基于人脸表情识别的人机交互系统开发

Human-robot interaction system based on facial expression recognition

本课题要求开发一款可以用于识别人脸表情的人机交互系统，识别的表情主要包括高兴、伤心、生气、害怕、沮丧、吃惊等。首先要求学生应用一定的算法对人脸表情进行识别，然后将识别结果显示在设计开发的系统界面上。拟选本课题的同学要求具有一定的编程基础，可以熟练操作至少一门的编程语言，如matlab、VC++、C#等。

系统描述：当打开设计的系统后，界面可以显示摄像头的内容。当用户出现在摄像头前，要求系统能自动检测并标出用户的正面或接近正面的人脸，检测到的人脸将为待识别的目标。用户的人脸被实时检测出后，要求我们的系统可以识别出用户的表情并将结果显示在界面上。

主要工作：

（1）课题调研及文献查阅。关键词：人脸表情识别；人机交互；服务型机器人。主要了解最新的人脸表情识别算法，并研究其用于人机交互系统的实用性。这部

分的工作对开题报告和毕业论文综述部分很重要。

（2）正面或接近正面的人脸检测：可以通过OpenCV的人脸检测程序实现，这一步决定了我们系统需要识别的内容。（学习VC++）

（3）人脸表情识别：人脸表情识别包括特征提取和分类器设计两个部分。本课题要求学生对现有应用于人脸表情识别的特征进行一定的改进，分类器可以采用现

有的，比如SVM。（程序代码均为C++）

人脸识别考勤系统解决方法

人脸识别考勤系统解决方案一、人脸识别行业背景严格规范的员工考勤管理是现代企事业单位提高管理效益的重要保证,而传统的以打卡、刷卡为代表的考勤产品，存在着替代打卡，效率低下，不易统计，管理和使用维护成本高等弊端。指纹识别产品在考勤中的大规模应用，部分解决了代打卡的问题，但是超过5%左右的人群天生指纹很浅，无法用指纹识别。指纹考勤产品在天气干燥或者换季的时候，识别困难，由于必须接触，就给细菌的传播提供了一个便利的载体。人脸识别是对人的脸部特征信息进行身份认证的生物特征识别技术。近年来，随着欧美发达国家人脸识别技术开始进入实用阶段后，人脸识别迅速成为近年来全球的一个市场热点，它具有如下显着优点： ◆非接触，智能交互，用户接受程度高。 ◆直观性突出，符合人“以貌识人”的认知规律。 ◆适应性强，不易仿冒，安全性好。 ◆摄像头的大量普及，易于推广使用。 ◆人脸识别杜绝代打卡 ◆方便快捷识别时间少于1秒 ◆非接触更卫生不怕细菌传播 ◆通讯方式U盘、网络

综上所述，人脸识别被人们称为最自然、最直观的一种生物特征识别技术。二、人脸识别技术介绍：目前的人脸识别技术，分为二维人脸识别、三维人脸识别两大类。二维人脸识别是基于人脸平面图像的，但实际上人脸本身是三维的，人脸平面图像只是三维人脸在一个平面上的投影，在这个过程中，必然会丢失一部分信息，因此，二维人脸识别性能的进一步提升，一直受到环境光线、姿态、表情等因素的不利影响。三维人脸识别是基于三维人脸图像的，从理论上讲具备一些三维图像信息的技术优势，但一直存在采集设备昂贵，采集系统复杂，存储度高，人脸重建算法很复杂，识别速度较慢等缺点。中控人脸识别+指纹考勤机在人脸识别方面采用了“双目立体”人脸识别算法，专用双摄像头，就好像一个人的一双眼睛，既保留了二维人脸识别简单的优点，又借鉴了三维人脸识别的部分三维信息，识别性能达到国际一流，识别

开题报告：人脸识别

北方工业大学本科毕业设计（论文）开题报告书题目：基于直方图差值比较方法的人脸识别系统指导教师：专业班级：学号：姓名：日期：2013年3月20日

一、选题的目的、意义近些年来，有关人脸的处理已受到广大研究人员越来越多的重视，如人脸识别、人脸定位、面部表情识别、人脸跟踪等。人脸处理系统在安全系统的身份认证、智能人机接口、图像监控、视频检索等领域有着广泛的应用前景。此外在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。同时，进行人脸图像识别研究也具有很大的使用价依。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，因为它取样方便，可以不接触目标就进行识别，从而开发研究的实际意义更大。并且与指纹图像不同的是，人脸图像受很多因素的干扰:人脸表情的多样性;以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。使得同一个人，在不同的环境下拍摄所得到的人脸图像不同，有时更会有很大的差别，给识别带来很大难度。因此在各种干扰条件下实现人脸图像的识别，也就更具有挑战性。人脸图像识别除了具有重大的理论价值以及极富挑战性外，还其有许多潜在的应用前景，利用人脸图像来进行身份验证，可以不与目标相接触就取得样本图像，而其它的身份验证手段，如指纹、眼睛虹膜等必须通过与目标接触或相当接近来取得样木，在某些场合，这些识别手段就会有不便之处。

人脸识别技术的应用背景及研究现状

1．人脸识别技术的应用随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。（2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。（4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。（5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面：（1）模板匹配主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较

人脸识别实验报告

人脸识别——特征脸方法贾东亚1２346046 一、实验目的 1、学会使用PCA主成分分析法。２、初步了解人脸识别的特征法。 3、更熟练地掌握ｍatｌab的使用。二、原理介绍 1、ＰＣA(主成分分析法介绍）引用一个网上的例子。假设有一份对遥控直升机操作员的调查,用x1(i)表示飞行员ｉ的飞行技能，x2(i)表示飞行员ｉ喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x1(i)和x2(i)相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示,数据散布在ｕ１两侧，有少许噪声。现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢？由图中的点的分布可知,如果我们找到一个方向的Ｕ，所有的数据点在U的方向上的投影之和最大,那么该U就能表示数据的大致走向。而在垂直于U的方向,各个数据点在该方向的投影相对于在U上的投影如果足够小,那么我们可以忽略掉各数据在该方向的投影,这样我们就把二维的数据转化成了在U方向上的一维数据。为了将u选出来,我们先对数据进行预处理。先求出所有数据的平均值,然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后,再代替数据本身。而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。而ＸT u 就是投影的距离。故我们要求下式的最大值: 1 m ∑(x(i)T u)2=u T( 1 m ∑x(i)x(i)T m i=1 ) m i=1 u 按照u是单位向量来最大化上式,就是求1 m ∑x(i)x(i)T m i=1的特征向量。而此式是数据集的协方差矩阵。

面部表情识别实验报告分析

面部表情识别实验实验报告小组成员：面部表情识别实验西南大学重庆 400715

摘要：情绪认知是一种复杂的过程，它包含观察、分析、判断、推理等，是借助于许多线索，特别是借助面部那些活动性更大的肌肉群的运动而实现的。所以，情绪认知的准确度受多种因素的影响。当我们与他人相互交往的时候，不管是不是面对面。我们都正在不断的表达着情绪，同时又正在观察，解释着的对方做出的表情，在人际交往过程中，情绪的表达和认知是十分的迅速和及时，那么人是借助于哪些表情来认知他人的情绪的呢？情绪识别实际上并不是针对表情本身的，而是针对这它背后的意义。例如：皱眉可能是一种情绪的表现，我们见到这种面部表情就试图解释潜在于它背后的情绪。尖锐，短促，声音嘶哑可能是一种情绪表现，我们听到这种语言表情就试图解释潜在于它背后的情绪捶胸，顿足可能是一种情绪的表现，我们见到这种动作表情就是试图解释潜在于它背后的情绪。对于这个复杂的问题，心理学家曾经做过许多的研究。面部表情认知的研究可分为两个步骤：第一步是面部表情刺激物的制作或选择，这可以用专门拍摄(录像)或图示来描画，也可以用完全装扮出的活生生的表情或自发的表情等。第二步时对表情进行识别评定。也可以用多种方法，如自由评定法，即让被试自由地对表情给出情绪词汇；或限制评定法，即向被试提供各种提供各种情绪词汇或情绪情境，要求被试只能根据所提供的情绪词汇或者情绪情境进行分类或者匹配等；或参照自由评定法，即向被试提供参考线索（如情境，人格特征等），让其说出所表达的情绪的词汇等。关键词：情绪表情认知线索

1 前言传统心理学把情绪列为心理现象的三大方面之一。情绪也是心理学理论体系中一个不可缺少的研究环节。情绪（emotion）是体验，又是反应；是冲动，又是行为；它是有机体的一种复合状态。情绪的表现有和缓的和激动的，细微的和强烈的，轻松的和紧张的等诸多形式，广泛地同其他心理过程相联系。自古以来，科学家们十分注意探讨情绪之奥妙，但与情绪的重要性不相适应的是，长期以来情绪研究一直是心理学尤其是实验心理学研究中的一个薄弱环节。造成这一现象的最主要原因是情绪所特有的复杂性以及由此衍生出来的情绪研究方法学上的困难。我国心理学家孟昭兰（1987）将理论认为面部表情是传递具体信息的外显行为面部表情是提供人们在感情上互相了解的鲜明标记。情绪过程既包括情绪体验，也包括情绪表现，而表情既是情绪的外部表现，也是情绪体验的发生机制；既是最敏锐的情绪发生器，也是最有效的情绪显示器。这就从机制上说明了以面部肌肉运动模式作为情绪标志的根据。面部表情（facial expression_r）的发生是有其客观的物质基础的：表情按面部不同部位的肌肉运动而模式化，面部反应模式携带着心理学的意义，那就是或快乐、或悲伤等具体情绪。但是，对表情进行测量的原则在于：所要测量的是面孔各部位的肌肉运动本身，而不是面部所给予观察者的情绪信息。该实验将14名被试分为两组进行表情认知的实验，实验目的在于通过实验了解面部表情认知的基本

人脸识别

人脸识别项目一、目的用有监督学习机制设计并实现模式识别方法，用于进行人脸面部特征识别，如性别（男性、女性）、年龄（儿童、青少年、成年、老年）、佩戴眼镜（是、否）、戴帽子（是、否）、表情（微笑、严肃）等。二、内容人脸识别是模式识别的一个重要的应用领域。其识别过程包括：特征提取与选取、分类（包括训练与测试）、分类器性能评估。三、数据四个文本文件： faceR: 训练数据，100个属性（其中第一个属性是编号，其余99个是本征脸(eigenface) 属性参数，共2000个人脸的数据。 faceS: 测试数据，100个属性（其中第一个属性是编号，其余99个是本征脸(eigenface) 属性参数，共2000个人脸的数据。 faceDR: 对faceR文件中的每一个人脸数据的说明。 faceDS: 对faceS文件中的每一个人脸数据的说明。提示：由于数据是真实数据，会有以下情况： 1）有缺失数据（如1228, 1808, 4056, 4135, 4136, and 5004），建议将有缺失数据的人脸记录不予考虑 2）有错误数据，建议对有错误的人脸记录不予考虑原始数据：各个人脸的原始图象数据在目录rawdata中四、要求 1）将数据导入MATLAB 2）确定分类的目标（可以是下面的一个目标，或多个目标的组合） a)性别（男性、女性） b)年龄（儿童、青少年、成年、老年） c)佩戴眼镜（是、否） d)戴帽子（是、否） e)表情（微笑、严肃）等。 3）选用一种分类算法（距离分类器、Bayes分类器、SVM、ANN 或Decision Trees），先用faceR中的数据对分类器进行训练，然后用faceS中的数据对训练好的分类器的性能（分类准确率）作出评估。当然，有些分类算法需要验证数据，可以根据需要从faceR或faceS中随机抽取验证数据，验证数据的数据量应该不少于500个人脸记录。 4）用MATLAB编程实现模式识别的整个过程（可以直接调用相关的函数）。 5）完成项目报告，具体内容包括： a)模式识别问题的说明,重要是说明分类的目标 b)模式识别过程的说明：采用何种分类算法，改算法的基本原理，是否进行了特征提取或特征选取，程序的基本流程框图，训练的结果，测试的结果，分类器

人脸识别发展历史介绍

人脸识别发展历史介绍 1 引言在我们生存的这个地球上，居住着近65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊等少数几个区域组合而成，它们之间的大体位置关系也是固定的，并且每张脸的大小不过七八寸见方。然而，它们居然就形成了那么复杂的模式，即使是面容极其相似的双胞胎，其家人通常也能够非常容易地根据他们面孔上的细微差异将他们区分开来。这使得我们不得不承认这个世界上找不出两张完全相同的人脸!那么，区分如此众多的不同人脸的“特征”到底是什么?能否设计出具有与人类一样的人脸识别能力的自动机器?这种自动机器的人脸识别能力是否能够超越人类自身?对这些问题的分析和解答无疑具有重要的理论和应用价值，这正是众多从事自动人脸识别研究的研究人员所面临的挑战。然而，对这些问题的回答并不像看起来那么容易。即使在大量来自模式识别、计算机视觉、神经计算、生理学等领域的研究人员对自动人脸识别艰苦工作40余年之后，这些最基本的科学问题仍然困惑着研究人员。而退一步讲，即使对我们自己，尽管我们每天都在根据面孔区分着亲人、同学、朋友、同事等，大多数人却很难准确地描述出自己到底是如何区分他们的，甚至描述不出自己熟悉的人有什么具体的特征。即使专门从事相关的生理学、心理学、神经科学研究的一些专家，也很难描述清楚人类人脸识别的生理学过程。这意味着基于仿生学的人脸识别研究路线在实践上是难以操作的。当然，飞机的翅膀并不需要像鸟儿的翅膀一样煽动，自动人脸识别的计算模型也未必需要模拟“人脑”。我们也许可以通过另外的途径，例如建立人脸识别的计算模型，这种计算模型可能是基于仿生神经网络的，也可能是纯粹基于统计的，或者是这二者之外的第三只眼睛，并通过构建实用的自动人脸识别系统来验证这些计算模型，从而找出对上述基本科学问题的解答。本文首先给出了人脸识别的一个一般计算模型，然后简单回顾自动人脸识别的研究历史，接下来阐述人脸识别的研究现状并介绍几种主流的技术方法，简单介绍计算所人脸识别研究组的研究进展，最后对上述哲学层面的问题作了一些简单的探讨。

基于MATLAB的人脸识别

基于ＭATＬAB的人脸识别

————————————————————————————————作者: ————————————————————————————————日期:

图像识别题目:基于MＡTＬAB的人脸识别院系:计算机科学与应用系班级: 姓名：学号：日期：

设计题目基于MAＴLAＢ的人脸识别设计技术参数测试数据库图片10张训练数据库图片20张图片大小１02４×7６8 特征向量提取阈值 1 设计要求综合运用本课程的理论知识,并利用MAＴＬAB作为工具实现对人脸图片的预处理,运用ＰCA算法进行人脸特征提取，进而进行人脸匹配识别。工作量两周的课程设计时间，完成一份课程设计报告书，包括设计的任务书、基本原理、设计思路与设计的基本思想、设计体会以及相关的程序代码；熟练掌握Maｔlab的使用。工作计划第1-2天按要求查阅相关资料文献,确定人脸识别的总体设计思路；第３-4天分析设计题目，理解人脸识别的原理同时寻求相关的实现算法；第５-８天编写程序代码，创建图片数据库,运用ＰCＡ算法进行特征提取并编写特征脸，上机进行调试；第9-12天编写人脸识别程序,实现总体功能；第13-1４天整理思路,书写课程设计报告书。参考资料1 黄文梅，熊佳林,杨勇编著．信号分析与处理——MATAＬB语言及应用.国防科技大学出版社，2000 2 钱同惠编著.数字信号处理.北京:机械工业出版社，２004 3 姚天任,江太辉编著.数字信号处理．第2版.武汉:武汉理工大学出版社,200０ 4 谢平，林洪彬，王娜.信号处理原理及应用．机械工业出版社，２00４ 5刘敏，魏玲.Mａｔｌａb.通信仿真与应用.国防工业出版社，20０5 6 楼顺天.基于Ｍatlab7．x 的系统分析与设计.西安电子科技大学,200２ 7孙洪.数字信号处理.电子工业出版社，２001 目录引言?错误!未定义书签。 1 人脸识别技术?错误!未定义书签。 1.1人脸识别的研究内容?错误!未定义书签。 1.1.1人脸检测(Faｃe Dｅｔection）........... 错误!未定义书签。

基于K-L变换的人脸识别

基于K-L变换的人脸识别一、实验原理及基本要求特征脸方法是基于K-L变换的人脸识别方法，K-L变换是图像压缩的一种最优正交变换。高维的图像空间经过K-L变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法用于人脸识别的基本思想。在人脸识别中，可以用离散K-L变换对人脸图像的原始空间进行转换，即构造人脸图像数据集的协方差矩阵，对之进行正交变换，求出协方差矩阵的特征向量，再依据特征值的大小对这些特征向量进行排序，每一个向量表示人脸图像中一个不同数量的变量，这些特征向量表示特征的一个集合，它们共同表示一个人脸图像。在人脸识别领域，人们常称这些特征向量为特征脸。每一个体人脸图像都可以确切地表示为一组特征脸的线性组合。这样我们首先通过有指导的训练（给定训练样本集已知分类）得到样本集在特征脸空间中的坐标。训练完成后，输入待辨识图像，求得在特征脸空间的坐标，采用欧式距离法，就可以实现人脸识别。我们从网上下载人脸图像，构建人脸训练数据库和测试数据库，采用K-L变换进行特征脸提取，并实现人脸识别。通过K-L变换在人脸识别中的应用，加深对所学内容的理解和感性认识。二、具体做法及流程图 ORL人脸库是由英国剑桥Olivetti实验室从1992年4月到1994年4月期间拍摄的一系列人脸图像组成，共有40个不同年龄、不同性别和不同种族的对象。每个对象10幅图像共计400幅灰度图像组成，图像尺寸是92×112，图像背景为黑色。其中人脸部分表情和细节均有变化，例如笑与不笑、眼睛睁着或闭着，戴或不戴眼镜等，人脸姿态也有变化，其深度旋转和平面旋转可达20度，人脸尺寸也有最多10%的变化。该库是目前使用最广泛的标准数据库，它含有大量的比较结果。本次试验我们用的是ORL人脸库中的人脸样本集，每个人的人脸样本集中含有十个人脸样本。我们从其中挑出训练样本和测试样本。对训练样本集采用K-L变换进行特征脸提取，并对测试样本集进行人脸识别。步骤：

企业人脸识别考勤应用方案

企业人脸识别考勤应用方案一、行业背景目前大多数企业的考勤，采取刷卡考勤，但员工常常相互代打卡，考勤管理形同虚设，部分企业使用指纹识别考勤，但总有5%左右的误识率，且识别速度慢，上下班高峰时需要排长队。--飞瑞斯科技“辨脸通”人脸识别考勤系统，助你解决以上棘手的问题。二、系统概述“辨脸通”人脸识别考勤机系列，基于“人脸无法替代”的特性和为企业级用户提供“便捷&有效”的考勤管理的理念而设计，它采用行业领先的人脸识别技术，精确提取人脸特征，作为身份识别的依据，从而提供准确的考勤记录，完全取代市场上指纹、打卡考勤机。“辨脸通”人脸识别具有如下特性：1、唯一性:每个人都有一张脸，且无法被复制，仿冒，因而可以提供更准确的考勤管理。 2、自然性好: 人脸识别技术同人类（甚至其它生物）进行个体识别时所利用的生物特征相同，其他生物特征如指纹、虹膜不具备这个特征。 3、简单方便:无需携带卡,识别速度快，操作简单便捷，仅凭人脸便可轻松识别4、非接触性:无需接触设备，不用担心病毒的接触性传染,既卫生，又安全，不易招致反感。三、系统组成人脸识别工作原理：人脸识别基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、记忆存储和比对辨识，达到识别不同人身份的目的。人脸识别考勤系统就是把人脸识别和考勤系统结合，并且通过人脸识别作为考勤管理的要素之一。四、系统特色:• 精确度高，公平公正：最新人脸识别算法，识别精确度高，确保精确识别每一张脸，彻底杜绝代打卡现象• 卫生便捷，轻松自然：非接触式识别，识别速度快，既卫生，又免去上下班高峰排长队的苦恼• 稳定性高，低耗节能：采用高性能、低功耗 DSP处理器，完全脱机操作，系统经过长期运行检测，工作稳定。同时，设备支持自动休眠模式，环保节能• 操作简单，界面人性化：TFT 液晶显示/触摸屏，人性化的GUI界面和WEB端管理软件• 多种识别方式可选：可根据用户需求灵活设置：单人脸识别；密码+人脸识别；ID/IC卡+人脸识别等多种识别模式• 智能自学习功能：自动捕获人脸，具备模板自学习功能，随着发型、肤色、年龄等变化动态更新人脸数据库，从而始终正确识别人脸• 网络远程管理：可通过IE浏览器或客户端软件，方便的进行远程查看、控制管理• 配备完善的考勤管理软件：管理者可以根据需要，对所有资料进行汇总、编辑、拟制多种考勤管理报表，薪资管理报表，人员管理报表等，满足各种场所的考勤应用五、应用范围“辨脸通”企业型人脸识别考勤机，适合各种规模的企事业单位、工厂考勤管理的应用需求。

人脸表情识别

图像处理与模式识别 ------人脸表情识别介绍摘要：人脸表情是我们进行交往和表达情绪的一种重要手段，不经过特殊训练，人类对其面部表情往往很难掩饰，所以，通过对人脸表情进行分析，可以获得重要的信息。人脸表情识别是人机交互的智能化实现的一个重要组成部分，也是模式识别、图像处理领域的一个重要研究课题，近几年来，受到了越来越多的科研人员的关注。本文综述了国内外近年来人脸表情识别技术的最新发展状况，对人脸表情识别系统所涉及到的关键技术: 人脸表情特征提取，做了详细分析和归纳。关键词：人脸定位；积分投影；人脸表情识别；流形学习；局部切空间排列Abstract:Facial expression is a kind of important means that we communicate and express the special training, People often difficult to conceal their facial , by the analyzing facial expression, we can obtain important information. Facial expression recognition is an important component that the implementation of human-computer interaction, and an important research topic in the field of pattern recognition, image processing, in recent years, more and more researchers focus on this topic. In this paper,we present the latest development of this area,and give a detailed analysisand summary for facial

人脸识别实验报告

人脸识别——特征脸方法贾东亚一、实验目的 1、学会使用PCA 主成分分析法。 2、初步了解人脸识别的特征法。 3、更熟练地掌握matlab 的使用。二、原理介绍 1、 PCA （主成分分析法介绍）引用一个网上的例子。假设有一份对遥控直升机操作员的调查，用x 1(i ) 表示飞行员i 的飞行技能，x 2(i )表示飞行员i 喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x 1(i )和x 2(i )相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示，数据散布在u1两侧，有少许噪声。现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢由图中的点的分布可知，如果我们找到一个方向的U ，所有的数据点在U 的方向上的投影之和最大，那么该U 就能表示数据的大致走向。而在垂直于U 的方向，各个数据点在该方向的投影相对于在U 上的投影如果足够小，那么我们可以忽略掉各数据在该方向的投影，这样我们就把二维的数据转化成了在U 方向上的一维数据。

为了将u选出来，我们先对数据进行预处理。先求出所有数据的平均值，然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后，再代替数据本身。而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。而X T u 就是投影的距离。故我们要求下式的最大值： 1 m ∑(x(i)T u)2=u T( 1 m ∑x(i)x(i)T m i=1 ) m i=1 u 按照u是单位向量来最大化上式，就是求1 m ∑x(i)x(i)T m i=1 的特征向量。而此式是数据集的协方差矩阵。在实际应用中，我们不止面临二维的数据。因此不能使用几何的形式呈现，但原理也是一样。就是找到一组相互正交的单位向量u k，然后根据贡献率考虑选择其中的部分作为考量的维数，这也就实现了数据的降维。三、实验步骤 1、将库里的400张照片分成两组。一组作为训练，一组作为库。每个人的前五张照片作为训练，后五张作为库。训练的照片按照顺序的数字重命名。库的照片名字不变。 2、库照片处理。 ①将每一张库的照片转化成N维的向量。（库里的照片是112*92，故将转化成的矩阵按列或行展开，就是个10304维的向量）我们稍后要对如此多维的向量用PCA进行降维。然后把这些向量存入一个矩阵里。而我是将这200个向量以列的形式存在了矩阵里。即 Z={Γ1，Γ2，Γ3，Γ4 (200)

人脸识别介绍

人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。人脸识别流程 1图像预处理 1.1 图像去噪一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取人脸检测定位人脸区域预处理特征抽取人脸特征对比识别结果人脸特征库

不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动，也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。

华工数学实验基于回归模型的增量人脸识别探索性实验

实验六基于回归模型的增量人脸识别探索性实验 1．实验目的 ● 了解数字图像的基本概念，了解人脸识别的基本含义； ● 掌握基于回归模型的人脸识别算法的基本原理； ● 了解Matlab 中基本的文件和图像处理命令。 2．实验任务利用各种增量人脸识别算法：基于回归模型的增量人脸识别算法，最远子空间增量分类算法、最近最远子空间增量分类算法或其他快速算法，选择其中的一种或几种算法，对给定的人脸数据库进行识别测试，得出识别正确率和（或）运行时间。并与第5节不采用增量学习的算法进行比较，分析实验结果。在实验过程中，可以察看原始的人脸图片，哪些人脸识别错误？该算法有哪些优缺点？改进方向是什么？ 2.1实验原理在本次实验中选取基于回归模型的增量人脸识别算法；增量学习可以利用原有训练样本已得到的计算结果和新增数据来计算新的参数，不再需要原来的样本数据，从而降低学习的开销，提高算法处理数据的运行效率。即主要推导求逆矩阵的增量学习公式，以提高LRC 处理较大规模数据的效率。 2.1.1预处理：对训练数据和测试数据对应的图像的像素都映射到[0,1]区间；将一个数据集剖分为训练数据集和测试数据集。 2.1.2读入训练数据，利用LRC 算法和逆矩阵的增量学习公式，得到令(1)(1)111111111T N N N N N T N N N N N T N N N N T N N N R R R c R ?+?++++?+++++=∈=∈=∈=∈A X X A X X X x x x α 11111 11111记　T N N N N N N N N N R t c --+?+-++++??=-?=∈?A A αααγ

基于人脸识别的考勤系统设计与实现

- 61 - 第3期2019年2月No.3February，2019 无线互联科技 Wireless Internet Technology 当今高校对培养学生能力、提高学生知识储备的重视度与日俱增，因此，高校课堂教育的重要性不言而喻。但如今的高校普遍存在缺勤率高、代签严重等问题，传统的考勤方式如指纹签到、打卡签到、点名签到等都存在很多漏洞。指纹签到虽然成本较低，但它的可复制性使这种方法不够可靠；打卡签到需要学生随身携带磁卡，但磁卡容易丢失，且携带不便，补办困难；点名签到更是存在代答道、效率低的问题，这些缺点都给学校的日常考勤带来了困难。因此，设计出一种高效、便捷、易于统计数据的考勤系统就成了当务之急。近几年，生物特征识别技术获得快速发展。人脸作为一种生物特征，具有很强的自身稳定性和个体差异性，是进行身份验证的最理想依据，主要方法包括步态识别、虹膜识别、皮肤芯片、脸像识别、多模态（即多生物特征融合）识别技术等[1] 。其中，人脸识别技术因为具有方便、直观、易于普及等优点尤为受到关注与研究。早在20世纪50年代，认知科学家就已着手对人脸识别展开研究。20世纪60年代，人脸识别工程化应用研究正式开启，我国从20世纪80年代开始了对人脸识别技术的研究，虽然起步较晚，但我国科研人员奋起直追，一些领军人物已经在人脸识别领域建立了属于自己的行业地位。随着当今世界大数据时代的到来和人脸识别技术商业价值的显现，这项技术研究前景十分光明，具有极大的市场需求。1 系统总体设计1.1 系统功能与模块人脸识别签到系统主要由登录模块、识别模块、签到模块和后台管理模块4个部分组成（见图1），其中各模块作用如下。（1）登录模块是授课老师或后台管理者通过账号和密码登录，查看考勤信息。（2）识别模块主要实现的功能是接收一张人脸图片，调用系统应用程序编程接口（Application Programming Interface ，API ）对图片进行人脸识别，得到一个唯一确定此图片的标识码。（3）签到模块接收识别模块中得到的标识码与数据库中的学生信息比对，查找确认学生信息；通过查询当前时间和数据库中的课程安排表信息，获取当前所上课程信息。得到学生和课程信息后，通过逻辑判断该学生这节课是否已经签到，若已签到，忽略；若未签到，将签到信息添加到数据库签到表。该模块会返回签到信息，包括：是否签到成功；学生姓名；学生学号；所签到课程；若签到未成功，原因是什么。（4）后台管理模块由后台管理员负责，主要包括统计签到信息、录入或删除学生信息等功能。1.2 系统工作流程本系统总体使用流程介绍如下：打开系统后，首先在后台根据当前时间与地点判断课程与班级人员信息；然后出现人脸识别登录界面，登录成功后通过摄像头捕捉学生面部信息，从摄像头获取照片。照片框动态显示摄像头所拍摄照片，点击“签到”，从摄像头获取照片后锁定图片，对照片进行识别，得到一个照片标识，将标识传给签到模块进行签到，得到签到信息，并在下方显示签到信息[2]。本系统将人脸识别技术应用在高校课堂考勤中，实现学生签到功能并统计出当前课堂学生的出勤率，主要流程为：教师登录、学生刷脸考勤、考勤识别、考勤统计和考勤结果几个部分，其具体工作流程（见图2）介绍如下。打开本系统软件后，首先根据当前时间和输入的专业班级判断当前课程和老师，进入人脸识别登录界面；使用本系统的老师需要登录到系统中，登录完成后，打开摄像头进行学生签到工作，通过摄像头拍摄识别学生面部实现学生签到，并在所有学生签到完成后统计出当节课学生出勤率和未出勤学生名单，完成签到[3]。签到完成后，授课教师可登录系统查看本节课程信息，根据年级、专业、班级、课程、学号等信息进行筛选所查看数据，以表格形式显示，包括学生到课率和缺勤情况。数据库中信息通过管理员录入学生照片信息。数据库中存储数据为采集的学生照片通过face++的API 后得到的JSON 格式标识码。作者简介：朱靖娴（1995— ），女，河南郑州人，本科生；研究方向：计算机科学与技术。*通信作者：白文娟（1987— ），女，河南郑州人，工程师，硕士；研究方向：信息与通信工程。摘要：文章针对当前常用考勤方式中普遍存在的代签到、考勤数据整合较慢等问题，利用人脸识别技术实现了一种基于 Java 的在线考勤系统。该系统可大大提高考勤效率，满足各类场环境景下的考勤需求，具有识别度高、检测速度快、操作简单的特点，能够为用户提供更多便利帮助。关键词：人脸识别；考勤系统；Java 语言；face++基于人脸识别的考勤系统设计与实现朱靖娴1，白文娟2*，张砺心1，刘克楠1 （1.郑州大学国际学院，河南郑州 450000；2.河南省高速公路联网监控收费通信服务有限公司，河南郑州 450000）

人脸识别技术的应用背景及研究现状

人脸识别技术的应用背景及研究现状文件管理序列号：[K8UY-K9IO69-O6M243-OL889-F88688]

人脸识别技术的应用背景及研究现状1．人脸识别技术的应用随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 ??（2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。

?（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。（4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。（5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，着名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Compute r Interface Institute，Microsoft Research,英国的Department of Engine ering in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面：（1）模板匹配主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多。但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼

人脸识别实验报告解读

人脸识别——特征脸方法贾东亚12346046 一、实验目的 1、学会使用PCA主成分分析法。 2、初步了解人脸识别的特征法。 3、更熟练地掌握matlab的使用。二、原理介绍 1、PCA（主成分分析法介绍）引用一个网上的例子。假设有一份对遥控直升机操作员的调查，用表示飞行员i的飞行技能，表示飞行员i喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性和相关性是非常强的。我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示，数据散布在u1两侧，有少许噪声。现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢？由图中的点的分布可知，如果我们找到一个方向的U，所有的数据点在U的方向上的投影之和最大，那么该U就能表示数据的大致走向。而在垂直于U的方向，各个数据点在该方向的投影相对于在U上的投影如果足够小，那么我们可以忽略掉各数据在该方向的投影，这样我们就把二维的数据转化成了在U方向上的一维数据。为了将u选出来，我们先对数据进行预处理。先求出所有数据的平均值，然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后，再代替数据本身。而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。而X T u 就是投影的距离。故我们要求下式的最大值：按照u是单位向量来最大化上式，就是求的特征向量。而此式是数据集的协方差矩阵。

在实际应用中，我们不止面临二维的数据。因此不能使用几何的形式呈现，但原理也是一样。就是找到一组相互正交的单位向量，然后根据贡献率考虑选择其中的部分作为考量的维数，这也就实现了数据的降维。三、实验步骤 1、将库里的400张照片分成两组。一组作为训练，一组作为库。每个人的前五张照片作为训练，后五张作为库。训练的照片按照顺序的数字重命名。库的照片名字不变。 2、库照片处理。 ①将每一张库的照片转化成N维的向量。（库里的照片是112*92，故将转化成的矩阵按列或行展开，就是个10304维的向量）我们稍后要对如此多维的向量用PCA进行降维。然后把这些向量存入一个矩阵里。而我是将这200个向量以列的形式存在了矩阵里。即，，， ②将这200个向量的每个元素相加起来求出平均值。再用Z里的每一个向量减去这个平均值得到每个的偏差。平均值，每个向量的偏差即最后，，， ③接下来我们就要针对这些预处理后的数据进行降维。我们要求的N个相互正交的向量就是协方差矩阵的特征向量，而对应的特征值就是各个向量所占的比重。但是Z是个10304*200的矩阵，那么就是个10304*10304的矩阵。使用matlab直接求其特征值与特征向量不太实际。所以我们考虑一个简单的运算方法：协方差矩阵的秩受到训练图像的限制：如果有N个训练样本，则最多有N? 1 个对应非零特征值的特征向量，其他的特征向量对应的特征值都是0。如果训练样本的数目比图像的维数低，则可以通过如下方法简化主成份的计算。设 Z是预处理图像的矩阵，每一列对应一个减去均值图像之后的图像。则，协方差矩阵为，并且对S的特征值分解为