基于深度学习的人脸识别技术在课堂签到上的应用
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
识 别 流 程 : 视 频 序 列 输 入 后， 用 Haar Adaboost 检测算法对每一帧的人脸进行检 测，把人脸坐标标记在图像中，对提取后所 得的彩色人脸图像做灰度化处理，并统一大 小和尺寸。然后，将处理好的人脸图像输入 已 训 练 好 的 CNN 模 型 中 进 行 特 征 提 取。 通 过 softmax 模型进行预测并输出最终的识别 结果。
灰度特征和梯度特征的组合特征为输入，训 练 CNN 网络，有更好的识别效果。
2 基于 Haar 算法模型的人脸识别
2.1 基本矩阵特征和 haar-like 特征 haar-like 特征是计算机视觉领域一种常 用的特征描述算子。它最早用于人脸描述。 目前常用的 Haar-like 特征可以分为三类： 线性特征、边缘特征、点特征（中心特征）、 对角线特征 [1]。 Haar-Like 它 属 于 矩 形 特 征 , 对 一 些 比 较简单的结构 , 比如图像的边缘或者线段比 较敏感 , 由于只能描述特定方向比如水平、 垂直、对角的结构 , 所以比较粗略。脸的一 些特征能够用矩形特征粗略简单地描绘，比 如 : 鼻梁两侧的颜色要比鼻梁颜色要深些， 眼睛部分的颜色要比脸颊的颜色深些。检测 器其内的矩形特征数量大的惊人 , 如果要减 少运算量必须通过特定算法筛选出合适的矩 形特征 , 并且组合成强分类器才能有效的检 测出人脸。 2.2 计算特征总数 特征模板在子窗体里的位置成为一个特 征 , 根据模板找出所有窗体的特征给弱分类 器打好基础。基本的特征模板和派生出的模 板数相加就是总的特征数。
SVM 可以自动寻找出那些对分类有较好 区分能力的支持向量，由此构造出的分类器 可以最大化类与类的间隔，因而 SVM 有较高 的分准率和较好的适应能力。
人脸匹配点名时，首先利用 Adaboost 算 法在摄像头截取的图像中检测出人脸，将人 脸图像输入 CNN 进行特征提取，将这些特征 输入 SVM，通过与数据库中事先存储的学生 人脸特征数据的匹配，来实现点名。
时代汽车 ｗｗｗ．ｃｎａｕｔｏｔｉｍｅ．ｃｏｍ
义代价函数 Loss 如下式所示：
∑ ∑ ( ) ( ) Loss
=
−
1 m
m i =1
yi
log
fxiLeabharlann l+ λ sum
k =1
wk
2
其中 m 为样本集中样本的个数，l 为卷积
神经网络的层数。
第四步：应用反向的传播型算法，然后
用梯度下降算法更新所有滤波器的值 / 权重
关键词：人脸识别；深度学习；智能签到；卷积神经网络；支持向量机
1 引言
1.1 研究背景 目前许多工作签到场合除点名外多以 IC 卡，密码或者指纹设备为主，这些识别方式 都要求操作人员近距离操作，有时候显得极 不方便，同时也有丢失卡片或者被复制指纹 的漏洞。基于当前华北理工大学中一个普遍 存在的问题，即点名问题，传统的课堂点名 方法效率低下，浪费大量时间。提出基于深 度学习的人脸识别的课堂点名系统，将大大 提高了课堂点名的效率。 1.2 项目创新特色 深度学习是目前机器学习研究的一个新 的领域，它的动机在于建立、模拟人脑进行 分析学习的神经网络，它模仿人脑的机制来 解释数据。它通过组合低层特征形成更加抽 象的高层表示属性类别或特征，实现对输入 信息进行分级表达，可以有效解决不同姿态 和不同光照下人脸的识别效果，提高签到系 统的正确识别率。 本文将深度学习技术应用于人脸识别， 通过多层提取的特征具有更强的抽象性和判 别性，更好地实现样本分类。对于人脸估测 方法，采用图像特征判别法不易出现极大的 姿态判别误差，该项目通过建立数据库，以
（1）初始化滤波器，使用随机值设置参 数和权重。
（2）接收一张人脸作为输入，通过前向 传 播 过 程（ 卷 积、 池 化 操 作、ReLU 以 及 全 连接层的前向传播），找到各个类的输出概率。
（3）在输出层计算总残差和准确率，定
26 AUTO TIME
FRONTIER DISCUSSION | 前沿探讨
Haar 特征的计算得求出每一块区域的像 素，积分图的出现能够大大提高 Haar 特征的 计算速度。
3 深度卷积网络（CNN）的人脸特征 提取
基于 CNN 网络的人脸特征提取：将学生 人脸数据库中的图像输入 CNN，自动提取每 个学生的人脸特征，输出特征向量。
卷积神经网络是一个包含多个隐层的神 经网络模型，主要包括卷积层、池化层、输 入层、输出层以及全连接层。
以及参数的值，并根据网络的权重计算出误
差的梯度，让输出的误差最小化。
4 基 于 支 持 向 量 机（SVM） 的 特 征 匹配
SVM 是一种超级实用的分类算法，该算 法的目标是寻求结构化的风险最小化。但是 在训练的过程中，我们很难得到所有的样本， 所以只能采集一部分样本作为训练样本，所 以这样通过计算误差得到的是经验风险值。 SVM 的核心思想是将不同类别之间的样本尽 可能分的距离大，SVM 的终极目标就是找到 一个间隔最大的分离超平面把所有样本分隔 开，这样分类效果比较鲁棒。
FRONTIER DISCUSSION | 前沿探讨
基于深度学习的人脸识别技术在课堂签到上的应用
张成成 李思成 王艳双 陈磊磊 张祎 华北理工大学 河北省唐山市 063000
摘 要：本文通过总结人脸识别技术的特点和优势，并根据当前高校 ( 以华北理工大学为例 ) 中普遍存在的点名问题， 设计一款智能化的签到系统。本文总结了整个人脸识别签到系统以卷积神经网络算法实现过程等方面做了 深入的介绍，构建出一套完整的智能签到人脸识别系统。 基于 Haar 特征和 AdaBoost 分类器的人脸检测识别理论和方法。利用深度卷积神经网络的人脸特征提取， 将学生人脸数据库中的图片输入 CNN，准确提取每个学生的人脸特征。然后基于 SVM，根据 CNN 输出 的每名学生的特征向量，与摄像头检测出的人脸进行匹配，实现人脸识别点名。
当系统完成特征提取后，按照相似度由 高到低把提取结果进行排列，选取一定数量 假设为 x 的相似度最低的图像作为训练样本， 其他的图像数假设为 y 的图像则继续由用户 标记进入到相关反馈中。然后针对训练样本 中的图像的三种特征分别采用之前定义好的 函数进行训练，得到三个分类器。再对系统 图像库用这三个分类器进行分类处理。如果 某些样本在三个分类器中没有取得一致的分 类结果，那么该样本就属于“另类”，否则 就可以被归为“同类”。
灰度特征和梯度特征的组合特征为输入，训 练 CNN 网络，有更好的识别效果。
2 基于 Haar 算法模型的人脸识别
2.1 基本矩阵特征和 haar-like 特征 haar-like 特征是计算机视觉领域一种常 用的特征描述算子。它最早用于人脸描述。 目前常用的 Haar-like 特征可以分为三类： 线性特征、边缘特征、点特征（中心特征）、 对角线特征 [1]。 Haar-Like 它 属 于 矩 形 特 征 , 对 一 些 比 较简单的结构 , 比如图像的边缘或者线段比 较敏感 , 由于只能描述特定方向比如水平、 垂直、对角的结构 , 所以比较粗略。脸的一 些特征能够用矩形特征粗略简单地描绘，比 如 : 鼻梁两侧的颜色要比鼻梁颜色要深些， 眼睛部分的颜色要比脸颊的颜色深些。检测 器其内的矩形特征数量大的惊人 , 如果要减 少运算量必须通过特定算法筛选出合适的矩 形特征 , 并且组合成强分类器才能有效的检 测出人脸。 2.2 计算特征总数 特征模板在子窗体里的位置成为一个特 征 , 根据模板找出所有窗体的特征给弱分类 器打好基础。基本的特征模板和派生出的模 板数相加就是总的特征数。
SVM 可以自动寻找出那些对分类有较好 区分能力的支持向量，由此构造出的分类器 可以最大化类与类的间隔，因而 SVM 有较高 的分准率和较好的适应能力。
人脸匹配点名时，首先利用 Adaboost 算 法在摄像头截取的图像中检测出人脸，将人 脸图像输入 CNN 进行特征提取，将这些特征 输入 SVM，通过与数据库中事先存储的学生 人脸特征数据的匹配，来实现点名。
时代汽车 ｗｗｗ．ｃｎａｕｔｏｔｉｍｅ．ｃｏｍ
义代价函数 Loss 如下式所示：
∑ ∑ ( ) ( ) Loss
=
−
1 m
m i =1
yi
log
fxiLeabharlann l+ λ sum
k =1
wk
2
其中 m 为样本集中样本的个数，l 为卷积
神经网络的层数。
第四步：应用反向的传播型算法，然后
用梯度下降算法更新所有滤波器的值 / 权重
关键词：人脸识别；深度学习；智能签到；卷积神经网络；支持向量机
1 引言
1.1 研究背景 目前许多工作签到场合除点名外多以 IC 卡，密码或者指纹设备为主，这些识别方式 都要求操作人员近距离操作，有时候显得极 不方便，同时也有丢失卡片或者被复制指纹 的漏洞。基于当前华北理工大学中一个普遍 存在的问题，即点名问题，传统的课堂点名 方法效率低下，浪费大量时间。提出基于深 度学习的人脸识别的课堂点名系统，将大大 提高了课堂点名的效率。 1.2 项目创新特色 深度学习是目前机器学习研究的一个新 的领域，它的动机在于建立、模拟人脑进行 分析学习的神经网络，它模仿人脑的机制来 解释数据。它通过组合低层特征形成更加抽 象的高层表示属性类别或特征，实现对输入 信息进行分级表达，可以有效解决不同姿态 和不同光照下人脸的识别效果，提高签到系 统的正确识别率。 本文将深度学习技术应用于人脸识别， 通过多层提取的特征具有更强的抽象性和判 别性，更好地实现样本分类。对于人脸估测 方法，采用图像特征判别法不易出现极大的 姿态判别误差，该项目通过建立数据库，以
（1）初始化滤波器，使用随机值设置参 数和权重。
（2）接收一张人脸作为输入，通过前向 传 播 过 程（ 卷 积、 池 化 操 作、ReLU 以 及 全 连接层的前向传播），找到各个类的输出概率。
（3）在输出层计算总残差和准确率，定
26 AUTO TIME
FRONTIER DISCUSSION | 前沿探讨
Haar 特征的计算得求出每一块区域的像 素，积分图的出现能够大大提高 Haar 特征的 计算速度。
3 深度卷积网络（CNN）的人脸特征 提取
基于 CNN 网络的人脸特征提取：将学生 人脸数据库中的图像输入 CNN，自动提取每 个学生的人脸特征，输出特征向量。
卷积神经网络是一个包含多个隐层的神 经网络模型，主要包括卷积层、池化层、输 入层、输出层以及全连接层。
以及参数的值，并根据网络的权重计算出误
差的梯度，让输出的误差最小化。
4 基 于 支 持 向 量 机（SVM） 的 特 征 匹配
SVM 是一种超级实用的分类算法，该算 法的目标是寻求结构化的风险最小化。但是 在训练的过程中，我们很难得到所有的样本， 所以只能采集一部分样本作为训练样本，所 以这样通过计算误差得到的是经验风险值。 SVM 的核心思想是将不同类别之间的样本尽 可能分的距离大，SVM 的终极目标就是找到 一个间隔最大的分离超平面把所有样本分隔 开，这样分类效果比较鲁棒。
FRONTIER DISCUSSION | 前沿探讨
基于深度学习的人脸识别技术在课堂签到上的应用
张成成 李思成 王艳双 陈磊磊 张祎 华北理工大学 河北省唐山市 063000
摘 要：本文通过总结人脸识别技术的特点和优势，并根据当前高校 ( 以华北理工大学为例 ) 中普遍存在的点名问题， 设计一款智能化的签到系统。本文总结了整个人脸识别签到系统以卷积神经网络算法实现过程等方面做了 深入的介绍，构建出一套完整的智能签到人脸识别系统。 基于 Haar 特征和 AdaBoost 分类器的人脸检测识别理论和方法。利用深度卷积神经网络的人脸特征提取， 将学生人脸数据库中的图片输入 CNN，准确提取每个学生的人脸特征。然后基于 SVM，根据 CNN 输出 的每名学生的特征向量，与摄像头检测出的人脸进行匹配，实现人脸识别点名。
当系统完成特征提取后，按照相似度由 高到低把提取结果进行排列，选取一定数量 假设为 x 的相似度最低的图像作为训练样本， 其他的图像数假设为 y 的图像则继续由用户 标记进入到相关反馈中。然后针对训练样本 中的图像的三种特征分别采用之前定义好的 函数进行训练，得到三个分类器。再对系统 图像库用这三个分类器进行分类处理。如果 某些样本在三个分类器中没有取得一致的分 类结果，那么该样本就属于“另类”，否则 就可以被归为“同类”。