基于C++ opencv实现人脸识别【100012285】

# 基于人脸识别的课堂点名系统 **摘要**： 传统的课堂点名方法效率低下,浪费大量时间.提出基于人脸识别的课堂点名系统,大大提高了课堂点名的效率.本系统提供图像和摄像识别点名,可识别学生,同时该系统也对系统难以识别的学生提供手动签到.系统运用 OpenCV 人脸识别开源库做算法部分,用 C++ 实现界面交互。 **关键词**：人脸识别；OpenCV；课堂点名； # 一、项目背景 ### 人脸识别技术 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： - 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。 - 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、代数特征和固定特征模板等。 - 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。 - 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。 - 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。 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。 ### 国内外发展 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和美国陆军研究实验室成立了 Feret 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。 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。 ### 课程点名系统 上课点名是教学课堂上的普遍情况，当下指纹点名系统在公司中也是可以见到，但是人脸识别的点名系统还是刚刚起步。 在国外，位于英国的一所社区学院率先运用人脸识别学校点名系统，是通过红外线扫描学生人脸然后进行点名，但依然存在一些弊端。当学生比较多时是费时的。在国内，许多企业也投入人脸识别的点名系统的研究，有一些公司也已经尝试使用来统计员工的出勤率。但是准确性不够高，需要不断的优化。需要算法进行优化，才能提高学校教学活动的质量方面起作用。 ### 课程点名系统的难点 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： - 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。 - 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。 - 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。 - 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。 - 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。 # 二、人脸识别的常用算法介绍 ### 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、神经网络法等方法。 #### 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为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