摘要
生物特征识别技术使用了人体本身所固有的生物特征，与传统的身份识别方法完全不同，具有更高的安全性、可靠性、和有效性，越来越受到人们的重视。人脸识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，已经成为计算机视觉、模式识别领域的研究热点。人脸识别在公共安全、证件验证、门禁系统、视频监视等领域中都有着广泛的应用前景。
本文是在人脸数据库的基础上做人脸特征提取和识别研究，主要内容如下：
（1）对人脸识别研究的内容、相关技术、主要实现方法及发展历程作了详细介绍。
（2）介绍主成分分析法(PCA)、K-L变换，并利用特征脸方法实现了人脸识别。
关键词: 人脸识别，特征脸，主成分分析
作者：张帆
指导老师：王震宇
Abstract
Biometics,because of using the proper living creature characteristic of human body,is the totally brand new technique different from traditional personal ideniification method and it has the better safety,dependable with the usefulness,and it was payed great attention.Face recongnition is an important component of biometrics and in all kinds of methods,it is also one of the most active and challenging tasks for computer vision and pattern recognition in recent 30 years.Face recognition has a wide range of potential app1ications in the areas of public security，identification of certificate，entrance control and video surveillanee.
This paper mainly studies the approaches to the features extraction and recognition in the face database.The main contents are as follows:
(1)Give a full introduce to the contents of face recongnition,related techonology,the main implement methods and its development history.
(2)Give a introduce to the Princeple Components Analysis(PCA),K-L translation,and realized it via eigenface method.
Key Words: Face Recongnition，Eigenface, Principle Component Analysis
目录
摘要 (Ⅰ)
ABSTRACT (Ⅱ)
前言 (1)
第1章人脸识别技术概述 (3)
1.1生物特征识别技术和人脸识别技术 (3)
1.2人脸识别技术股国内外发展概况 (4)
1.3现阶段人脸识别应用举例 (5)
1.4人脸识别的难点 (7)
第2章人脸识别的常用算法与分类绍 (8)
2.1人脸识别常用算法 (8)
2.2 分类器介绍 (10)
第3章基于pca的人脸识别系统的设计和实现 (12)
3.1人脸识别流程 (12)
3.2 kl变换和pca分析 (14)
3.2.1简介 (14)
3.2.2 K-L变换 (15)
3.2.3 pca分析 (16)
3.3 人脸识别pca方法的步骤和流程 (19)
3.3.1 pca方法人脸识别步骤 (19)
3.3.2 计算特征脸 (19)
3.3.3 使用特征连脸进行人脸识别 (21)
3.4 pca人脸识别系统的优缺点 (21)
第4章影响人脸识别的几个因素及常用人脸数据库介绍 (22)
4.1影响人脸识别的因素 (22)
4.2 常用人脸数据库介绍 (23)
第5章总结与展望 (25)
5.1总结 (25)
5.2展望 (25)
参考文献 (26)
附录 (27)
致谢 (30)
前言
在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个基本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。
于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。
人脸识别和其他的生物识别比起来有以下几个优点:1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。2、人脸识别可应用在远距离监控中。3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。
4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的
一种，以其特有的稳足性、方便性、唯一性等特点被愈来愈多地应用于除安全问题外的各种身份识别领域。
人脸识别技术可应用于以下方面：
1.在安全防范领域中的应用
社会上有许多重要的部门，如军事、金融、保密等部门都需要对出入人员进行身份识别，以防止信息泄漏和不法现象的发生。使用该技术可以方便地进行身份识别，而不使被识别者感到不舒服。
2.在犯罪刑侦领域中的应用
在刑侦工作中，对罪犯的抓捕是至关重要的一环。应用人脸识别技术可以依据犯罪嫌疑人的人脸图像对机场、车站、港口等重要交通场所进行监控，从而大大促进了罪犯抓捕工作的开展。
3.在公共事业领域中的应用
在现代社会，许多领域都需要对人进行身份验证。如银行、保险、交通等公共事业部门。采用传统的密码、IC卡等手段和技术对人进行身份验证具有安全性差、易遗失、易伪造等缺点。而采用人脸识别技术进行身份验证则能够很好地克服传统身份验证手段和技术的缺点。
第一章人脸识别概述
1.1生物特征识别技术和人脸识别技术
生物特征识别技术是通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。生理特征与生俱来多为先天性的;行为特征则是习惯使然，多是后天性的。我们将生理和行为特征统称为生物特征。常用的生物特征包括:指纹、掌纹、虹膜、视网膜、脸像、声音、笔迹等。
那么，生物特征识别技术是如何进行个人特征识别的呢?
生物鉴别的过程分成三个步骤:生物特征数据采样，生物特征提取和特征匹配。数据采样过程是通过各种传感器对生物特征进行原始数据采集的过程，生物特征提取过程则从传感器采集的数据中抽取出反映个体特性的信息(通常是某种数学上的编码过程)，匹配阶段则是计算生物特征之间的相似性并进行排序和一致性判断的过程。
生物特征识别技术主要有人脸识别、指纹识别、语音识别、虹膜识别等。生物识别技术在上个世纪己经有了一定的发展，其中指纹识别技术己经趋近成熟，但人脸识别技术的研究目前还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。人脸识别则可以用已有的照片或是摄像头远距离捕捉图像，无须特殊的采集设备，系统的成本低。并且自动人脸识别可以在当事人毫无察觉的情况下即完成身份确认识别工作，这对反恐怖活动等有非常重大的意义。由于人脸识别技术具有如此之多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。
所谓人脸识别，是指对输入的人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸的位置、大小和各个面部主要器官的位置信息，并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。其研究内容包括以下五个方面：
（1）人脸检测从不同的背景中检测是否存在人脸，并确定其位置、大小、形状、姿态等信息的过程。它关系到后续识别工作能否正确进行，并保障最终识别结果的可靠性。
（2）人脸表征确定表示检测出的人脸和数据库中的已知人脸的描述方式。通常的表示方式包括几何特征（如欧氏距离、曲率、角度等）、代数特征（如矩阵的特征矢量）和固定特征模板等。
（3）人脸鉴别即狭义的人脸识别，就是通常所指的将待识别的人脸与数据库中的
已知人脸进行比较，得出相关信息。这一过程的核心是选择适当的人脸表示方式和匹配策略，系统地构造与人脸的表征方式密切相关。
（4）表情/姿态分析即对待识别人脸的表情或姿态进行分析，并对其加以归类。
（5）生理分类对待识别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，或从几幅相关的图像中推导出希望得到的人脸图像，如从父母的脸推导出孩子的脸像等。
本论文中的人脸识别主要是指狭义的人脸识别，指将待识别的人脸与数据库中的已知人脸之间进行匹配的人脸鉴别。
人脸识别的目的是让计算机具有通过人脸的特征来鉴别身份的功能。基于人脸特征的身份识别主要设计到复杂场景中的人脸检测及识别技术，是一种依托于图像理解、模式识别及计算机视觉、统计学和人工智能等高技术的研究方向。
1.2人脸识别国内外发展概况
见诸文献的机器自动人脸识别研究开始于1966年PRI的Bledsoe的工作，1990年日本研制的人像识别机，可在1秒钟内中从3500人中识别到你要找的人。1993年，美国国防部高级研究项目署 (Advanced Research Projects Agency)和美国陆军研究实验室(Army Research Laboratory)成立了Feret(Face Recognition Technology) 项目组，建立了feret人脸数据库，用于评价人脸识别算法的性能。
美国陆军实验室也是利用vc++开发，通过软件实现的，并且FAR为49%。在美国的进行的公开测试中，FAR，为53%。美国国防部高级研究项目署，利用半自动和全自动算法。这种算法需要人工或自动指出图像中人的两眼的中心坐标，然后进行识别。在机场开展的测试中，系统发出的错误警报太多，国外的一些高校（卡内基梅隆大学（Carnegie Mellon University）为首，麻省理工大学（Massachusetts Institute of Technology ）等，英国的雷丁大学（University of Reading））和公司（Visionics公司Facelt人脸识别系统、Viiage的FaceFINDER身份验证系统、Lau Tech公司Hunter系统、德国的BioID系统等）的工程研究工作也主要放在公安、刑事方面，在考试验证系统的实现方面深入研究并不多。
人脸识别系统现在在大多数领域中起到举足轻重的作用，尤其是用在机关单位的安全和考勤、网络安全、银行、海关边检、物业管理、军队安全、智能身份证、智能门禁、司机驾照验证、计算机登录系统。我国在这方面也取得了较好的成就，国家863项目“面像检测与识别核心技术”通过成果鉴定并初步应用，就标志着我国在人脸识别这一当今热点科研领域掌握了一定的核心技术。北京科瑞奇技术开发股份有限公司在2002年开发了一种人脸鉴别系统，对人脸图像进行处理，消除了照相机的影响，再对图像进行特征
提取和识别。这对于人脸鉴别特别有价值，因为人脸鉴别通常使用正面照，要鉴别的人脸图像是不同时期拍摄的，使用的照相机不一样。系统可以接受时间间隔较长的照片，并能达到较高的识别率，在计算机中库藏2300人的正面照片，每人一张照片，使用相距1--7年、差别比较大的照片去查询，首选率可以达到50%，前20张输出照片中包含有与输入照片为同一人的照片的概率可达70% 。2005年1月18日，由清华大学电子系人脸识别课题组负责人苏光大教授主持承担的国家”十五”攻关项目《人脸识别系统》通过了由公安部主持的专家鉴定。鉴定委员会认为，该项技术处于国内领先水平和国际先进水平。
1.3现阶段人脸识别应用举例
数码相机人脸自动对焦和笑脸快门技术
首先是面部捕捉。它根据人的头部的部位进行判定，首先确定头部，然后判断眼睛和嘴巴等头部特征，通过特征库的比对，确认是人面部，完成面部捕捉。然后以人脸为焦点进行自动对焦，可以大大的提升拍出照片的清晰度。笑脸快门技术就是在人脸识别的基础上，完成了面部捕捉，然后开始判断嘴的上弯程度和眼的下弯程度，来判断是不是笑了。以上所有的捕捉和比较都是在对比特征库的情况下完成的，所以特征库是基础，里面有各种典型的面部和笑脸特征数据。
公安刑侦破案
通过查询目标人像数据寻找数据库中是否存在重点人口基本信息。例如在机场或车站安装系统以抓捕在逃案犯。
门禁系统
受安全保护的地区可以通过人脸识别辨识试图进入者的身份。人脸识别系统可用于企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸识别防盗门等
门禁系统
摄像防盗系统
可在机场、体育场、超级市场等公共场所对人群进行监视，例如在机场安装监视系统以防止恐怖分子登机。如银行的自动提款机，如果用户卡片和密码被盗，就会被他人冒取现金。如果同时应用人脸识别就会避免这种情况的发生。
信用卡网络支付
信用卡网络支付
利用人脸识别辅助信用卡网络支付，以防止非信用卡的拥有者使用信用卡等。
身份辨识
如电子护照及身份证。这或许是未来规模最大的应用。在国际民航组织已确定，从2010年4月1日起，其118个成员国家和地区，必须使用机读护照，人脸识别技术是首推识别模式，该规定已经成为国际标准。美国已经要求和它有出入免签证协议的国家在2006年10月26日之前必须使用结合了人脸指纹等生物特征的电子护照系统，到2006年底已经有50多个国家实现了这样的系统。今年年初，美国运输安全署（ Transportation Security Administration）计划在全美推广一项基于生物特征的国内通用旅行证件。欧洲很多国家也在计划或者正在实施类似的计划，用包含生物特征的证件对旅客进行识别和管理。中国的电子护照计划公安部一所正在加紧规划和实施。
信息安全
如计算机登录、电子政务和电子商务。在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者审批的授权都是靠密码来实现。如果密码被盗，就无法保证安全。如果使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一。从而大大增加电子商务和电子政务系统的可靠性。
1.4人脸识别的难点
人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广泛的应用意义。人脸识别技术是一个非常活跃的研究领域，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。如今，虽然在这方面的研究已取得了一些可喜的成果，但是FRT在实用应用中仍面临着很严峻的问题,因为人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦。如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。
目前人脸识别的难点主要存在于以下几个方面：
（1）光照变化是影响人脸识别性能的最关键因素，对该问题的解决程度关系着人脸识别实用化进程的成败，在人脸图像预处理或者归一化阶段，尽可能地补偿乃至消除其对识别性能的影响。
（2）成像角度及成像距离等因素的影响，即人脸的姿态的变化，会垂直于图像平面的两个方向的深度旋转，会造成面部信息的部分缺失。
（3）不同年龄的人脸有着较大的差别。身份证是以前照的，在逃犯的照片也是以前的，因此在公安部门的实际应用中，年龄问题是一个最突出的问题。
（4）采集图像的设备较多，主要有扫描仪、数码相机、摄像机等。由于成像的机理不同，形成了同类人脸图像的识别率较高，而不同类间人脸图像识别率较低的情况。随着人脸识别技术的发展，这一问题也将逐步得到解决。
（5）人脸图像的数据量巨大。目前由于计算量的考虑，人脸定位和识别算法研究大多使用尺寸很小的灰度图像。一张64*64像素的256级灰度图像就有4096个数据，每个数据有256种可能的取值。定位和识别算法一般都很复杂，在人脸库较大的情况下，计算量十分大，很多情况下速度令人难以忍受。而灰度数据事实上是丧失了色彩、运动等有用信息的。如果使用全部的有用信息，计算量就更大了。
第二章人脸识别的常用算法介绍
2.1人脸识别常用方法
人脸识别的方法主要有：基于几何特征的人脸识别方法、基于模板匹配的人脸识别方法、基于小波特征的人脸识别方法和基于模型的人脸识别方法。其中基于模型的人脸识别方法包括特征脸法(Eigneafec)、神经网络法(NN)、隐马尔可夫模型方法(HMM)等方法。
●基于面部几何特征的方法
这个方法在时间上来说是最早提出的人脸识别方法之一，其特征提取以人脸面部特征点的形状和几何关系为基础的。对于不同的人来说有着不同的人脸轮廓、大小、相对位置的分布也是不相同的，所以说用这种方法来进行人脸识别还是有一定依据的。这种方法的做法是，提取眉毛、眼睛、鼻子和嘴巴这几个特征点，计算出这几个特征点的大小，以及他们之间的几何距离，来进行人脸识别，几何距离一般包括特征点之间的距离、他们之间的夹角等。特征提取后选取最近邻分类器，相异度测试选用欧式距离。基于几何特征的人脸识别算法的优点是方法简单，计算速度快。但它识别人脸就靠几个特征点的大小和距离，以及特征点之间的夹角，这样的信息是远远不够的，对于一个稍微大一点的人脸库识别率不高，还有这种方法对于人脸表情变化时没有很好的鲁棒性。但是这种方法还是有一定潜力的，好比一个大型的人脸库，进行人脸比对前可以使用基于面部几何特征的方法对训练样本进行粗分类，这样可以大大降低人脸识别时间。
●基于模板匹配的方法
模板匹配方法也是模式识别中的一个比较传统的方法。把模板匹配方法用到人脸识别中要以Poggio和Bruneili所提出的基于局部特征的模板匹配算法为代表。他们首先利用积分投影的方法确定面部特征点，提取局部特征的模板，然后进行局部模板匹配，计算相关系数进行分类，Poggio和Brulleili比较了基于几何特征和基于模板匹配的人脸识别方法。他们的实验结果表明，在人脸尺度、光照、姿态稳定的情况下，基于模板匹配的人脸识别方法要优于基于几何特征的人脸识别方法。通过大量的实验表明，基于模板匹配的人脸识别方法对光照、旋转、人脸表情比较敏感，仅当这些因素比较稳定时，才能获得比较好的效果。这种方法的计算量要比基于面部几何特征的方法要大。
●基于小波特征的方法
小波变换是国际上公认的最新频率分析工具，由于其“自适应性‘，和“数学显微镜性质”而成为许多学科共同关注的焦点，在信号处理中起着至关重要的作用。目前小
波技术在验证的特征撮上用得较多。小波变换采用以高斯函数的二阶导数作为小波基的小波变换技术来进行拐点提取，然后以该方法为基础，进行不同图像之间拐点序列的匹配;最后再利用提敢的拐点来对图像进行分段和段一段对应处理。由于使用离散小波变换来分解图像的参数特征，特征提取用到自适应算法，匹配则选择动态规划方法，初步试验取得较好的效果。
●基于特征脸的方法
特征脸方法是从主成成分分析(PCA)导出的一种人脸识别和描述技术。它将包含人脸的图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因此又被称为特征脸。利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸组成的子空间上，并比较其在特征脸空间中的位置，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是选择各种距离函数来进行度量分类实现人脸识别。
●神经网络法
基于神经网络的人脸识别方法就是利用神经网络的学习能力和分类能力对人脸进行特征提取与识别。目前常用的人工神经网络方法是BP（Back-Propagation）神经网络、自组织神经网络、径向基函数神经网络。径向基函数神经网络与BP网络一样都是多层前向网络，它以径向基函数作为基准，以高斯函数作为隐含层的激励函数。这种网络的学习速率快、函数逼近、模式识别等能力均优于BP神经网络，并广泛应用于模式识别、图像处理等方面。但是这种网络比BP网络所用的神经元数目要多得多，使它的应用受到了一定的限制。
●隐马尔可夫模型方法(HMM)
HMM作为信号的一种统计模型，目前广泛应用于模式识别、图像处理的各个领域。HMM是一个由两种机理构成的随机过程:一个机理是内在的有限状态Markov链，体现为用具有限状态数的Markov链来模拟签名信号统计特征变化的隐含的随机过程，另一个是一系列随机函数所组成的集合，体现为与Markov链的每一个状态相关联的观测序列的随机过程。设有观察序列Q=Q1Q2…Qn和状态集=S{s1，s2,…sn}，一个有n个状态的隐马尔可夫模型λ可以表示(π，A，B)，其中π为初始状态概率矢量;A={aij}为状态转移概率矩阵，其中aij=P{qt+1=Sj|qt=St}，1<=i，j<=N;B={bj}Qt)}为观察符号概率分布，若B有M个观察值{v1，v2…mv}，则bj(Qt)=P{qt=vk|qt=sj，1<=j<=N，l<=k<=M}。
HMM的使用涉及到训练和分类两个阶段，训练阶段包括指定一个HMM的隐藏状态数，并且优化相应的状态转换和输出概率以便于产生的输出符号与在特定的运动类别之内所观察到的图像相匹配。匹配阶段涉及到一个特定的HMM可能产生相应于所观察图像特征的测试符号序列的概率计算。利用H顾进行验证同样由两个阶段组成，即利用训练样
本估计MHM模型参数和利用HMM评价测试。这两个过程目前都有成熟的算法，HMM参数的估计可用Baum-welch参数估计算法或Segmental K-means算法;对测试样本的评价，可以用Forward-Backward迭代算法估计签名满足模型的概率，或用viterbi最优状态搜索算法计算过程经过的最优状态。因此，利用HMM模型的关键在于HMM类型的选择和一些参数的选择以及阀值的估计[4]。
2.2分类器
在人脸识别过程中，通过提取特征模块，得到表示人脸图像的特征向量，此时需要利用分类器根据提取的特征向量进行分类处理，以确定当前人脸的身份。在这个过程中，分类器起着决策机制的作用，对最终的判别非常关键，分类器性能的优劣也将直接关系到人脸识别结果的好坏。常用的分类器有以下几种：
●最小距离分类器(NC)
最小距离分类器相似度量是以检测样本到类中心的距离大小为判据。
●最近邻分类器（NN）
最近邻法是将所有训练样本都作为代表点，因此在分类时需要计算待识别样本x到所有训练样本的距离，与x最近的训练样本所属于的类别即为待识别样本x所属类别。假定有C个类别ω1、ω、ωn的模式识别问题，每类有标明类别的样本Ni个，i=1，2，…，C，我们可以规定以类的判别函数为：
，k=1,2,…,N
i
.
●三阶近邻法
三阶近邻法是计算像素的差值的绝对值。距离公式可表示为：
L(x,y)=lx
i -y
i
l (2.2.3)
由式(2.2.3)计算所得出的具有最小值的图像并不一定属于同—类别。三阶近邻法计算出与测试图像距离最小的三幅图像，计算这三幅图像所属的类分别计为classl，class2，class3，若classl和class2且class2和class3不属于同一类，则测试图像属于classl；若classl和class2相同，则测试图像属于classl，而class2与测试图像也是相似的；若class2和class3属于同一类，则测试图像属于class2，而class3与测试图像也是相似的，但classl虽然与测试图像距离最近却不属于同一类，可能是
由测试图像的姿态和饰物引起的。
●贝叶斯分类器
如果知道各类的先验分布和条件分布，就可以采用最大后验估计(MAP)的方法进行分类。在人脸识别中，有时假定人脸服从高斯分布，能够得到不错的结果。
●支撑向量机(SVM)
在小样本情况下，降低了训练集的错分风险，又降低了未知人脸(如检测集)的错分风险。在人脸识别中已逐渐得到应用。
●神经网络分类器(NNC)
采用神经网络作为分类器是很自然的。一般一个3层网络对应模式识别中图像输入、特征提取、分类3部分。通常的NNC有多层感知机(MLP)模型、BP网络、径向基函数网络等。SVM也借鉴了神经网络的思想。
第三章人脸识别系统的设计及实现
3.1人脸识别流程
完成人脸识别的工作需要一系列的步骤，它们结合起来构成一个完整的流程。由于研究人员来自不同的学科、具有不同的背脊，而且不同的人脸识别应用中对识别的目标也不同，所以人脸识别的流程并不统一一个比较通用的人脸识别流程如下图所示：其主要步骤包括：人脸检测/跟踪（face detection/tracking）,特征提取（face extraction）,特征降维（face dimensionality reduction）,匹配识别（matching and classification）.它们之间基本上是串行的关系。
（1）人脸检测/跟踪。人脸检测是完成人脸识别工作的自动系统的第一个步骤。该步骤的目的是在输入的图像中寻找人脸区域。具体来说：给定意一幅任图像，人脸检测的目的是确定是否图像州有人脸存在，如果存在，给出每个人脸的具体位置和范围。实际应用中人脸图像的采集或获取常在非受控的条件下进行，这样所得到的图像中的人脸在尺寸、朝向、明暗、遮挡、分辨率等方面都有很多不同，使同一的人脸出现各种变形，并有可能导致各种误识、漏识等失败的情况。为校正人脸在尺度、光照和旋转等方面的变化，常需采用一些包括几何归一化（空间尺度归一化）和光照归一化（灰度幅值归一化）等手段来调整不同的人脸图像，以利于用统一算法进行识别。
（2）特征提取。为区分不同的人脸，需提取各种人脸的独特性质。也就是要从人脸图像中映射提取一组反映人脸特征的数值表示样本。这里首先需要采取某种表示方式来表示检测出的人脸和数据库中的已知人脸。通常的表示法包括几何特征（如欧氏距离、曲率、角度）、代数特征（如矩阵或特征向量）、固定特征模板、特征脸等。
（3）特征降维。人脸是一个非刚性的自然物体（柔性体），从人脸图像中可提取很多不同特征，所以表征人脸的原始特征对应高维空间中的数据（对一幅M*N的图像，空间维数可达M*N）。直接利用这样高维的数据进行识别除需要很多的匹配计算量外，由于很难对各高维数据的描述能力做有效的判断，故还不能保证基于这么多数据进行的识别结果的正确性。在特征提取后，需采用紧凑的人脸表征方式，将原始特征进行筛选组合，集中信息，降低维数，使这些低维空间的有效性的到提高，以有利于接下来的匹配分类。
（4）匹配识别。在特征提取的基础上，选择使当的匹配策略，可将待识别的人脸与数据库中的已知人脸进行匹配比较，建立它们的相关关系，并输出所作出的判断决策/决定（识别结果）。与人脸检测不同，这里利用的主要是人脸个体差异的信息。有两种识别目的和情况需要区别：一种是对人脸图像的验证（verification）,即要确认输
入人脸图像中的人是否在数据库中，属于有监督的识别；另一种是对人脸图像的辨识（identification），即要确认输入图像中的人的身份，属于无监督的识别。
3.2 kL变换和PCA人脸识别方法
3.2.1简介
我们希望将图像原特征做某种正交变换，获得的数据都是原数据的线性组合，从新数据中选出少数几个，使其尽可能多地反映各类模式之间的差异，又尽可能相互独立，一个常用的方法就是主成分分析(PCA)。KL(Karhunen-Loeve)变换或主分量分析(Principal Component Analysis，PCA)，这是一种特殊的正交变换，它是重建均方误差最小意义下的最佳变换，起到减少相关性，突出差异性的效果，在图像编码上能去除冗余信息，也常用于一维和二维信号的数据压缩;这种变换采用主要特征对应的特征向量构成变换矩阵，保留原模式样本中方差最大的数据分量，在对高维图像编码时起到了降维作用。由于KL变换和PCA去相关性和降维作用，Mathew A.Turk和P.Pentland首先将主成分分析运用到人脸识别中来。通过K_L变换得到高维人脸空间的投影矩阵，人脸图像都可以由这些矩阵的线性组合来表示，正是因为这些矩阵呈现人脸的形状，所以将这种人脸识别称为特征脸(Eigenface)方法。
对给定的信号x(n)，如果它的各个分量之间完全不相关，那么表示该数据中没有冗余;若x(n)中有相关成分，通过去除其相关性则可达到数据压缩的目的。主成分分析方法(PCA)基本思想是提取出空间原始数据中的主要特征(主元)，减少数据冗余，使得数据在一个低维的特征空间被处理，同时保持原始数据的绝大部分的有用信息，从而解决数据空间维数过高的瓶颈问题。
一个宽平稳的实随机向量x(n)=[[x(0)，x(1)，…，x(N-1)]T，其协方差矩阵C
x
定义为：
C x =E{(x-μ
x
) (x-μ
x
)T}=
式中E{·}代表求均值运算，μ=E{x}是信号x的均值向量，C
x
的元素
C x （i，j）=E{x(i)-μ
x
}( x(j)-μ
x
)]=C
x
(j,i)
即协方差阵是实对称的。显然，矩阵C
x
体现了信号向量x的各分量之间的相关性。
若x的各分量互不相关，那么C
x
中除对角线以外的元素皆为零。
KL变换的思路是寻求正交矩阵A，使得A对x的变换y的协方差阵C
x
为对角矩阵，其步骤如下:
先由λ的N阶多项式|λI-C
x |=0,求矩阵C
x
的特征值λ
，λ
1
，…λ
N-1
，以及N个特0,00,1
1,01,1
N
N N N
C C
C C
-
---
??
?
?
?
??
征向量A
0，A
1
，…A
N-1
。然后将A
，A
1
，…A
N-1
归一化，即令 i ,A j >=1，i=0,1，2…，N-1。 由归一化的向量成A 0，A 1 ，…A N-1 就构成归一化正交矩阵A，即 A=[ A 0，A 1 ，…A N-1 ]T 最后由y-Ax实现对信号x的KL变换。显然，矩阵A各向量之间相互独立，体现了 去相关性，在图像编码中去除了冗余。 3.2.2 KL变换原理 假设X为n维的随机变量，X可以用n个基向量的加权和来表示: (3.2.2.1) 式中:a i 为加权系数，Ф i 为基向量，此式也可以用矩阵的形式表示: X=(φ 1φ 2 …φ n )(a 1 a 2 …a n )T (3.2.2.2) 其中Ф=(φ 1φ 2 …φ n ), α=(a 1 a 2 …a n )T 我们取基向量为正交向量，Ф由正交向量构成，所以Ф是正交矩阵，即ФTФ=I 将公式(4.2.1.1)两边左乘ФT,并考虑到Ф为正交矩阵，得α=ФT X即:α i =ФT i X。 我们希望向量α的各个向量间互不相关。那么如何保证α的各个分量互不相关呢?这取决于选取什么样的正交向量集。设随即向量的总体自相关矩阵为: R=E[X T X] (3.2.2.3) 将公式(4.2.1.1)代入上式(4.2.1.3)，得 R=E[X T X]=E[ФααTФT]= ФE[ααT]ФT (3.2.2.4) 写成矩阵的形式 则：R=Ф△ФT (3.2.2.5) 将上式两边右乘上Ф，得: RФ=Ф△ФTФ (3.2.2.6) 因为Ф是正交矩阵，所以得: RФ=Ф△ (3.2.2.7) RФ j =Ф j △ j (j=1,2,3,…n) (3.2.2.8) 1 n i i X a = =∑ 1 n λ λ ?? ?=Λ ? ? ?? 可以看出，λi 是x 的自相关矩阵R 的特征值，。Фj 是对应特征向量。因为R 是实对 称矩阵，其不同本征值对应的特征向量应正交。 综上所述，KL 展开式的系数可用下列步骤求出: 步骤一:求随即向量x 的自相关矩阵R=E[X T X]，由于没有类别信息的样本集的均值向量，常常没有意义，所以也可以把数据的协方差矩阵作为KL 坐标系的产生矩阵，这里召是总体均值向量。 步骤二:求出自相关矩阵或协方差矩阵R 的本征值λj 和本征向量Фj 。其中j=1，2… n 。同时本征向量组成的矩阵为Фj 。j=1，2…n 。 步骤三:展开式系数即为α=ФT X 。 K-L 变换的实质是建立了一个新的坐标系，将一个物体主轴沿特征矢量对齐的旋转变换，这个变换解除了原有数据向量的各个分量之间相关性，从而有可能去掉那些带有较少信息的坐标系以达到降低特征空间维数的目的。 3.2.3主成分分析法 （PCA ） 主成分分析法(PCA)在人脸识别领域成功应用的一个重要理论基础是较好的解决了K.L 变换后协方差矩阵的特征向量的求解问题。人脸识别是一个典型的高维小样本问题，即人脸图像向量的维数一般较高，比如，实验用的ORL 人脸库的图像大小为112x92的人脸图像，其对应的图像向量特征空间高达10304维，在如此高维的图像空间内，按照通常的算法，计算样本的协方差矩阵的特征向量是异常耗时的。同时，在人脸识别问题中，由于客观条件的限制，训练样本的数目一般较小，通常，训练样本的总数远远小于人脸图像向量的维数。针对高维小样本的情况，求解特征向量所采取算法的基本思想是，将高维的问题转化为低维的问题加以解决。 主成分分析法(PCA)是模式识别判别分析中最常用的一种线性映射方法，该方法是根据样本点在多维模式空间的位置分布，以样本点在空间中变化最大方向，即方差最大的方向，作为判别矢量来实现数据的特征提取与数据压缩。主成分分析法的原理如下: 已知n 维空间的随机向量用φ(φ∈R n )表示，利用公式将φ进行零均值处理，x=φ-E(φ)，则E(x)=0。如果对x 用一组完备正交基μj ，j 二1，2，…n 展开，可得 (3.2.3.1) 1 k i j i x a u ==∑ 嵌入式课程设计报告 学院信息电子技术 专业通信工程 班级 学号 姓名 指导教师 2017年07月01日 基于ARM9的人脸识别系统 一、引言 人脸识别背景和意义 人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。 人脸识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。 二、系统设计 1、硬件电路设计 （1）ARM9处理器 本系统所采用的硬件平台是天嵌公司的TQ2440开发板，该开发板的微处理器采用基于ARM920T内核的S3C2440芯片。 ARM9对比ARM7的优势：虽然ARM7和ARM9内核架构相同，但ARM7处理器采用3级流水线的冯·诺伊曼结构，而ARM9采用5级流水线的哈佛结构。增加的流水线设计提高了时钟频率和并行处理能力。5级流水线能够将每一个指令处理分配到5个时钟周期内，在每一个时钟周期内同时有5个指令在执行。在常用的芯片生产工艺下，ARM7一般运行在100MHz左右，而ARM9则至少在200MHz 以上。指令周期的改进对于处理器性能的提高有很大的帮助。性能提高的幅度依赖于代码执行时指令的重叠，这实际上是程序本身的问题。对于采用最高级的语言，一般来说，性能的提高在30%左右。ARM7一般没有MMU(内存管理单元），（ARM720T有MMU）。 （2）液晶显示屏 为显示摄像头当前采集图像的预览，系统采用三星的320x240像素的液晶屏，大小为206.68cm。该液晶显示屏的每个像素深度为2bit，采用RGB565色彩空间。 （3）摄像头 摄像头采用市场上常见的网眼2000摄像头,内部是含CMOS传感器的OV511+芯片。CMOS传感器采用感光元件作为影像捕获的基本手段,核心是1个感光二极 机器学习概述课程设计报告题目：MATLAB人脸识别系统 姓名：** 学号：** 专业：** 时间：2015/8/7 目录 一、课程设计的目的............................................................................... 二、设计的内容与要求........................................................................... 三、详细设计........................................................................................... 四、课程设计的总结............................................................................... 五、参考文献........................................................................................... 一.课程设计的目的 人脸识别作为一项新兴的科学研究项目，有着广泛的应用前景，而且随着计算机技术的更新发展，它的科学研究价值也越发凸显。经过几十年的研发探讨，世界各大研究结构的研发人员的不断努力下，人脸识别技术一已取得丰硕的成果，可在一定限制条件下完成人脸的自动识别。这些成果的取得更促进了人们对人脸识别这一课题的深入研究。 在电子商务飞速发展的今天，人脸识别系统的范畴一不足以涵括人脸识别的应用范围，在数字图像处理、视频领域、基于内容的检索等方面有着重要的应用价值。。 二．设计的内容及要求 1、选择KNN,聚类或SVM方法中的一种或其他机器学习方法的一种进行课程设计 2、要求能完成具体的识别任务：如图像分割、语音识别、人脸识别 3、要求识别的对象中有自己生活元素，比如图像中包括学校的图片或语音时本人的语音等。三．详细设计 YCbCr空间——>灰度图像转换——>噪声消除——>图像填孔——>图像重构——>人脸区域确定——>边缘检测 （原图-涉及个人隐私，未呈现原图） 企业型 人脸识别考勤系统说明书 目录 1. 产品说明 1.1产品概述 企业型E5考勤机系列，专门针对企业级用户的考勤应用而设计，将最新FaceImage+V4.0人脸识别算法配合强大的DSP处理器，实现脱机使用，系统长期工作稳定。同时，通过专利设计的“多光源人脸识别”技术与高性能DSP 处理器的完美结合，分析人脸特征作为身份识别的依据，提供准确的人员通行权限/考勤记录。 新企业型E5考勤机系列，使用3.5寸全触摸大屏幕，更佳感官体验，不带机械键盘，结构精致，配合人性化的GUI 界面、语音提示操作及WEB管理软件，操作简便，符合企事业单位用户的使用习惯。采用主动式辅助光源技术，光线适应能力强，24小时全天候工作，是首款“真正意义上的在室外环境下”工作的人脸识别考勤机。该产品还具备智能自学习、USB数据导入导出、网络远程管理等众多功能，配备飞瑞斯新考勤软件，支持多种识别模式，广泛适用于企业、事业单位等需要考勤管理的场所。 1.2产品型号 支持选配： ?ID/IC韦根读卡模块集成（内置读卡模块） ?网络用户数据同步（联网版） ?远程视频监控（视频监控平台） 1.3功能特色 ?最新人脸识别算法 ?采取独特的FaceImage+V4.0最新人脸识别算法，结合“多光源人脸识别”先进技术和高性能DSP处理器，识别精度更高，识别速度更快 ?真正适应室外环境 ?全球首款真正意义上能在室外工作的人脸识别产品，具备优秀的光线适应能力；同时，不受种族肤色及性别的影响，不受面部表情，胡须和发型等变化的影响 ?24小时不间断工作 ?采用完全对人体无伤害的不可见辅助光源技术，白天黑夜都能良好识别，24小时不间断工作 ?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，支持本地操作及提供实时显示功能，并有声音提示 ?人脸识别模式，不可替代性 基于人脸唯一性特征，无法被替代及复制 ?多种识别模式可选 可根据用户需求灵活设置：单人脸识别；单刷卡识别，ID/IC卡+人脸识别等多种识别模式?智能自学习功能 ?自动校对时间，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，保证数据库的模板始终为用户最近信息资料，从而始终正确识别人脸 ?海量存储，U盘备份 ?SD卡本地数据存储，存储容量可根据要求扩充，支持USB存储设备数据导入/导出数据 1.4硬件组成配件 前言 在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中经常遇到的一个基本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带来重大的甚至难以弥补的损失。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。 于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。 人脸识别和其他的生物识别比起来有以下几个优点:1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。2、人脸识别可应用在远距离监控中。3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。 4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的 菲米尔人脸识别设备说明书 目录 第一部分使用概述 (1) 第一章前言 (1) 第二章安装说明 (2) 安装与连接 (2) 使用环境需求 (5) 使用流程 (6) 开机 (6) 第二部分管理员配置与操作 (8) 第一章配置管理员 (8) 进入管理员模块 (8) 配置管理员 (9) 管理员 (9) 人脸登记 (9) 登记完成 (9) 修改或删除管理员 (9) 编辑管理员 (10) 第二章管理员功能菜单 (11) 验证管理员 (11) 打开功能菜单 (11) 第三章管理员功能操作 (12) 用户管理 (12) 用户管理模块 (12) 用户登记参数 (12) 用户管理的操作 (13) 记录管理 (17) 记录管理模块 (17) 查询方式 (17) 清空记录 (17) U盘管理 (18) U盘的功能操作 (19) 系统设置 (21) 系统设置模块 (21) 系统设置 (21) 系统信息 (26) 系统信息界面 (26) 系统信息 (26) 第三部分普通用户使用 (27) 人脸识别 (27) 识别成功 (28) 刷卡人脸比对 (29) 工号人脸比对 (30) 附录 (31) 技术规格 (31) 注意事项 (32) 注意：使用的图片仅为参考，实际显示内容根据设备型号和使用状况，可能有所不同;说明中所列部分功能为选配功能，如刷卡、韦根等，请 以拿到的实物作为参考。本手册内容若有变更，恕不另行通知。 对于PC操作系统，建议使用XP专业版或WIN732位系统；OFFIC E版本建议使用2007如需要兼容2003，建议安装2003兼容包。 第一部分使用概述 第一章前言 人脸识别设备，以“人脸的唯一性”和为用户提供快捷，有效的用户管理服务为理念而设计，采用最新Face Image+ V4.0人脸识别技术，实现脱机使用，系统长期工作稳定。同时，通过专利设计的“多光源人脸识别”技术与低功耗处理器的完美结合，分析人脸特征作为身份识别的依据，提供准确的人员校验记录。 这款设备，使用3.5寸大屏幕触摸，更佳感官体验，不带机械键盘，结构精致，配合人性化的GUI界面、语音提示操作及WEB管理软件，操作简便，符合企事业单位用户的使用习惯。采用主动式辅助光源技术，光线适应能力强，24小时全天候工作，是首款“真正意义上的在室外环境下”工作的人脸识别设备。该产品还具备智能自学习、USB数据导入导出、网络远程管理等众多功能，支持多种识别模式，每个用户可单独选择识别模式，设置识别成功个人提示信息。 用Matlab实现人脸识别 学院：信息工程学院 班级：计科软件普131 成员： 一、问题描述 在一个人脸库中，有15 个人，每人有11 幅图像。要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。再任取图像库的一张图片，识别它的身份。 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。 二、PCA 原理和人脸识别方法 1）K-L 变换 K-L 变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，对原始数据进行正交变换，在变换域上实现数据压缩。它具有去相关性、能量集中等特性，属于均方误差测度下，失真最小的一种变换，是最能去除原始数据之间相关性的一种变换。PCA 则是选取协方差矩阵前k 个最大的特征值的特征向量构成K-L 变换矩阵。 2）主成分的数目的选取 保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。 3）人脸空间建立 假设一幅人脸图像包含N 个像素点，它可以用一个N 维向量Γ表示。这样，训练样本库就可以用Γi（i=1，...，M）表示。协方差矩阵C 的正交特征向量就是组成人脸空间的基向量，即特征脸。将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。这样每一幅人脸图像都可以投影到由u1,u2,...,ur张成的子空间中。因此，每一幅人脸图像对应于子空间中的一点。同样，子空间的任意一点也对 人脸识别系统软件安装与使用说明书 收到产品先检验产品是否损坏，如下图，接电源线和网线测试，显示屏出现画面和左上角出现IP地址即是正常，下面就是软件的安装和使用的操作。 一、先安装人脸识别软件，解压压缩包，双击下面的文件 点击安装，一直点击下一步和确认直到安装成功。 安装好后电脑桌面上出现这个图标。 双击打开，登陆进去，用户名admin,密码为admin。 PS：第一次登陆测试连接数据库，不用修改设置，点击测试连接就可以了 二、软件安装完毕后，登录后先连接设备，如下图 设备号、设备名称、设备类型、终端SN、IP地址、端口号、通讯密码为必填项，如输入错误，将影响系统与设备的交互。其中设备号必须为数字，设备名称可任意取 一个名称，设备类型选择DARL-SB-SF离线版，型号、端口号默认即可，通讯密码默 认为12345678，如果你更改了设备上的密码，则这里必须与设备上保存一致，否则 无法通讯。 点击【设备管理】---【添加】输入终端SN和IP地址 如下图，在设备的左上角的终端SN和IP地址 进入设备管理，点击【参数设置】 在网络参数不用修改通讯密码和网络参数，点击设置密码； 再点击网络参数的设置。 在回调参数设置更改设置，将圈中的IP改为电脑的IP地址。 三、添加人员信息 1.【人员管理】模块是对人员信息、人脸信息、卡信息等资料的管理，包括部门定义，添加、编辑、删除人员，人员离职，人员调动，人脸录入，IC卡登记等相关操作。 2.如下图1是管理部门，2是管理人员信息 3.点击【添加】，编辑增加员工 3.1绑定卡号（可以设置通行权限和有效期） 数字图像处理课程设计 人脸检测与识别课程设计一、简介人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技 术，根据数据库的人脸图像，分析提取出有效的识别信息，用来 “辨认”身份的技术。人脸识别是模式识别研究的一个热点, 它 在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广 泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主 元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成 一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同 时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态 具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设 计具有良好分类能力和鲁棒性的分类器. 支持向量机(SVM ) 模 式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及 高维模式识别问题中表现出许多特有的优势。 本此课程设计基于MATLAB，将检测与识别分开进行。其中检测 部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别 部分采用PCA算法对检测出的人脸图像进行特征提取, 再利用最 邻近距离分类法对特征向量进行分类识别，将在后文具体表述。仿真结果验证了本算法是有效的。 二、人脸检测源码 1.img=imread('D:\std_test_images\face3.jpg'); figure; imshow(img); R=img(:,:,1); G=img(:,:,2); B=img(:,:,3); faceRgn1=(R>95)&(G>40)&(B>20)&max(img,[],3)-min(img,[],3)>15& abs(R-G)>15&R>B; figure; imshow(faceRgn1); r=double(R)./double(sum(img,3)); g=double(G)./double(sum(img,3)); Y=0.3*R+0.59*G+0.11*B; faceRgn2=(r>0.333)&(r<0.664)&(g>0.246)&(g<0.398)&(r>g)& g>=0.5-0.5*r; figure; imshow(faceRgn2); Q=faceRgn1.*faceRgn2; 人脸识别管理系统说明书 目录 第一部分使用概述 (1) 第一章前言 (1) 第二章安装说明 (2) 安装与连接 (2) 使用环境需求 (5) 使用流程 (6) 开机 (6) 第二部分管理员配置与操作 (8) 第一章配置管理员 (8) 进入管理员模块 (8) 配置管理员 (9) 修改或删除管理员 (9) 第二章管理员功能菜单 (11) 验证管理员 (11) 打开功能菜单 (11) 第三章管理员功能操作 (12) 用户管理 (12) 记录管理 (17) U盘管理 (18) 系统设置 (21) 系统信息 (26) 第三部分普通用户使用 (27) 人脸识别 (27) 识别成功 (28) 刷卡人脸比对 (29) 工号人脸比对 (30) 第四部分IE管理界面 (31) 第一章前期准备 (31) 网络配置 (31) 登陆系统 (32) 第二章功能介绍 (33) 首页 (33) 系统设置 (34) 网络设置 (35) 用户管理 (36) 考勤设置 (38) 假期设置 (39) 识别记录 (40) 考勤报表 (41) 附录 (42) 技术规格 (42) 注意事项 (43) 注意：使用的图片仅为参考，实际显示内容根据设备型号和使用状况，可能有所不同;说明中所列部分功能为选配功能，如刷卡、韦根等，请 以拿到的实物作为参考。本手册内容若有变更，恕不另行通知。 对于PC操作系统，建议使用XP专业版或WIN732位系统；OFFICE版 本建议使用2007如需要兼容2003，建议安装2003兼容包。 第一部分使用概述 第一章前言 人脸识别考勤/门禁机，以“人脸的唯一性”和为用户提供快捷，有效的考勤管理服务为理念而设计，采用最新Face Image+ V4.0人脸识别技术，实现脱机使用，系统长期工作稳定。同时，通过专利设计的“多光源人脸识别”技术与低功耗处理器的完美结合，分析人脸特征作为身份识别的依据，提供准确的人员通行权限/考勤记录。 这款考勤/门禁机，使用3.5寸大屏幕触摸，更佳感官体验，不带机械键盘，结构精致，配合人性化的GUI界面、语音提示操作及WEB 管理软件，操作简便，符合企事业单位用户的使用习惯。采用主动式辅助光源技术，光线适应能力强，24小时全天候工作，是首款“真正意义上的在室外环境下”工作的人脸识别考勤机。该产品还具备智能自学习、USB数据导入导出、网络远程管理等众多功能，自带考勤软件，支持多种识别模式，每个用户可单独选择识别模式，设置识别成功个人提示信息，支持节假日管理等功能，广泛适用于企业、事业单位等需要考勤管理的场所。 C226S人脸识别机 使用手册 汉王科技股份有限公司 2014年7月 目录 第一部分使用概述 (1) 前言 (1) 设备部件说明 (2) 设备安装指南 (4) 第二部分管理员操作 (5) 进入功能菜单 (5) 配置管理员 (5) 管理员修改与删除 (7) 验证管理员 (8) 用户管理 (9) 登记用户 (9) 修改用户 (10) 删除用户 (10) 清空所有用户 (10) 记录管理 (11) 记录查询 (12) 清空记录 (13) 清空时间点前的记录 (14) 清空已上传记录 (14) U盘功能 (15) 导出考勤记录 (15) 导出部分用户 (16) 导出全部用户 (16) 导出管理员 (16) 导入部分用户 (16) 导入所有用户 (16) 导入管理员 (17) 导入工号姓名列表 (17) 固件升级 (17) 系统设置 (18) 基本设置 (18) 网络设置 (20) 考勤设置 (21) 高级设置 (24) 系统信息 (28) 隐含菜单操作 (28) 第三部分普通用户的使用 (30) 待机状态 (30) 人脸识别 (30) 附录 (31) 技术规格 (31) 注意事项 (31) 注意：本手册所介绍的内容和使用的图片仅供参考，根据产品型号和使用状况，可能有所不同，以产品为准。为加强本产品的正确性、设计及功能，制造商可能不另行通知即更新产品信息，以产品为准。汉王科技股份有限公司保留对本手册的最终解释权。 第一部分使用概述 前言 汉王科技，十几年来一直专注于模式识别领域。2008年，汉王科技突破国外技术垄断，全力推出一系列人脸识别技术及其产品。 本产品识别速度快，准确率高，专门针对需要脱机使用的企事业单位考勤管理而设计。产品采用彩色屏幕，语音报姓名，人机交互更加直观友好；非接触、方便、卫生、快捷地完成人脸识别；此外还支持TCP/IP通信和U盘上传/下载功能，非常适合企事业单位的和考勤管理。 C226S型号的产品是汉王科技最新推出的高性能人脸识别产品，应用了更新的识别算法，更快速的运算处理器，更清晰的摄像头，全新的外观设计，应用简便，是面向广大人脸识别市场的高性价比精品。 目录 摘要...................................................................... III 第1章绪论............................................................. - 1 - 1.1人脸识别技术的细节 . (1) 1.2人脸识别技术的广泛应用 (1) 1.3人脸识别技术的难点 (2) 1.4国内外研究状况 (2) 1.5人脸识别的研究内容 (3) 1.5.1人脸识别研究内容............................................... - 3 - 1.5.2人脸识别系统的组成............................................. - 4 - 第2章人脸识别方法..................................................... - 6 - 2.1基于特征脸的方法 (6) 2.2基于神经网络的方法 (6) 2.3弹性图匹配法 (7) 2.4基于模板匹配的方法 (7) 2.5基于人脸特征的方法 (7) 第3章 PCA人脸识别方法................................................. - 9 - 3.1引言 (9) 3.2主成分分析 (9) 3.3特征脸方法 (11) 第4章仿真实验........................................................ - 13 - 4.1流程图 (13) 4.2仿真结果 (14) 第5章总结与展望...................................................... - 15 - 5.1总结.. (15) 5.2展望 (15) 机器学习概述课程设计 报告M A T L A B人脸识别 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】 机器学习概述课程设计报告题目：MATLAB人脸识别系统 姓名：** 学号：** 专业：** 时间：2015/8/7 目录 一、课程设计的目的.......................................... 二、设计的内容与要求........................................ 三、详细设计................................................ 四、课程设计的总结.......................................... 五、参考文献................................................ 一. 课程设计的目的 人脸识别作为一项新兴的科学研究项目，有着广泛的应用前景，而且随着计算机技术的更新发展，它的科学研究价值也越发凸显。经过几十年的研发探讨，世界各大研究结构的研发人员的不断努力下，人脸识别技术一已取得丰硕的成果，可在一定限制条件下完成人脸的自动识别。这些成果的取得更促进了人们对人脸识别这一课题的深入研究。 在电子商务飞速发展的今天，人脸识别系统的范畴一不足以涵括人脸识别的应用范围，在数字图像处理、视频领域、基于内容的检索等方面有着重要的应用价值。。 二．设计的内容及要求 1、选择KNN,聚类或SVM方法中的一种或其他机器学习方法的一种 进行课程设计 2、要求能完成具体的识别任务：如图像分割、语音识别、人脸识 别 3、要求识别的对象中有自己生活元素，比如图像中包括学校的图片或语音时本人的语音等。 三．详细设计 YCbCr空间——>灰度图像转换——>噪声消除——>图像填孔——>图像重构——>人脸区域确定——>边缘检测 汉王人脸识别门禁考勤机 使用手册 汉王科技股份有限公司 2009年2月 目录 第一部分使用概述 (1) 第一章前言 (1) 第二章设备安装与连接 (2) 设备的接口和按键 (2) 快速安装指南 (4) 开机 (6) 第二部分管理员配置与操作 (7) 第一章配置管理员 (7) 进入管理员模块 (7) 配置管理员 (8) 管理员人数 (8) 登记管理员 (8) 登记完成 (9) 修改管理员 (10) 第二章管理员功能菜单 (11) 验证管理员 (11) 功能菜单 (11) 登记用户 (12) 用户登记参数 (12) 登记用户的操作 (12) 修改用户 (14) 输入用户的工号 (14) 修改用户的操作 (14) 删除用户 (15) 删除一个用户 (15) 清空所有用户 (16) 清空记录 (16) 系统设置 (17) 设置系统时间 (17) 音量调节 (18) 设置网络 (18) 设置门禁信号 (18) 设置防拆报警 (19) 恢复出厂设置 (19) 系统信息 (20) 容量信息 (20) 产品信息 (20) U盘导入导出 (20) 导出记录 (21) 导出部分用户 (22) 导出所有用户 (22) 导入部分用户 (22) 导入所有用户 (22) 导入工号姓名列表 (23) 第三部分普通用户使用 (24) 人脸识别 (24) 刷卡拍照 (24) 工号人脸识别 (25) 刷卡人脸识别 (26) 验证成功 (27) 附录 (28) 技术规格 (28) 注意事项 (29) 注意： 本手册功能介绍以F K628为实物参照，使用的图片仅 为参考，实际显示内容根据设备型号和使用状况，可能有所不同。 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。 ： 数字图像处理 课 程 设 计 ] $ : 人脸检测与识别课程设计 一、简介 人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变 性. 主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机 (SVM ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。 本此课程设计基于MATLAB，将检测与识别分开进行。其中检测部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别部分采用PCA算法对检测出的人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别，将在后文具体表述。仿真结果验 证了本算法是有效的。 二、人脸检测 1.》 2.源码 img=imread('D:\std_test_images\'); figure; imshow(img); R=img(:,:,1); G=img(:,:,2); B=img(:,:,3); faceRgn1=(R>95)&(G>40)&(B>20)&max(img,[],3)-min(img,[],3)>15&abs(R-G)>15&R>B; ~ figure; imshow(faceRgn1); r=double(R)./double(sum(img,3)); g=double(G)./double(sum(img,3)); Y=*R+*G+*B; faceRgn2=(r>&(r<&(g>&(g<&(r>g)&g>='Boundingbox'); BB1=struct2cell(BB); BB2=cell2mat(BB1); ) figure; imshow(img); [s1 s2]=size(BB2); mx=0; for k=3:4:s2-1 p=BB2(1,k)*BB2(1,k+1); if p>mx&(BB2(1,k)/BB2(1,k+1))< mx=p; ！ j=k; hold on; rectangle('position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'linewidth',3,'edg ecolor','r'); hold off; end end 人脸识别中图像预处理的研究 1.课程设计目的 随着人工智能技术的兴起，以及人类视觉研究的进展，人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，这一领域除了它的重大理论价值外，也极具实用价值。 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，开发研究的实际意义更大。然而人脸图像受很多因素的干扰，给识别带来很大难度。国外对于人脸图像识别的研究较早，现己有实用系统面世，只是对于成像条件要求较苛刻，应用范围也就较窄，国内也有许多科研机构从事这方而的研究，并己取得许多成果。 2. 方法综述 特征脸法（PCA）： 把单个图像看成一维向量，众多的一维向量形成了人脸图像特征空间，再将其变换到一个新的相对简单的特征空间，通过计算矩阵的特征值和特征向量，利用图像的代数特征信息，寻找“人脸”、“非人脸”两种模式在该特征空间中的分布规律。 人工神经网络（ANN）法： 通过训练一个网络结构，把模式的统计特性隐含在神经网络的结构和参数之中。基于人工神经网络的方法对于复杂的、难以显式描述的模式，具有独特的优势。 支撑向量机（SVM）法： 在统计学习理论基础上发展出的一种新的模式识别方法，它基于结构风险最小化的原理，较之于基于经验风险最小化的人工神经网络，一些难以逾越的问题，如：模型选择和过 学习问题、非线性和维数灾难问题、局部极小点问题等都得到了很大程度上的解决。但是直接使用SVM方法进行人脸识别有两方面的困难：第一，训练时需要求解二次规划问题计算复杂度高，内存需求量巨大；第二，在非人脸样本不受限制时，需要极大规模的训练集合，得到的支持向量会很多，使得分类器的计算量过高。 基于积分图像特征的人脸检测方法: 是Viola等新近提出的一种算法，它综合使用了积分图像描述方法、Adaboost学习算法及训练方法、级联弱分类器。 3.实验结果与分析 图人脸识别技术处理流程图 人脸图像的获取 一般来说，图像的获取都是通过摄像头摄取，但摄取的图像可以是真人，也可以是人脸的图片或者为了相对简单，可以不考虑通过摄像头来摄取头像，而是直接给定要识别的图像。 人脸定位 对人脸图像打上网格，对区域块图像做二值分析，通过像素比例来做处理，进而得到人脸区域。 在彩色图像中，颜色是人脸表面最为显著的特征之一，利用颜色检测人脸是很自然的想 人脸识别课程设计报 告 用Matlab实现人脸识别 学院：信息工程学院班级：计科软件普131 成员： 一、问题描述 在一个人脸库中，有 15 个人，每人有 11 幅图像。要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。再任取图像库的一张图片，识别它的身份。 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。 二、PCA 原理和人脸识别方法 1）K-L 变换 K-L 变换以原始数据的协方差矩阵的归一化正交特征矢量构成的正交矩阵作为变换矩阵，对原始数据进行正交变换，在变换域上实现数据压缩。它具有去相关性、能量集中等特性，属于均方误差测度下，失真最小的一种变换，是最能去除原始数据之间相关性的一种变换。PCA 则是选取协方差矩阵前 k 个最大的特征值的特征向量构成 K-L 变换矩阵。 2）主成分的数目的选取 保留多少个主成分取决于保留部分的累积方差在方差总和中所占百分比(即累计贡献率)，它标志着前几个主成分概括信息之多寡。实践中，粗略规定一个百分比便可决定保留几个主成分；如果多留一个主成分，累积方差增加无几，便不再多留。 3）人脸空间建立 假设一幅人脸图像包含 N 个像素点，它可以用一个 N 维向量Γ表示。这样，训练样本库就可以用Γi（i=1，...，M）表示。协方差矩阵 C 的正交特征向量就是组成人脸空间的基向量，即特征脸。将特征值由大到小排列：λ1≥λ2≥...≥λr,其对应的特征向量为μk。这样每一幅人脸图像都可以投影到由 u1,u2,...,ur张成的子空间中。因此，每一幅人脸图像对应于子空间中的一点。同样，子空间的任意一点也对应于一幅图像。 4）人脸识别 有了这样一个由"特征脸"张成的降维子空间，任何一幅人脸图像都可以向其投影得到一组坐标系数，这组系数表明了该图像在子空间中的位置，从而可以作为人脸识别的依据。计算数据库中每张图片在子空间中的坐标，得到一组坐标，作为下一步识别匹配的搜索空间。计算新输入图片在子空间中的坐标，采用最小距离法，遍历搜索空间，得到与其距离最小的坐标向量，该向量对应的人脸图像即为识别匹配的结果。 三、实验步骤 . . 人脸识别系统 快速操作手册 V2.0 1 摄像机安装及注意事项 1.1摄像机选型 摄像机一般选用百万高清摄像机。由于需要保证拍摄到的图像中的人脸区域像素不小于80*80 像素，因此摄像机的型号与监控范围有着密切关系，具体选型如下表所示 监控区域宽度像素要求推荐型号备注 <2.5 米200 万高清iDS-2CD976/F <1.5 米130 万高清iDS-2CD864FWD-E(W)/F 注意：如果监控区域宽度在2.5 米以上，还需要多加装高清摄像机。 现场环境复杂多样，根据具体得实际环境，摄像机还需要考虑到以下几个方面：如果室内光线偏暗，或存在逆光情况，摄像机需支持低照度、宽动态等功能。如果用于夜晚抓拍，或抓拍场景光线变化剧烈，需支持自动光圈。 1.2安装位置选择 摄像机高度和俯视角度主要是避免一前一后人员经过通道时，人脸重叠产生遮挡，同时需要照顾不同高矮人员经过时能正常抓拍。 ?摄像机设在通道正前方，正面抓拍人 脸，左右偏转<30°，上下偏转<15 ° ?建议架设高度h 大约2.0-3.5 米左右。 ?推荐摄像机的俯视角度α=13 度。 ? d 和选用的不同镜头的焦距有关系， 焦点在通道出入口，且人脸像素大小 不小于80*80 像素。(详细见镜头选 择推荐章节) . . 2 智能服务器安装指南 2.1 服务器硬件安装 把智能服务器放置到机架上，用螺丝固定。连接电源线，启动服务器后背板电源开关，同时需要点击前面板的开关按钮启动设备，如下图所示。 智能服务器有两张网卡，出厂设置第一张网卡（本地连接1）的IP 地址为192.0.0.64，第二张网卡(本地连接2)的IP 地址为192.0.0.65。配置本地计算机为相同网段，然后通过远程桌面连接到智能服务器。一般连接靠近服务器电源插口的网卡连接服务器。 登录名和密码分别为：administrator，hik12345+ 大众型 人脸识别考勤管理系统说明书 目录 1.产品说明............................................................................................................ 错误!未定义书签。 1.1产品概述 .................................................................................................. 错误!未定义书签。 1.3硬件组成配件 .......................................................................................... 错误!未定义书签。 1.4硬件参数 .................................................................................................. 错误!未定义书签。 1.5使用环境需求 .......................................................................................... 错误!未定义书签。 1.快速安装 ..................................................................................................... 错误!未定义书签。 2.1外观部分指示说明 .................................................................................. 错误!未定义书签。 2.2终端的安装与接线 .................................................................................. 错误!未定义书签。 2.3初次使用-创建用户 ................................................................................ 错误!未定义书签。3软件使用说明...................................................................................................... 错误!未定义书签。 3.1基本操作 .................................................................................................. 错误!未定义书签。 3.2用户登录 .................................................................................................. 错误!未定义书签。 3.3管理员登录 .............................................................................................. 错误!未定义书签。 3.3.1超级管理员 ...................................................................................... 错误!未定义书签。 3.3.2普通管理员 ...................................................................................... 错误!未定义书签。 3.4系统设置 .................................................................................................. 错误!未定义书签。 错误!未定义书签。 错误!未定义书签。 错误!未定义书签。 3.5特殊操作 .................................................................................................. 错误!未定义书签。 错误!未定义书签。 错误!未定义书签。 错误!未定义书签。 3.5.4 U盘导入导出数据及升级 ..................................................................... 错误!未定义书签。 4.IE管理界面使用说明.................................................................................. 错误!未定义书签。 4.1.网络配置 .................................................................................................. 错误!未定义书签。 4.2.功能键定义 .............................................................................................. 错误!未定义书签。 4.3.用户管理 .................................................................................................. 错误!未定义书签。 4.4.考勤设置 .................................................................................................. 错误!未定义书签。 4.5.个人考勤记录 .......................................................................................... 错误!未定义书签。 4.6.日考勤记录 .............................................................................................. 错误!未定义书签。 4.7.月考勤记录 .............................................................................................. 错误!未定义书签。 4.8.软件升级 .................................................................................................. 错误!未定义书签。 4.9.重启设备 .................................................................................................. 错误!未定义书签。 4.10.修改密码 .............................................................................................. 错误!未定义书签。 5.软件升级步骤.............................................................................................. 错误!未定义书签。 6.识别流程 ..................................................................................................... 错误!未定义书签。 7.数据维护 ..................................................................................................... 错误!未定义书签。 8.使用注意事项.............................................................................................. 错误!未定义书签。 9.联网功能 ..................................................................................................... 错误!未定义书签。基于ARM9的人脸识别系统 嵌入式报告 课程设计
机器学习概述课程设计报告(MATLAB人脸识别)
人脸识别系统说明书-企业型(E5)
人脸识别课程设计论文(完美版)
菲米尔人脸识别设备说明书培训资料
人脸识别课程设计报告
人脸识别系统软件安装与使用多奥说明书
数字图像处理课程设计人脸检测与识别
人脸识别考勤机说明书
C226S人脸识别机使用手册
基于matlab的人脸识别课程设计
机器学习概述课程设计报告MATLAB人脸识别
汉王FK628型人脸识别门禁考勤机说明书
基于MATLAB的人脸识别
数字图像处理课程设计——人脸检测与识别
人脸识别课程设计附带代码
人脸识别课程设计报告
人脸识别系统快速操作手册V2.0
人脸识别考勤管理系统说明书
相关主题
文本预览