机器视觉程序设计报告格式_7220180157冯波1

本文是关于机器视觉程序设计的一份报告，作者冯波，主要介绍了如何构建一个人脸识别系统。该系统由四个主要部分组成：HOG 人脸检测、面部关键点提取、面部特征点估计及识别以及程序的运行条件和步骤。 2.1 HOG 人脸检测： HOG（Histogram of Oriented Gradients，方向梯度直方图）是一种用于物体检测的特征描述符，尤其适用于人脸检测。它通过计算图像中每个像素的梯度方向和大小，将图像分割成小的细胞单元，统计每个单元的梯度直方图，然后将多个细胞单元组合成更大的块，形成块级的HOG特征描述符。这种方法能够捕获图像的边缘和形状信息，有助于人脸检测。 2.2 面部关键点提取： 报告采用了Vahid Kazemi和Josephine Sullivan的方法提取面部关键点，即68个特征点，包括下巴、眼睛、眉毛等关键部位。这些关键点的定位对于后续的面部对齐至关重要。 2.3 面部特征点估计及识别： 经过面部关键点提取后，使用FaceNet模型对面部进行校正和裁剪，然后编码得到128维的特征向量。在识别阶段，每个人脸表示为这个高维空间中的一个点。如果两个点之间的距离小于0.6，就认为是同一个人，这是基于经验阈值设定的。 2.4 程序运行条件和步骤： 系统运行环境为Ubuntu 16.04，硬件配置包括CUDA 10.0.130和cuDNN v7.4.1.5，以及GPU GTX 750Ti。软件平台是Python 3.5.2，OpenCV 3.3.1，PyTorch 1.0.1（自带Caffe）。运行程序前需将预识别的图片放入指定文件夹，并插入USB摄像机，执行`python facerec_from_webcam_faster.py`启动程序。 在实际运行中，系统能够实时进行人脸检测和识别，甚至可以处理多张人脸。然而，当人脸远离摄像头时，检测效果可能会下降，这可以通过调整程序参数来改善。 总结，这份报告详细阐述了基于HOG的人脸检测、面部关键点提取的FaceNet识别系统的设计与实现，涵盖了从图像处理到特征提取再到识别的全过程。通过优化程序参数和硬件设置，可以提高系统的稳定性和准确性，为实际应用提供了有价值的参考。