动态人脸识别系统的设计与实现
刷脸的智慧系统设计方案
刷脸的智慧系统设计方案刷脸的智慧系统是一种利用人脸识别技术实现身份验证和门禁控制的系统。
下面是一个基于人脸识别的智慧系统的设计方案，包括系统的硬件设备、软件应用和安全措施。
1. 硬件设备(1) 摄像头：选择一款高清晰度的摄像头，能够准确地捕捉人脸特征，例如分辨率达到1080P以上的摄像头。
(2) 服务器：配置高性能的服务器，用于存储人脸数据和进行人脸识别算法的计算。
(3) 门禁设备：连接到系统的门禁设备，例如电子门锁或出入口闸机，用于实现门禁控制的功能。
(4) 屏幕显示器：用于显示身份验证结果，例如显示通过或不通过的信息。
2. 软件应用(1) 人脸检测与识别算法：选择一种高效准确的人脸检测与识别算法，可以使用常见的人脸识别库，如OpenCV、Dlib等。
(2) 数据存储与管理：建立一个数据库，用于存储用户的人脸特征数据和身份信息。
每当新用户注册时，将其人脸特征数据和身份信息保存到数据库中。
(3) 身份验证逻辑：对于每个身份验证请求，系统将从数据库中检索相应用户的人脸特征数据，并与当前检测到的人脸进行比对，以确定其身份是否匹配。
(4) 防欺诈功能：可以引入活体检测技术，以确保用户提交的人脸是真实存在且活体的。
可以结合摄像头和红外线传感器等设备来完成活体检测。
3. 安全措施(1) 数据加密：将用户的人脸特征数据进行加密存储，确保数据的安全性。
(2) 角色授权：为不同的用户分配不同的权限，例如管理员具有更高的权限，普通用户只能通过门禁。
(3) 设备监控：监控系统的运行状况，及时发现并处理异常情况。
(4) 备份与恢复：定期备份人脸特征数据和系统配置文件，以便在系统故障或数据丢失时进行恢复。
4. 部署与管理(1) 部署位置：根据实际需要，将摄像头和门禁设备安装在适当的位置，通常是在每个入口点或需要权限控制的地方。
(2) 系统管理：建立一个后台管理界面，用于添加、删除和编辑用户，以及查看系统日志和报表等功能。
《2024年基于OpenCV的人脸识别系统设计》范文
《基于OpenCV的人脸识别系统设计》篇一一、引言随着科技的发展，人脸识别技术已成为现代社会中不可或缺的一部分。
该技术被广泛应用于安全监控、身份验证、智能门禁等领域。
OpenCV（开源计算机视觉库）作为一种强大的计算机视觉库，为开发者提供了进行人脸识别系统的设计和实现的可能。
本文将详细介绍基于OpenCV的人脸识别系统设计，包括其设计思路、实现方法和应用前景。
二、系统设计目标本系统设计的主要目标是实现高效、准确的人脸识别功能。
通过使用OpenCV的强大功能，系统将能够实现对人脸的检测、跟踪、识别和比对。
此外，系统还应具有良好的实时性和稳定性，以满足实际应用的需求。
三、系统设计原理本系统设计主要基于OpenCV的人脸识别技术，包括人脸检测、特征提取和人脸比对三个主要步骤。
1. 人脸检测：通过OpenCV中的人脸检测算法，系统能够在图像或视频中检测出人脸。
这些算法通常基于肤色模型、形状模型或深度学习模型等。
2. 特征提取：检测到人脸后，系统将提取出人脸的特征。
这些特征通常包括面部关键点的位置、纹理特征、深度学习特征等。
OpenCV提供了多种特征提取方法，如HOG、SIFT、SURF等。
3. 人脸比对：提取出特征后，系统将进行人脸比对。
这通常通过将提取的特征与数据库中已知的特征进行比对来实现。
比对的算法可以是基于距离度量、相似度度量等。
四、系统设计实现1. 硬件环境：本系统设计的硬件环境包括计算机、摄像头等。
计算机应具备足够的计算能力以支持实时的人脸识别处理，摄像头应具备高清、稳定的图像采集能力。
2. 软件环境：本系统设计的软件环境主要基于OpenCV和Python。
OpenCV用于实现人脸识别的核心算法，Python则用于编写系统的主程序和用户界面。
3. 系统实现流程：首先，通过摄像头实时采集图像或视频；然后，使用OpenCV中的人脸检测算法检测出图像中的人脸；接着，提取出人脸的特征；最后，将提取的特征与数据库中已知的特征进行比对，实现人脸识别。
—基于机器学习的人脸识别算法的设计与实现
—基于机器学习的人脸识别算法的设计与实现基于机器学习的人脸识别算法的设计与实现承诺人签名：日期：年月日基于机器学习的人脸识别算法的设计与实现摘要人脸识别技术是一种新型的生物特征认证技术。
人脸识别技术也是一个非常活跃的研究领域，涵盖了许多领域，例如数字图象处理。
随着人们对应用程序需求的增长，面部识别技术趋向于大量使用，使用微芯片和标准化。
人脸检测是快速准确识别人脸的先决条件。
其目的是检测图象背景下的人脸，并将其与数据中的人脸进行比较，以实现人脸识别。
本文以 python 为开辟技术，前端实时检测摄像头人脸，人脸识别主要是使用 mtcnn 做人脸提取，使用facenet 做人脸特征提取，通过余弦相似度分类进行人脸识别。
系统界面简洁、识别迅速、使用方便。
本文首先介绍了人脸识别系统的现状及其发展背景，然后讨论了系统设计目标，系统要求和总体设计计划，并详细讨论了人脸识别系统的详细设计和实现。
系统最后进行面部识别。
并对系统进行特定的测试。
人脸识别，顾名思义就是在图片和视频中检测有没有人脸。
当发现一个人的脸时，会获取其他面部特征(眼睛，嘴巴，鼻子等)，并根据此信息将该人与已知人脸的数据库进行比较。
标识一个人的身份。
人脸检测是使用计算机确定输入图象中所有人脸的位置和大小的过程。
面部识别系统是由面部识别系统引入的，该系统可以包括面部图象，输出是面部和面部图象的存在之和，描述了位置，大小，参数化位置 Do 和方向信息[1]。
假定检测面部的问题始于识别面部的研究。
全自动面部识别系统包括与两项主要技术的链接：面部检测和提取以及面部识别。
完成自动面部识别的第一个要求是确定一个人的面部。
人脸识别是自动人脸识别过程的第一步，它基于自动人脸识别技术。
自动人脸识别系统的速度和准确性起着重要作用。
人脸识别系统可以应用于考勤、安全、金融等领域，应用广泛，大大提高了工作效率，提高了服务水平，身份认证变得更加科学、规范、系统、简单。
1.2 国内外研究现状面部识别的研究始于 1960 年代末和 1970 年代初。
人脸检测系统的算法研究与实现的开题报告
人脸检测系统的算法研究与实现的开题报告一、研究背景随着社会的发展，计算机技术正在得到越来越广泛的应用。
其中，人脸检测系统是计算机视觉技术中非常重要的一部分。
人脸检测系统广泛应用于安防、人脸识别、图像搜索、虚拟现实游戏等领域。
因此，人脸检测系统的研究和应用具有非常广泛的市场前景。
人脸检测系统是指利用计算机视觉技术来获取一张图像中所有人脸的位置和大小以及相关的姿态（如头部的方向）信息的系统。
研究人脸检测算法的目的是使得人脸检测系统能够在复杂的环境下准确的检测出人脸，同时系统的响应速度要足够快，以满足实时应用的需求。
目前，已有很多人脸检测相关的算法被提出，如 Haar Cascades 算法、HOG 算法、人脸关键点检测算法等。
然而，这些算法仍存在一些问题，如计算量过大、对光照和姿态的变化不敏感等。
因此，本文将研究和实现一种新的基于深度学习的人脸检测算法，以提高人脸检测系统的速度和准确性。
二、研究内容和方法本文将研究和实现一种基于深度学习的人脸检测算法。
具体的研究内容和方法如下：1. 数据集准备：本文将采用公开的人脸数据集（如LFW、FDDB 等）来训练和测试人脸检测模型。
2. 深度学习模型设计：本文将采用卷积神经网络（CNN）来训练人脸检测模型。
模型的主要结构包括卷积层、池化层、全连接层等。
3. 数据预处理和增强：本文将对数据进行预处理和增强，如数据的归一化、镜像翻转、随机裁剪等，以增强模型的泛化能力。
4. 模型训练：本文将采用反向传播算法和随机梯度下降算法来训练模型，以最大程度的减小训练集和测试集的误差。
5. 模型测试和评估：本文将采用 LFW、FDDB 等数据集来测试和评估训练好的模型，以评估模型的准确性和可靠性。
三、研究意义本文的研究意义主要包括以下几点：1. 提供一种新的基于深度学习的人脸检测算法。
2. 提高人脸检测系统的速度和准确性。
3. 探索深度学习在人脸检测中的应用和优化。
4. 为实时应用场景下的人脸检测提供技术支持。
动态人体姿态识别与分析系统设计
动态人体姿态识别与分析系统设计人体姿态识别与分析系统是一种通过摄像头采集人体图像并使用计算机视觉算法来分析和识别人的姿态的技术系统。
这种系统具有广泛的应用领域，包括运动分析、健身监测、人机交互等。
本文将介绍动态人体姿态识别与分析系统的设计原理、实现方法和应用。
一、设计原理动态人体姿态识别与分析系统的设计基于计算机视觉和机器学习技术。
其主要设计原理包括以下几个方面：1. 图像采集和预处理：系统通过摄像头采集人的图像，并对图像进行预处理，包括颜色校正、去噪等。
预处理的目的是提高图像质量，减少后续姿态分析的误差。
2. 人体关节点检测：系统使用计算机视觉算法检测人体图像中的关节点，如头部、躯干、四肢等。
这些关节点是姿态分析的基础，通过检测和定位这些关节可以实现对人体姿态的识别和分析。
3. 姿态估计和跟踪：系统基于人体关节点的检测结果，利用机器学习算法进行姿态估计和跟踪。
姿态估计是指通过关节点的位置和角度计算人体的姿态，而姿态跟踪是指在连续的图像帧中，跟踪人体的姿态变化。
4. 姿态分析和应用：系统通过对姿态数据的分析，提取人体动作特征，并进行动作识别、动作分析等应用。
姿态分析结果可以应用于运动分析、健身监测、人机交互等领域。
二、实现方法动态人体姿态识别与分析系统的实现方法涉及到计算机视觉、图像处理、机器学习等多个领域的知识和技术。
以下是一种常见的实现方法：1. 数据集构建：系统的训练和测试依赖于大量的姿态数据。
因此，首先需要构建一个包含多种姿态的数据集。
这些数据可以通过专业的动作捕捉系统获取，或者通过从现有的视频数据中手工标注得到。
2. 人体关节点检测：在构建好数据集后，需要使用计算机视觉算法对图像中的人体关节点进行检测。
一种常见的方法是使用深度学习模型，如基于卷积神经网络的方法。
这些模型可以学习到图像中人体关节点的特征，从而实现准确的检测。
3. 姿态估计和跟踪：基于检测到的人体关节点，可以使用机器学习算法进行姿态估计和跟踪。
动态人脸识别算法描述与实现
动态人脸识别算法描述与实现动态人脸识别是一种利用计算机视觉技术进行人脸检测和识别的方法。
它使用计算机算法对输入的图像或视频流进行处理，从中提取出人脸的特征，然后与事先建立的人脸数据库进行比对，最终识别出人脸的身份信息。
动态人脸识别技术的应用场景非常广泛，比如安防监控、人脸支付、人脸解锁等领域都可以看到它的身影。
本文将介绍动态人脸识别的基本原理和常用算法，并结合实例进行详细分析。
一、动态人脸识别的基本原理动态人脸识别的基本原理是将输入的图像或视频流中的人脸部分进行检测和提取，然后对提取出的人脸特征进行比对，从而实现人脸的识别。
具体的流程包括以下几个步骤：1. 人脸检测: 首先需要对输入的图像或视频流进行人脸检测，找出其中的人脸部分。
这一步通常使用人脸检测算法来实现，比如常用的Haar特征分类器、人脸关键点检测等。
2. 人脸特征提取: 一旦检测到了人脸部分，接下来需要对人脸的特征进行提取。
常用的人脸特征包括面部轮廓、眼睛位置、鼻子位置、嘴巴位置等。
这里通常使用的是基于深度学习的人脸特征提取算法，比如卷积神经网络（CNN）等。
3. 人脸特征比对: 提取出人脸的特征之后，就可以将其与事先建立的人脸数据库进行比对了。
比对的方法可以采用欧氏距离、余弦相似度等，找出最相似的人脸进行识别。
4. 人脸识别输出: 根据比对的结果，就可以输出识别出的人脸的身份信息了。
如果在人脸数据库中找到了与输入相匹配的人脸，就可以输出其身份信息；如果没有找到匹配的人脸，则可以认为是未知人脸。
二、常用的动态人脸识别算法目前，动态人脸识别领域有许多成熟的算法和技术，在实际应用中被广泛采用。
下面将介绍一些常用的动态人脸识别算法。
1. 卷积神经网络（CNN）: CNN是一种深度学习算法，特别擅长于处理图像数据。
在动态人脸识别中，CNN可以用来进行人脸特征提取，提取出的特征向量可以作为输入进行比对，从而实现人脸识别的功能。
CNN在人脸识别领域表现出了较好的性能，因此得到了广泛的应用。
人脸识别系统技术设计方案
人脸识别系统技术设计方案1.1 智能人像比对平台该智能人脸识别系统建立了标准统一的共享人像库，并在此基础上部署了完整的人像比对判定平台。
该系统由人像标准化采集系统、人像数据库子系统、基础比对服务平台和人脸识别应用平台四大部分组成。
它支持前端人像采集、静态人脸查询和移动警务通人脸识别一体化服务。
该平台支持统一人像数据交换接口，兼容大多数人像数据交换标准。
它还有统一的安全标准接口，兼容PKI密钥和网络加密狗等常见的安全标准接口。
该系统采用B/S架构，以浏览器方式进行人像预处理、人像比对、结果查询、用户管理和系统运行状态查询等管理操作。
这样可以减少系统后台管理、人口治安及其他警种成百上千终端安装和维护难度，方便未来多警种共享应用。
此外，系统可提供标准的WebService接口，将业务系统获取的人像照片与相关人像库进行比对。
1.2 设计原则该系统本着统一标准、分级管理、资源共享、无缝对接的设计原则，以人像比对算法为核心，整合多区域现有资源，实现准确识别、快速反映，覆盖全面的智能人像识别应用平台。
该平台算法由XXX研究员、国际知名人脸识别专家、XXX院士XXX教授领衔研发，是基于中国自主知识产权，针对公安各警种业务特点专门研发的综合智能人像识别应用系统平台。
人像采集与比对平台具有统一的服务接口，兼容公安部拟指定的统一人像数据交换标准草案。
统一的安全验证，兼容PKI密钥，身份认证等常见的安全验证机制。
整个平台系统接口分为系统级别之间的接口与单个系统开放出来的服务接口组成。
系统可“随需而变，以不变应万变”提供多种可靠服务功能。
系统级接口是指连接不同地区部署的人像辅助识别平台之间的接口。
有两种访问方式：第一种是通过页面查询，使用Guest权限进行页面访问，适用于快速调阅查询不同平台之间的信息；第二种是通过请求服务和直接调阅的形式进行数据库查询，系统预留标准数据库查询接口，以市县二层结构进行数据库间的查询调用。
服务接口适用于该系统与其他业务应用系统做二次开发或者集成用接口。
基于人脸识别的身份认证系统设计与实现
基于人脸识别的身份认证系统设计与实现随着智能手机和其他智能设备的普及，人脸识别技术已成为一种广泛应用的生物识别技术。
基于人脸识别的身份认证系统可以实现快速、安全和方便的身份验证，广泛应用于各个领域，如金融、安全、门禁等。
本文将介绍一个基于人脸识别的身份认证系统的设计与实现。
一、系统设计1.系统架构基于人脸识别的身份认证系统通常由硬件设备、人脸识别算法、数据库和用户界面等组成。
硬件设备主要包括摄像头、处理器和存储设备，用于采集人脸图像并进行图像处理和识别；人脸识别算法负责人脸特征提取和匹配；数据库存储用户的人脸特征信息；用户界面提供用户交互界面，例如登录界面和管理界面。
2.系统流程系统的认证流程通常包括注册和识别两个步骤。
注册过程中，用户通过摄像头采集人脸图像，系统提取人脸特征并存储到数据库中；识别过程中，用户通过摄像头采集人脸图像，系统提取人脸特征并与数据库中存储的用户特征进行匹配，如果匹配成功则认证通过，否则认证失败。
3.系统功能二、系统实现1.硬件设备选择一款高清晰度的摄像头，用于采集用户的人脸图像；配备一台高性能的处理器和存储设备，用于处理图像和存储用户信息。
2.人脸识别算法选择一种高效准确的人脸识别算法，如基于深度学习的卷积神经网络。
该算法可以提取人脸的特征并进行匹配，实现高效的人脸识别。
3.数据库使用数据库存储用户的人脸特征信息，可以选择关系型数据库或者非关系型数据库，如MySQL、MongoDB等。
4.用户界面设计一个用户友好的界面，包括注册界面、登录界面和管理界面，用户可以通过界面进行注册、登录和管理操作。
5.系统集成将硬件设备、人脸识别算法、数据库和用户界面进行集成，实现系统的功能和流程。
用户可以通过系统进行人脸认证操作，确保安全和便捷。
三、系统优化1.提高人脸识别的准确性和速度，优化算法和模型参数，提升系统的性能。
2.加强系统的安全性，采用多模态认证技术，如指纹识别、声纹识别等，提高身份认证的可靠性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
３ 系统的实现
３． １ 人脸检测 系统无论 在 什 么 状 态 ， 都是以检测人脸为前 提， 也 就 是 说， 检 测 人 脸 是 系 统 计 算 的 前 提， 只有 检测到图像 上 的 人 脸 ， 系统才进行以后的人脸录 入和识别工作 ． ３． １． １ 差分 图 像 摄 像 头 捕 捉 到 的 图 像 是 动 态图像 ， 也就 是 每 秒 中 连 续 的 向 计 算 机 输 入 ｋ 帧 ） 本系统 ｋ＝３ 连续的图像记录着图像上物 图像 （ ０ ． 体的动态信 息 ． 这些信息可以使用图像间的减法
也只是它记录着人脸在摄像头前某一时刻的位置 如果人脸在摄 像 头 面 前 只 是 一 闪 而 过 ， 那么 信息 ， 就没有必要对它进 行 识 别 ． 所 以， 系统在唤醒人脸 识别或人脸录入模块之前 ， 先对当前连续多帧 （ 系 ） 统设置为 １ 图像进行比较 ， 如果在这些帧的图像 ０
第１ ０期
图 ２ 系统结构图 Ｆ ｉ ． ２ Ｓ ｓ ｔ ｅ ｍ ａ ｒ ｃ ｈ ｉ ｔ ｅ ｃ ｔ ｕ ｒ ｅ ｄ ｅ ｓ ｉ ｎ ｇ ｙ ｇ
由于物体的反光和 光 线 的 变 化 ， 在 二 值 化 处 理 后， 图像上有很 多 的 噪 音 点 ， 这些噪音点有的是孤立 分布 ， 有的是几个聚 集 在 一 起 ， 围成一个面积不大 它 们 共 同 的 特 点 就 是 面 积 小、 个 数 小． 为 的区 域 ， 此， 本系统 使 用 了 一 种 区 别 与 传 统 方 法 的 平 滑 方 法， 这种方法效果较好 ， 实现也很方便 ． 这种方法 的 步 骤 是 ： 从 左 到 右 逐 行 扫 描， 在每 一列中找到连续的红色象素点 ， 判断它们的高度 ， 高 ／ ） 度小于一定权直的 （ 系统取的是图像高度的１ 就 １ ０ 应为它是噪音点集合 ， 从图像上去除 ， 否则保留 ． 然 ） 后再从上到下 ， 使用 同 样 的 做 法 处 理 ． 图 ４（ 就是 ｂ 一幅图像经过这种方法平滑的后的结果 ．
图 １ 系统的模块图 Ｆ ｉ ． １ Ｓ ｓ ｔ ｅ ｍ ｍ ｏ ｄ ｕ ｌ ｅ ｓ ｄ ｅ ｓ ｉ ｎ ｇ ｙ ｇ
１ 模块结构设计
人脸识别 系 统 主 要 包 括 两 大 模 块 ： 人脸录入 人脸录入模块的功能是把 模块和人脸 识 别 模 块 ．
收稿日期 ： ２ ０ １ １ ０ ９ １ ９
６］ 运算来得到 ［ 在本系 统 中 ， 如果在系统开始运行 ．
的时候保存 一 张 背 景 图 像 ， 然后再用要预处理的 图像与背景 图 像 相 减 ， 就可以得到这幅图像的信 息． 这个过程如图 ３ 所示 ．
图 ３ 差分计算结果显示 Ｆ ｉ ． ３ Ｔ ｈ ｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｉ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ 像 ， 图 ３（ 是图像的 ａ ｂ） 差分图 像 ． 从 图 ３（ 中， 可 以 看 出， 人脸信息得到 ｂ） 很好的保存 ， 当然 ， 还不可以拿它直接去做存储或 它还要经过二值化 、 平滑 、 膨胀等算法环节 ． 识别 ， 平 滑、 垂直投影和确定边 ３． １． ２ 图 像 的 二 值 化 、 得到的差分图像２ 界 经过上面 的 计 算 ， ５ ６ 级， 它的红色颜色范 围 还 是 从 ０ 到 ２ 为 了 计 算， 必 ５ ５， 须给予二值化 ． （ ） 图４ 是 一 幅 差 分 图 像 二 值 化 的 结 果， 但是 ａ
这个系统 的 系 统 结 构 如 图 ２ 所 示 ． 图像输入 是系统启动 后 最 先 被 调 用 的 模 块 ． 因为这个系统 处理 的 原 图 像 是 基 于 Ｕ Ｓ Ｂ 口摄像头的动态图 — — 实时连续 的 多 帧 图 像 ， 像— 所以系统在图像输 这个线程的专职是检测 入部分使用 了 一 个 线 程 ， 如果检测到有 ， 首先把 Ｕ Ｓ Ｂ 口上是否有图像传来 ， 然后再唤起人脸检测函数对 图像显示在 界 面 上 ， 图像进行检 测 ． 当人脸检测函数检测到人脸并定 位出人脸在 图 像 上 的 坐 标 时 ， 就根据系统当时的 状态 ， 来 选 择 下 一 步 骤， 如果系统在人脸录入状 态， 就唤起 人 脸 录 入 函 数 ， 如 果 系 统 在 识 别 状 态， 唤起人脸识别函数 ． 在人脸录入函数被执行 时， 检 测到的人脸 从 图 像 中 被 分 割 出 来 ， 连同手工输入 当人 的身份信息 都 通 过 Ｏ Ｄ Ｂ Ｃ 保 存 到 数 据 库 中． 该函数就会通过特定的方 脸识别函数 被 启 动 时 ， 法对待识别 的 人 脸 进 行 特 征 提 取 ， 并与数据库中 人脸特征进行匹配 ， 找出匹配最好的一组， 并显示 在界面上 ． 特征提取 是 单 独 的 一 块 ， 它和别的部分 没有太大的 联 系 ， 它计算的数据是从数据库中提 计算的结果也保存在数据库中 ． 取，
０ 引 言
人脸识别 技 术 近 年 来 得 到 广 泛 关 注 ， 是属于 人体生物 认 证 技 术 的 一 种
［ １］
检测到的人脸图像 录 入 到 数 据 库 ， 在 录 入 的 同 时， 还要让系 统 管 理 员 手 工 的 输 入 人 脸 的 身 份 信 息 ， 如： 姓名 、 年 龄、 地 址 等， 在 识 别 过 程 中， 当这张人 脸被识别出来时 ， 这 些 信 息 就 会 显 示 出 来． 人脸识 别就是对待识别的人脸图像进行特征提取并进行 识别 ， 识别完毕后显 示 识 别 结 果 ． 本课题实现的系 统也包括了 这 两 个 模 块 ， 而且为了使系统更加具 有模块性 ， 操作起来 更 加 方 便 ， 在开发和设计系统 就把人脸识别模 块 分 解 成 两 个 模 块 ， 一个是特 时， 它主要做的就是对人脸图像进行特 征提取模块 ， 征提取 ， 并把这些新 特 征 值 保 存 到 数 据 库 中 ； 另一 个被分解出 来 的 模 块 是 也 叫 人 脸 识 别 模 块 ， 这个 模块主要是做狭义 的 人 脸 识 别 工 作 ， 即： 识别图像 中的人脸 ， 并显示人脸的身份信息 ． 如图 １ 所 示 ， 这个系统还包括图像输入模块 和人脸检测模块 ． ， 它是通过计算机技
［ ２］
分 析 （ Ｉ ｎ ｄ ｅ ｅ ｎ ｄ ｅ ｎ ｔ ｏ ｍ ｏ ｎ ｅ ｎ ｔ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ Ｃ Ｃ ｐ ｐ ［ ３］ 等 ． 这些传统的特征提取和识 Ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ， Ｉ Ｃ Ａ） ｇ 别方法具有识别准 确 率 高 、 性 能 稳 定 等 优 点， 但是 也有一些缺点 ， 诸如 容 易 受 到 光 照 强 弱 、 人脸姿态 和表情等因素影响识别准确率
术来识别信息 ， 为人 类 提 供 商 业 和 法 律 服 务 ． 当前 人脸 识 别 方 法 有 很 多 ， 如Ｆ ｉ ｓ ｈ ｅ ｒ线 性 判 别 （ Ｆ ｉ ｓ ｈ ｅ ｒ ， 主成分分析方法 Ｌ ｉ ｎ ｅ ａ ｒ Ｄ ｉ ｓ ｃ ｒ ｉ ｍ ｉ ｎ ａ ｎ ｔ Ｆ Ｌ Ｄ） 、 （ ， 、 独立成分 Ｐ ｒ ｉ ｎ ｃ ｉ ａ ｌ Ｃ ｏ ｍ ｏ ｎ ｅ ｎ ｔ Ａ ｎ ａ ｌ ｓ ｉ ｓ Ｐ Ｃ Ａ） ｐ ｐ ｙ
第３ ３ 卷第 １ ０期 ２ ０ １ １年１ ０月
武 汉 工 程 大 学 学 报 Ｊ ． ｈ ａ ｎ Ｉ ｎ ｓ ｔ ． ｅ ｃ ｈ． Ｗｕ Ｔ
Ｖ ｏ ｌ ． ３ ３ Ｎ ｏ ． １ ０ ０ １ １ Ｏ ｃ ｔ ． ２
（ ） 文章编号 ： １ ６ ７ ４ ２ ８ ６ ９ ２ ０ １ １ １ ０ ０ １ ０ ７ ０ ４
夏平平 ， 等： 动态人脸识别系统的设计与实现
１ ０ ９
图像经过 平 滑 后 ， 还要对图像的做一次垂直 垂直投影的 的 算 法 步 骤 也 比 较 简 单 ． 从左 的投影 ． 到右从上到 下 扫 描 每 一 列 ， 在每一列中找到第一 然后把这个找到的红色象素点以 个红色象素 点 ， ） 下的所有象素点 都 置 为 红 色 ． 图 ４（ 是就是一幅 ｃ 二 值 化、 平滑和垂直投影后得到 图像在经过差分 、 的图像结果 ． 当图像经 过 垂 直 投 影 后 ， 就可以很好的定位 出图 像 上 人 脸 的 区 域 ． 首 先， 以图像的列为横坐 以每列 中 的 红 色 象 素 点 的 个 数 为 纵 坐 标 作 一 标， 条曲线 ， 这条曲线的最大值对应着人脸的中心位 然后在 这 个 最 大 值 的 两 侧 找 到 斜 率 绝 对 值 最 置， 大的曲线点 ， 这两个曲线上的点的横坐标是要找 的人脸左右两侧 ， 人脸的左右边界坐标找到 了， 然 后再找人脸上下边 界 ， 再 以 图 像的 行为 纵坐 标， 以 每一行中红 色 象 素 点 的 个 数 为 横 坐 标 ， 作一条曲 （ ） 线， 这条曲线如图 ４ 所示 ． ｄ
图像输入模块就 是 对 捕 捉 图 像 的 外 设 作 实 时 数据检测 ， 当检测到 有 图 像 的 时 候 ， 就把检测到的 图像传入缓冲区 ， 并 通 知 人 脸 检 测 模 块， 让它对图 像进行人脸 检 测 ． 人脸检测模块就是对缓冲区中
） 基金项目 ： 江苏省教育厅高校科研成果产业化推进项目资助 （ ２ ０ １ １ ２ ８ － ） ， 作者简介 ： 夏平平 （ 男， 安徽马鞍山人 ， 高级工程师 ， 硕士 ． 研究方向 ： 计算机应用 ． １ ９ ７ ５
摄像 头 输 入 的 图 像 被 设 置 为 ３ 也就 ０ 帧／幅 ， ／ 是说 ， 从得到原始图像到识别出人脸要在１ ３ ０ｓ 中进行完毕 ， 这对于现在的计算机硬件资源和计 算速度来说 ， 是可以 的 ， 但是对日常生活来说是没 有必要的
［ ５］
， 因 为， 在 动 态 图 像 中， 有人脸的图像
１ ０ ８
武汉工程大学学报
第３ ３卷
的图像进行 人 脸 检 测 计 算 ， 来判断这幅图像中是 如果有人脸就定位出人脸在图像上区 否有人脸 ， 域的坐标 ．
中都有人脸 ， 而且人 脸 区 域 是 否 相 对 稳 定 的 ， 就启 否则 ， 同样什么也不做 ， 返回系统 ． 动后面的步骤 ，