领域取得了成果，如今在安防、商业、金融、娱乐等领域有着广泛应用。 本文针对进入银行自助服务的人脸识别系统，采用了基于主成分分析法和误差反向传播算法进行人脸识别的方法，借助于MATLAB的图形用户界面对银行自助服务系统的入口的人脸识别系统进行了设计。采用主成分分析法，可以有效提取出特征空间主成分，将其作为BP 神经网络的输入，能够正确有效地识别出人脸图像，同时简化了网络结构，减少了计算量。人脸识别系统主要包括3个模块控制端、窗口端、远程服务端，控制端主要为了提取人脸的特征及填写个人信息，并将其个人信息存储到数据库中；窗口端是实现人脸识别的重要过程；远程服务端是客户通过互联网来上传自己的人脸图像和基本信息。实验仿真结果显示系统的识别准确度可达90%以上，表明所设计的人脸识别系统是有效的。
Key Words：Face recognition;PCA algorithm;neural network;GUI 目 录
1.绪论 1
1.1课题研究背景及意义 1
1.2人脸图像识别的研究现状 1
1.3人脸识别的技术难点 3
1.4论文组织结构 4
2.人脸识别算法 5
2.1图像预处理 5
2.1.1灰度化处理 5
2.1.2中值滤波 6
2.1.3边缘锐化 7
2.1.4归一化处理 8
2.2 BP算法 8
2.3基于BP神经网络的人脸识别方法 11
3．基于PCA的BP神经网络的人脸识别的方法 14
3.1 主成分分析 14
3.2 基于PCA与BP算法的人脸识别实现 15
3.3仿真与分析 16
4. 基于MATLAB GUI的人脸识别系统设计与实现 18
4.1 开发环境 18
4.2银行自助服务的人脸识别系统设计 19
4.3系统设计 22
4.3.1登录权限设计 22
4.3.2控制端界面设计 22
4.3.3系统窗口端设计 *好棒文|www.hbsrm.com +Q: ^351916072#
26
4.3.4系统远程服务端设计 27
5.结束语 29
参考文献 30
致谢 32
1.绪论
1.1课题研究背景及意义
随着计算机视觉技术和网络技术的发展，如何正确识别个人身份、保护个人隐私已经成为人们重点关注的话题[1]。通过密码的验证方式已经不能满足人们的需求，因此科研人员想利用人体生物识别的方法来识别个人身份。如今智能识别的方法包含人脸识别、指纹识别、虹膜识别、视网膜识别等。从表格中可观察到，人脸识别的唯一性要比虹膜识别和指纹识别稍微差一点，但是人脸识别技术具有采集速度快、准确性高、直接、方便等优点，人脸识别与其他生物特征识别的比较如下表11所示。
表11 人脸识别与其他生物特征识别的比较
类型
人脸
指纹
虹膜
视网膜
检测方法
非接触
接触
非接触
非接触
人的行为配合
不需要
需要
需要
需要
采集速度
最快
快
较快
较慢
复制的可能性
不易
静态能复制
不易
不易
可靠性
高
高
最高
最高
使用
最方便
方便
较方便
不方便
应用
最广泛
广泛
较广泛
不广泛
目前，人脸识别技术已应用于很多领域，包括金融、公安系统、机场边检等等，所以说对于人脸识别技术的研究与开发具有重要的理论意义和实际意义。对于特殊场合的使用和信息安全考虑，人脸识别技术的实效性和准确率仍是研究的重点。
1.2人脸图像识别的研究现状
人脸自动识别是图像识别领域的一个研究热点，有着广泛的应用前景，对于静态人脸识别问题，神经网络方法有较强的适应性和易于实现等优点。但采用神经网络进行人脸识别也存在学习时间长，识别率不高等缺点[6]。近年来围绕这些缺点，业内的专家们提出了很多可以改进的方法。如：
安大海等[2]提出了一种基于误差反向传播算法（Back Propagation，BP）神经网络的人脸识别系统，并通过对人脸图像的预处理来消除背景及光照条件等特征对人脸识别准确率的影响，系统对人脸图像进行方图平衡，滤波，椭圆遮罩等方式进行处理，提高了人脸识别的准确率。还搭建了真实的人脸识别系统，验证了图像预处理工作可以有效地提高人脸识别准确率。但是在目前的研究基础上，对于较大的图像库而言，人脸识别的准确性还存在一定的争议性。傅媛等[3]针对当前人脸识别算法对光照变化、姿态变化鲁棒性差的局限性，提出了一种改进混合高斯模型的人脸识别算法。对采集的人脸图像进行预处理，消除光照等外因素的不利影响，然后分别提取多种人脸图像的特征，最后采用混合高斯模型对人脸进行识别，一定程度上提高了人脸识别的正确率。由于影响人脸识别因素的多样性，还不能彻底排除其他因素对于人脸识别的影响。
孙劲光等[4]针对目前难以提取到适合用于分类的人脸特征以及在非限条件下进行人脸识别准确率低的问题，提出了一种基于深度神经网络的特征加权融合人脸识别方法。首先通过提取到的特征点将人脸图像分为多个局部区域采样块，然后将采样块经过归一化处理后分别输入到不同的深度信念网络，求出相似度向量，最后进行加权求和得出最后的识别结果并计算识别率。不过DBN仅能通过对人脸的分块获得人脸图像的局部特征，并不能得到人脸的全部特征。孔英会[5]等提出了基于卷积神经网络(Convolutional Neural Networks ，CNN)和统一计算设备架构（Compute Unified Device Architecture，CUDA）加速的实时视频人脸识别方法。构建了一个CNN 人脸识别网络，然后通过 Adaboost算法将检测到的人脸输入到CNN 中进行人脸识别，结合 CUDA 并行计算架构，对算法进行加速。通过对 Softmax 的分类结果进行多级判决达到了开集人脸识别的目的，更加适用于实际的监控视频环境。不过监控视频的方式已不能满足各方面的需求，如果将这种方法移植嵌入式处理设备中，就可以达到视频人脸识别中的图像信息在摄像头前端进行处理的目的。
Key Words：Face recognition;PCA algorithm;neural network;GUI 目 录
1.绪论 1
1.1课题研究背景及意义 1
1.2人脸图像识别的研究现状 1
1.3人脸识别的技术难点 3
1.4论文组织结构 4
2.人脸识别算法 5
2.1图像预处理 5
2.1.1灰度化处理 5
2.1.2中值滤波 6
2.1.3边缘锐化 7
2.1.4归一化处理 8
2.2 BP算法 8
2.3基于BP神经网络的人脸识别方法 11
3．基于PCA的BP神经网络的人脸识别的方法 14
3.1 主成分分析 14
3.2 基于PCA与BP算法的人脸识别实现 15
3.3仿真与分析 16
4. 基于MATLAB GUI的人脸识别系统设计与实现 18
4.1 开发环境 18
4.2银行自助服务的人脸识别系统设计 19
4.3系统设计 22
4.3.1登录权限设计 22
4.3.2控制端界面设计 22
4.3.3系统窗口端设计 *好棒文|www.hbsrm.com +Q: ^351916072#
26
4.3.4系统远程服务端设计 27
5.结束语 29
参考文献 30
致谢 32
1.绪论
1.1课题研究背景及意义
随着计算机视觉技术和网络技术的发展，如何正确识别个人身份、保护个人隐私已经成为人们重点关注的话题[1]。通过密码的验证方式已经不能满足人们的需求，因此科研人员想利用人体生物识别的方法来识别个人身份。如今智能识别的方法包含人脸识别、指纹识别、虹膜识别、视网膜识别等。从表格中可观察到，人脸识别的唯一性要比虹膜识别和指纹识别稍微差一点，但是人脸识别技术具有采集速度快、准确性高、直接、方便等优点，人脸识别与其他生物特征识别的比较如下表11所示。
表11 人脸识别与其他生物特征识别的比较
类型
人脸
指纹
虹膜
视网膜
检测方法
非接触
接触
非接触
非接触
人的行为配合
不需要
需要
需要
需要
采集速度
最快
快
较快
较慢
复制的可能性
不易
静态能复制
不易
不易
可靠性
高
高
最高
最高
使用
最方便
方便
较方便
不方便
应用
最广泛
广泛
较广泛
不广泛
目前，人脸识别技术已应用于很多领域，包括金融、公安系统、机场边检等等，所以说对于人脸识别技术的研究与开发具有重要的理论意义和实际意义。对于特殊场合的使用和信息安全考虑，人脸识别技术的实效性和准确率仍是研究的重点。
1.2人脸图像识别的研究现状
人脸自动识别是图像识别领域的一个研究热点，有着广泛的应用前景，对于静态人脸识别问题，神经网络方法有较强的适应性和易于实现等优点。但采用神经网络进行人脸识别也存在学习时间长，识别率不高等缺点[6]。近年来围绕这些缺点，业内的专家们提出了很多可以改进的方法。如：
安大海等[2]提出了一种基于误差反向传播算法（Back Propagation，BP）神经网络的人脸识别系统，并通过对人脸图像的预处理来消除背景及光照条件等特征对人脸识别准确率的影响，系统对人脸图像进行方图平衡，滤波，椭圆遮罩等方式进行处理，提高了人脸识别的准确率。还搭建了真实的人脸识别系统，验证了图像预处理工作可以有效地提高人脸识别准确率。但是在目前的研究基础上，对于较大的图像库而言，人脸识别的准确性还存在一定的争议性。傅媛等[3]针对当前人脸识别算法对光照变化、姿态变化鲁棒性差的局限性，提出了一种改进混合高斯模型的人脸识别算法。对采集的人脸图像进行预处理，消除光照等外因素的不利影响，然后分别提取多种人脸图像的特征，最后采用混合高斯模型对人脸进行识别，一定程度上提高了人脸识别的正确率。由于影响人脸识别因素的多样性，还不能彻底排除其他因素对于人脸识别的影响。
孙劲光等[4]针对目前难以提取到适合用于分类的人脸特征以及在非限条件下进行人脸识别准确率低的问题，提出了一种基于深度神经网络的特征加权融合人脸识别方法。首先通过提取到的特征点将人脸图像分为多个局部区域采样块，然后将采样块经过归一化处理后分别输入到不同的深度信念网络，求出相似度向量，最后进行加权求和得出最后的识别结果并计算识别率。不过DBN仅能通过对人脸的分块获得人脸图像的局部特征，并不能得到人脸的全部特征。孔英会[5]等提出了基于卷积神经网络(Convolutional Neural Networks ，CNN)和统一计算设备架构（Compute Unified Device Architecture，CUDA）加速的实时视频人脸识别方法。构建了一个CNN 人脸识别网络，然后通过 Adaboost算法将检测到的人脸输入到CNN 中进行人脸识别，结合 CUDA 并行计算架构，对算法进行加速。通过对 Softmax 的分类结果进行多级判决达到了开集人脸识别的目的，更加适用于实际的监控视频环境。不过监控视频的方式已不能满足各方面的需求，如果将这种方法移植嵌入式处理设备中，就可以达到视频人脸识别中的图像信息在摄像头前端进行处理的目的。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/1148.html
