基于人脸识别的早操管理系统word文档

基于人脸识别的早操管理系统刘伟卜卓然王锋甄玉山指导教师：宿翀目录1引言 (3)2系统介绍 (3)3 人脸识别方法、研究内容及人脸特征提取 (4)3.1 人脸识别方法 (4)3.2 人脸识别的研究内容 (5)3.3 人脸特征提取 (6)4 数据描述 (7)4.1 数据库平台 (7)4.2 数据库关系图 (8)5 系统功能 (9)5.1 考勤登记模块 (9)5.2 考勤管理模块 (11)6 系统实现 (13)7 系统规范与支持 (13)8 总结 (14)9 附录 (15)1引言早操管理是学校对学生日常管理的一个重要组成部分。

随着现在各种技术快速发展，使早操管理的方法多种多样，各种打卡机、考勤机已得到广泛应用。

现在我们学校用的是打卡机，每天早晨学生排很长的队伍依次打卡，这样不仅在打卡上浪费很多宝贵的时间，而且不能消除代替他人打卡、多次打卡等众多弊端，从而有失早操管理上的公平原则。

生物特征鉴别技术是利用人体特征进行身份认证的一种技术。

生物特征鉴别系统对生物特征进行提取，提取其唯一的特征并且转化成数字代码，并进一步将这些代码组成特征模板，人们同识别系统交互进行身份认证时，识别系统获取其特征并与数据中的模板进行对比，以确定是否匹配。

基于人体生物特征识别技术的个人身份鉴别系统，由于使用了人体本身所固有的生物特征，是与传统方法完全不同的崭新技术，具有更好的安全性可靠性和有效性，越来越受到人们的重视。

用于生物特征鉴别的生物特征有手形、指纹、脸形、虹膜和视网膜等，基于这些特征，人们已经发展了手形识别、指纹识别、面部识别、虹膜识别等多种生物识别技术。

与其他生物特征相比，基于人脸面部特征的识别是一种更直接更方便更友好更容易被人们接受的识别方法，它具有主动性非侵犯性和用户友好等许多优点。

基于人脸特征的识别就是对于输入的人脸图像或者视频，首先是进行人脸检测，即找出图像中存在的人脸，然后进一步识别每个人脸的位置大小和各主要面部器官的位置信息，并依据这些信息，进一步提取每个人脸中所蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每个人脸的身份。

下面本文就介绍一种基于人脸识别的早操管理系统。

2系统介绍本系统采用B/S1基于浏览器、服务器的体系结构，以校学生网络中心电脑的总数据库服务器为服务器。

以下是人脸识别系统与网络视频服务器集成系统的网络架构原理图：1B/S是Brower/Server的缩写，客户机上只要安装一个浏览器（Browser），如Netscape Navigator或Internet Explorer，服务器安装Oracle、Sybase、Informix或 SQL Server等数据库。

浏览器通过Web Server 同数据库进行数据交互。

B/S最大的优点就是可以在任何地方进行操作而不用安装任何专门的软件。

只要有一台能上网的电脑就能使用，客户端零维护。

系统的扩展非常容易，只要能上网，再由系统管理员分配一个用户名和密码，就可以使用了。

甚至可以在线申请，通过公司内部的安全认证（如CA证书）后，不需要人的参与，系统可以自动分配给用户一个账号进入系统。

图1 网络架构原理图由摄像头组捕获学生脸部图像，通过系统软件对捕捉到的图像进行人脸检测、特征提取，并对提取的人脸特征信息进行分析，用人工神经网络系统识别学生身份。

服务器主要用来存储学生档案资料，考勤“凭证”，以及WEB服务器（用于提供网页查询服务功能等）。

3人脸识别方法、研究内容及人脸特征提取3.1人脸识别方法人脸识别的方法很多，以下介绍一些主要的人脸识别方法。

（1）几何特征的人脸识别方法几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。

这些算法识别速度快，需要的内存小，但识别率较低。

（2）基于特征脸（PCA）的人脸识别方法特征脸方法是基于KL变换的人脸识别方法，KL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KL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，这就是特征脸方法的基本思想。

这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。

目前有一些改进型的特征脸方法。

（3）神经网络的人脸识别方法神经网络方法。

人工神经网络是由多个神经元按照一定的排列顺序构成的，是一个非线性的力学系统，其特色在于信息的分布式存储和并行协同处理。

虽然单个神经元的结构极其简单，功能有限，但由大量神经元所构成的网络系统却能够实现复杂丰富的功能。

神经网络系统除了具有集体运算的能力和自适应的学习能力外，还有很强的容错性和鲁棒性，善于联想、综合和推广。

严格地说，神经网络是一个具有下列性质的有向图:x<1>每个神经元有一个状态变量jw<2>神经元到神经元有一个连接权值系数ij<3>每个神经元有一个阈值j θ<4>每个神经元定义一个变换函数)](,,[j i w x f j ij j j ≠θ最常见的形式为：⎪⎭⎫ ⎝⎛-∑i j i ij x w f θ 神经网络模型各种各样，它们是从不同的角度对生物神经系统不同层次的描述和模拟。

有代表性的网络模型有感知器、多层映射BP 网络、RBF 网络、Ilopficld 模型等。

目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都是采用BP 网络及其变化形式，它也是前向网络的核心部分，是人工神经网络最精华的部分。

BP 网络主要用于函数逼近、模式识别、数据压缩等领域。

使用BP 神经网络作为模式分类器时，其节点数取决于数据源的维数，即特征空间的维数。

但是人们在进行模式采集时，总是尽可能的多采集测量数据的多个特征值，致使样本维数很大。

样本维数很大首先带来的问题是处理的困难，处理时间的消耗和费用都会很大，有时直接用于分类甚至是不可能的，即所谓“维数灾难”。

其次，在过多的数据量中，有的可能对刻画事物的本质贡献并不大，甚至可以说非常微小。

这就需要有一个样本空间到特征空间的转化，通过特征提取压缩样本的维数，在满足识别精度要求的前提下，尽可能的减少处理数据的冗余度，即尽量做到处理数据的各个特征之间不相关。

此时，输出层的节点数就是要分成的类别数，即模式空间的维数。

在用主成分分析法对人脸图像进行特征提取后，我们用这些特征向量和相应的教师信号来训练BP 网络。

如图2所示：图2 神经网络人脸分类器由于原始灰度图像数据量十分庞大，神经元数目通常很多，神经网络需要的训练时间很长。

3.2 人脸识别研究内容简单地说，人脸识别就是给定一个静止的或者静态图像，利用已有的人脸数据库来确认图像中的一个或者多个人。

它主要的研究内容包括以下5个方面：（1）人脸检测如何从各种不同的北京中检测出人脸的存在并确定其位置。

这一部分主要受到光照、噪声，头部倾斜度以及各种遮挡的影响。

（2）人脸表征确定表示检测出的人脸和数据库中已知人脸的描述方式。

通常的表示方法包括几何特征（如：欧式距离，曲率，角度等），代数特征（如矩阵特征矢量），固定特征模板，特征脸等。

(3) 人脸鉴别这一部分也就是通常所说的人脸识别，将待识别的人脸和数据库中的已知人脸相比较，得出相关信息。

这里虽重要的是选择合适的人脸表示方法和匹配策略。

(4) 表情分析对待识别的人脸的表情进行分析，并对其加以分类。

(5) 物理分析对待识别的人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息。

一个人脸自动识别系统包括三个主要技术环节，如图3所示：首先是人脸的检测与定位，即检测图像中有没有人脸。

若有，将其从背景中分割出来，并确定其在图像中的位置。

在某些场合，若拍摄图像的条件可以控制，比如规定同学站在特定的位置、正视摄像头2秒钟等，这时人脸的定位很简单。

但是在另一些情况下，人脸在图像中的位置是未知的。

如在一些复杂背景中拍摄的照片，这是人脸的检测与定位将受以下因素的影响：<1> 人脸在图像中的位置，旋转角度和尺度不固定；<2> 人脸塑性变化（如表情等）的不确定性；<3> 人脸模式的多样性（如头发、眼镜等）；<4> 图像获取过程中的不确定性（如光照的强度，光源的方向等）因此人脸的检测与定位也是人脸识别中的一个比较突出的问题。

问题的重点在于如何从简单或者复杂的背景中将单个人脸分割出来。

分割的方法有：使用人脸模板，基于皮肤颜色的分割方法和神经网络方法，基于人脸的对称特征的方法等。

其次是特征的提取。

一般在特征提取之前还要将图像归一化。

根据人脸定位的结果将图像中的人脸变化成同一大小和位置，并进行光照等补偿，以减小光照变化的影响。

特征提取方式主要是根据识别方法的不同而不同。

在基于几何特征的识别方法中，直接提取几何特征点，如眼角、嘴角、鼻尖等部位构成二维拓扑结构，然后构造特征矢量；而在传统识别方法中，特征脸方法是利用图像相关矩阵的特征矢量构造特征脸；模糊匹配方法则使用模板和图像灰度的自相关性形成特征矢量。

对于人脸识别来说，特征提取是个非常关键的部分。

最后是人脸识别。

识别的任务是选取合适的分类器，将待识别的图像与人脸数据库进行匹配。

识别的主要任务有两个：一是人脸的辨别，即确定输入图像为数据库中的哪个，是个一对多的匹配过程；另一个是人脸的验证，即验证某个人的身份是否属实，是一对一的匹配过程。

3.3人脸特征提取正面人脸特征的提取尽管人脸的形状各不相同，但都符合解剖学中的“三庭五眼”规则，将人脸分成五个子区：眉毛区域、左眼区域、右眼区域、鼻子区域、嘴巴区域。

根据人脸的统计规律，对人脸的五官区域进行划分，分别给出眉毛、眼睛、鼻子、嘴巴所在的窗，这些窗可以足够宽松以确保能够包含上述特征，然后在窗口内进行特征点的检测，如图4所示。

孔、两嘴角以及嘴角水平线上脸轮廓边界点，如图5所示。

偏转正面人脸特征的提取在实际过程中，摄像机采集到的正面人脸图像中的人脸不可能正好是垂直的，下面将考虑偏转的正面图像特征点的提取。

偏转的人脸又可分为人脸的左右偏转和平面偏转两种情况。

大量实验证明，尽管特征点在图像中位置有所改变，但定位出的特征点形成的特征矢量仍然没有改变，因此也将偏转的正面人脸分割成足够宽松的眉、眼、鼻和嘴窗口，分别对这些窗内的图像定位特征点，构成特征矢量图。

因此偏转的正面人脸以被本系统定位出特征点并构成特征矢量。

侧面人脸特征的提取利用侧面人脸信息进行识别的正确率比利用正面人脸信息来进行识别要低得多，因为侧面人脸特征不像正面人脸特征那麽多，但正是由于侧面人脸特征信息的简单性，而使对特征的提取和分析要简单方便得多，因此常常可以将侧面人脸特征作为正面人脸特征信息的补充。

因此本系统将侧面人脸特征信息同正面人脸特征信息结合起来进行识别，可以提高系统的识别率。