-
需求规格说明的正文格式如下:
1
引言
1.1
编写目的
人类通过视觉识别文字,
感知外界信
息。
人脸是人机交互中相当重要的因素,
通过人脸我们
可以判定许多信息。
利用人脸特征进行身份验证又是最自然直接的手段,
它具有直接、
友好、
方便的特点,
p>
比较容易被用户接受。
人脸识别技术经过四十多年的发展,
已经取得了长足的
进步。
目前最好的人脸识别系
统在理想情况下已经能够取得可以接受的识别性能。
人脸识别
技
术在国家重要机关及社会安防领域具有广泛用途。
基于表观的
人脸识别方法直接对二维人脸图像像素点处的灰度值进行操作,
多数采用统计学
习的方法提取人脸的特征,进而进行人脸的分类识别。
Osamu
等人对人脸的原始图像进行
二值化处理,
得到
人脸的等灰度图图像,
采用合成的等灰度线图匹配识别。
Nef
ian
等人利用
采样窗口所形成的图像块的
2D
.
DCT(Discrete
Cosine
Transform)
系数或Ⅺ
_
一
T(Karhunen
Loeve Transform)
系数来构造观察向量序列,
采用
HMM
进行人脸识别。
Yoon<
/p>
等人
[201
提出
了
1D
.
HMM
和神经网络相结合的混合方法。
Martinez[21]
提出的方法是首先把人脸分成不
同的区域,
然后采用
PCA
来分析不同的区域,
通过
< br>1D
.
HMM
来描述不同区域之
间的关系,
然后根据
Bayesian
规则识别人脸。
Nefian
等人定义了一种嵌入式
HMM(E
.
HMM
:<
/p>
Embedded
Hidden
Markov
Model)
用于人脸
识别。基于人脸的灰度图像,
Kirby
等人
< br>[23
,
24]
和
Turk
等
人首次把主元分析的子空间思想引入到人
脸识别中,
提出了著名的人脸识别算法——主成分
分析法或特征
脸算法
(Eigenface)
。特征脸算法是建立在对人脸图
像分布的主元分析
(PCA)
的
基础之
上,
这种算法假设人脸图像在高维观测空间中服从近似高斯分布,
通过变量变换保留
高维数据空间的主要特征信息即主分量,
除
去有可能来自于噪声的次要分量,
从而达到降维
的目的。
该方法以训练样本的总体散度矩阵为产生矩阵,
经
KLT
变换
(KLT
:
Karhunen
.
Loeve
Transformation)
后得到相应的一组特征向量,由于主特征向量
具有脸的形状因此称之为特征
脸,由前
K
个最大特征值对应的特征向量所张成的空间称为人脸子空间,这样既可以降低
空间维数
,同时又提取了人脸特征。任何一幅人脸图像就可以用这
K
个特
征脸的线性组合
来表示,其加权系数即是
KLT
的展开系数。人脸识别就是将待识别人脸投影到特征空间,
根据欧氏距离确定最
佳匹配。在特征脸的基础上,
Cappelli
等人提出了多空
间
KL
变换,把
训练样本分割成不同子
集,这些子集采用不同的
KLT
构造不同的子空间来表示不同的
子模
式。
Kim
等人采用
Kernel
.
PCA
的方
法提取脸部特征,
KemeI-PCA
是
PCA
非线性扩展分析
方法,
其基本
思想是通过非线性变换将数据空间变换为特征空间,
然后在特征空间计算主分
量。
V
asilescu
和
Terzopoulo
提出了多线性子空间方法
(MLS
:
Mulit
.<
/p>
1inear Subspace)
。这种
方法在一种多线性框架下进行子空间分析,建立在一种张量分解算法
_N
.
node SVD
基础之
上,在多个相互关联的特征空间上进行维数约减。
Yang
和<
/p>
Ding[29]
提出了一种对称主分分
析算法
(SPCA-Symmetrical Principal
Component Analysis)
。这种算法通过
PC
A
和奇.偶分解
规则相结合将人脸的对称性信息应用到人脸识别
研究中。
首先将一幅人脸图像分解成奇图像
和偶图像的和,分别
对奇图像和偶图像进行主成分分析,提取他们的
PCA
特征,根
据它们
1
在人脸中的能量比及对模
式变化的敏感度选择特征构成用于人脸识别的特征向量。
作为对传
统
PCA
的一种拓展,
Yang
p>
和
Zhang[30]
提出了二维
PCA
的人脸识别方法。这种方法用一种
二维图
像矩阵表示人脸,
直接根据原始的二维图像矩阵构建图像的协方差矩阵,
采用图像协
方差矩阵的主要特征向量作为人脸图像的表示特征。
这种方法提出了一种崭新的人脸表示方
法,
并在此基础
上根据主成分分析的思想讨论了人脸特征的提取和识别问题。
在传统的模式
识别方法中,
基于
Fisher
准则的线性辨别分析
(LDA
:
Linear Discr
iminantAnalysis)
是一种针
对两类单模凸分布
问题的非常有效的分类方法。
Belhumeur
等
[32
】
利用这种方法来提取人脸
图像的最优辨别性特征,并称之为
Fisher
脸方法
。
Fisher
脸方法也可以看做是一种描述数据
分布的方法,不过它关心的是那些具有最大分辨能力的方向。
Fisher<
/p>
脸的缺点是训练样本的
数量往往远小于样本维数,需要利用
PCA
等算法先降低样本的维数。另外,
Fi
sher
脸最多
可以得到的基的个数和类别的个数有关,
如果类别数目太少的话,
这种方法的识别效果将下
降。
1.2
背景
1.2.1
项目名称
基于
Android
平台的人脸登陆认证签到软见开发
1.2.2
项目建设背景
随着社会的发展及技术的进步,
社会
各方面对快速高效的自动身份验证的需求可以说无处不
在,并与日俱增。例如,某人是否
是我国的居民,是否有权进入某安全系统,是否有权进行
特定的交易等。尤其是自
2001
年美国“
9
.
1l
”恐怖袭击发生以来,如何在车站、机场等公
共场所利用高科技手段,
迅速而准确地发现并确认可疑分子成了目前世界各
国在反恐斗争中
普遍关注的问题。为此,
各国都投入大量人力、
物力研究发展各类识别技术,使得生物特征
识别技术得到了极大的发展。
生物特征识别技术主要包括:
人脸识别、
虹膜识别、<
/p>
指纹识别、
步态识别、
语音识别、笔迹识
别、掌纹识别以及多生物特征融合识别等。人类通过视觉识别
文字,感知外界信息。在客
观世界中,有
75
%的信息量都来自视觉,因此让计算机或机器
人具有视觉,
是人工智能的重要环节。
由于生物特征是人的内在属性,
具有很强的稳定性和
个体差异性
,因此是身份验证最理想的依据。与虹膜、指纹、基因、掌纹等其他人体生物特
征识别系
统相比,人脸识别系统更加直接、方便、友好,易于为用户所接受,并且通过人脸
的表情
、
姿态分析,
还能获得其它识别系统难以得到的一些信息。
p>
人脸识别技术在国家重要
机关及社会安防领域具有广泛用途。例如:
公安系统的罪犯识别、信用卡验证、医学、档案
管理、
视频会议
、
人机交互系统等身份识别和各类卡持有人的身份验证。
同其他
人体生物特
征
(
如:指纹、掌纹、虹膜
、语音等
)
识别技术相比,人脸识别技术的隐性最好,人脸识别
系
统更直接、
友好,
是当今国际反恐和
安防最重视的科技手段和攻关标志之一。
虽然人类能毫
不费力地
识别出人脸及表情,
但对人脸的机器自动识别确实一个难度极大的课题,
它涉及到
模式识别、
图像处理及生理、
心理学等诸多方面的知识。
人脸识别技术的研究虽然己经取得
< br>了一定的可喜成果,
但在实际应用中仍存在着许多严峻的问题。人脸的非刚体性、
姿态、表
情、
发型以及化妆的多样性都
给正确识别带来了困难,
要让计算机像人一样方便地识别出大
量
的人脸,尚需不同科学研究领域的科学家共同不懈的努力。
2
随着科学技术的迅速发展,如今各种各样的签到系统应运而生
,与电子、硬件的结合,
早已
取代了以前的笔签方式,
这也是社会发展的必然趋势。
现今市场上流通的声音识别、
指纹识
别、视网膜识别都需要有很高的硬件要求,不少中小型企业、公司、学
校受条件的限制,不
能投入大量的资金进行这项技术的推广。
因
此开发一套实用的适合各类型企业使用的系统已
迫在眉睫。
<
/p>
而我们开发的人脸识别签到系统所需配置简单,仅需计算机配上摄像头即可;
操作简单,
签到人员来到自己的岗位后可以直接在自己的电脑上完成签到。<
/p>
恰恰弥补了现今
市场流通的高配置签到系统的不足,
为企业或高校节省了不菲的额外开支;
同时也实现了签
到的系统化、规范化和自动化。
1.2.3
项目委托单位
无委托单位,本项目为专业实训内容,由小组成员讨论得出。
1.2.4
项目使用单位
本项目的所有成员都可以使用该项目的最终成果。
1.2.5
项目任务提出者
我们在专业实训张璇老师的指导下,
由小组成员共同讨论得出结果。
我们将进行基于
Android
平台的面部识别登陆软件项目的开发。
1.2.6
项目主要承担者
陈长赓、陈翼、李明娜
1.3
定义
暂无
1.4
参考数据
调用
opencv
< br>中的图像处理和
PCA
算法
1.5
版本更新信息
暂无
3
2
任务概述
2.1
目标
本次我们项目的最终目标是通过
PC
A
算法对人脸简单的识别和处理实现对系统登陆签到的
功能。<
/p>
我们本次项目的核心是将
OpenCV
中的
PCA
算法调用实现人脸识别的功
能,并且制作简单
的便于使用登陆签到应用软件。识别的目的就是将别的图像或特征与数
据库中的进行匹配。
识别的任务主要有两个:
其一是人脸辨认,
即确定输入人脸图像是库中的哪一个人,
是一对
多的匹配过程;
其二是人脸确认,即验证某个人的身份是否属实,
是一对一的匹配过程。人
脸确认是人脸辨认的简单化,
人脸辨认比人脸确认要难得多,
因为人脸辨认系统涉及到大批
量数据的比对。
在海量数据的检索比对中,
识别精度和检索时间
是相当重要的指标。
根据输
入图像的性质,可以讲人脸识别分为
静态图像的人脸识别和动态图像序列的人脸识别两大
类。前者主要是用静态图像如从证件
照片、罪犯照片、场景照片上扫描的图像进行识别;后
者则是用摄像机摄取的时间图像序
列进行识别。
2.2
用户的特点
采用人脸认证登录,
可以免去繁琐的
密码输入,交互更加快捷方便。除此之外,作为一项典
型的生物特征识别技术,人脸登录
技术还具有其他加密手段不可比拟的一些优势:
1
、更符合人类的识别习惯。相比于冰冷的键盘和复杂的“娉娉袅袅十三余
,
豆蔻梢头二月
初”密码,坐在
终端
p>
前晃一晃脑袋就能登录显然更加亲切;
2
、
图像采集设备的成本低。
人脸认证需
要的终端摄像头在
PC
和手机上几乎都是标准的外设,
这就避免了
指纹
、
虹膜
等识别技术需要专门采集设备的麻烦;
3
、非接触式识别。用户不需要触摸甚至不需要靠近设备就能实现“远程”登录。操作
便捷
的同时也不会对用户造成生理上的伤害,容易被大多数的用户接受。
4
、具备事后追踪能力。人脸认证系统可以在登录事
件发生的同时保存当事人的人脸图像,
即使不懂技术的管理人员,
也可以直观的对事件进行监控和复查,
这确保了系统具有良好的
事后追踪能力。
2.3
假定和约束
我们假定用户在
android4.
0
以上版本的系统上,并且系统的使用者必须有一定的文
化功底
,且主要是面向来自云大学生,且只提供学生签到功能。
约束:
根据系统需求说明书,本系统应当遵循的标准或规范:
a)
本着以方便用户的原则,即最大可能的满足用户友好性;
4
b)
c)
数据库设计以及界面设计严格按照系统需求说明书来完成。
<
/p>
软件、硬件环境(包括运行环境和开发环境)的约束:软件要求必须是
android4.0
以上版本的系统,硬件用户必须有摄像头,触屏显示屏等等输
入
/
输出设备。
软件质量的约束,
要求数据特别是学生登陆信息的正确性必须得以保证,
有较强的软件健壮
性、可移植性以及可靠性,算法有较强简洁性,效率尽可
能的高,
同样数据的安全性和扩展
性也必须得以保证,尽可能的
不受非自然因素的干扰与损坏。
3
需求规定
3.1
对功能的规定
人脸识别是人类视觉系统所具有的最基本和最重要的功能之一
,
利用计算机进行人脸自
动识别
(AF
R
:
Automatic
Face
Recognition)
一直是模式识别、计算机视觉、计算
机图形学等
领域中的重要研究课题。近几十年来,随着图像处理、模式识别、机器学习、
计算机视觉等
研究领域的发展,及身份验证、
场景监控、人机交
互、社会公共安全等方面应用需求的广泛
增加,
作为生物特征识
别技术之一的人脸识别研究受到了空前的重视。
除了具有重要的应用
价值,
人脸识别研究在学术上也有着重要的意义。
人脸是典
型的可变形体,
特征分布具有对
称性。
对这种可变形体的深入研究有助于解决一般二维物体的识别问题,
从而能够推动计算
p>
机视觉和模式识别等领域中基础研究的发展。
人脸识别作为一种典型
的图像分析与理解、
模
式分类计算问题,为模式识别、图像处理
、认知科学、生理学、心理学等学科提供了一个良
好的具体问题,有利于构建这些学科领
域的基础实验平台,用于尝试新方法、验证新理论、
解释新现象。人脸识别问题的深入研
究和最终解决,将可极大促进相关学科的研究和发展。
同时,
人
脸识别也是智能人机接口领域的重要研究内容之一。
人脸识别本质上是要赋予计算
机区分不同人物个体的能力,
这也恰恰是智能人机接口研究需要解决的
问题之一,
是机器智
能的重要表现。
人
脸识别问题的最终解决将可改善目前呆板、
不方便的人机交互环境,
从而
在一定程度上改变人们的生活方式。
最早的关于人脸识别的研究可以追溯到上个世纪末,
Sir
Francis
Galton
分别于
1888
年
和
1910
年在
Nature
杂志上发表
了两篇关于利用人脸进行身份识别的文章,
对人类自身的入
脸识
别能力进行了分析,但当时还未涉及到人脸的自动识别问题。
Chan
< br>等人于
1965
年在
Panor
amic Research Inc
.发表的技术报告是最早的自动人脸识别的研究论
文。目前,大多数
人脸识别研究都是以二维人脸灰度图像为研究对象,以图像在像素点处
的灰度值为基本数
据,采用统计学习的方法研究入脸的表示和识别理论。随着计算机软硬
件技术的飞速发展,
彩色人脸图像、
二维人脸图像的获取已经变
得相对比较容易,
因而,以二维人脸图像、
彩色
人脸图像为研究对象的人脸识别越来越受到相关领域研究人员的关注。
本文的关
注点也正在
于此,下面我们将对相关的研究工作进行综述。
<
/p>
3.1.1
角色(
Actor
)定义
二维人脸识别
经常受到图像成像条件的影响,
比如人脸的姿态、
图像成像时的
光照等。
二
5
-
-
-
-
-
-
-
-
-
上一篇:关联理论指导下幽默语言的翻译-最新文档
下一篇:六下英语阅读材料