开题报告
合集下载
相关主题
- 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)。
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。
六、主要参考文献
[1]CJ Hasson，S Tian，S Dagmar.Energy margins in dynamic objectmanipulation[J].2012,108(5):1349-65.
[2]P Zarafshan，SAA Moosavian.Cooperative Object Manipulation by a Space Robot with FlexibleAppendages[J].IsrnAerospace Engineering2013,2013.
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。
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；图1.2人脸识别
门禁系统
人脸识别门禁是基于先进的人脸识别技术，结合成熟的ID卡和指纹识别技术而推出的安全实用的门禁产品。产品采用分体式设计，人脸、指纹和ID卡信息的采集和生物信息识别及门禁控制内外分离，实用性高、安全可靠。系统采用网络信息加密传输，支持远程进行控制和管理，可广泛应用于银行、军队、公检法、智能楼宇等重点区域的门禁安全控制。
人脸鉴别(Face Identification)：将某人面像与数据库中的多人的人脸进行比对(有时也称“一对多”比对)，并根据比对结果来鉴定此人身份，或找到其中最相似的人脸，并按相似程度的大小输出检索结果。
五、研究工作进度
1—4周：熟悉任务书所下发课题和任务，查阅相关参考资料，确定设计方案并参加开题报告答辩。
下面先定义几个必要的基本参量以方便叙述。
1．在 d 维空间
(1)各类样本均值向量mi
,i=1,2
(2)样本类内离散度矩阵Si和总类内离散度矩阵S w
)
(3)样本类间离散度矩阵Sb
Sb= (m1 -m2 )(m1 -m2 )
其中S w是对称半正定矩阵，而且当 N>d 时通常是非奇异的。Sb也是对称其正定矩阵，在两类条件下，它的秩大于等于 1。
1.2选题的目的和意义
目的：一方面对典型的Fisher判别方法在人脸识别的应用上进行研究，实现人脸的自动识别。一方面，通过深度学习算法实现对人脸的自动识别并能够在实际生活中应用。
意义：人脸识别主要用于身份识别，有望应用身份证、社保卡的身份确认以及门禁等安防系统中。由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。人脸识别技术无疑是最佳的选择，采用快速人脸检测技术可以从监控视频图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、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，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
= ,n=1,2,...,N
这样便得到一个一维样本 组成的集合，并可分为两个子集Y1与Y2。从集合上看，如果||w||=1，则每个 就是相对应的 到方向为w的直线上的投影。实际上，w的绝对值是无关紧要的，他仅使 乘上一个比例因子，重要的是选择 w 的方向。 W 的方向不同，将使样本投影后的可分离程度不同， 从而直接影响识别效果。 因此， 所谓寻找最好投影方向的问题，在数学上就是寻找最好的变换向量 w*的问题。
燕山大学
本科毕业设计（论文）开题报告
课题名称：基于Fisher判别的人脸识别研究
学院（系）：燕山大学里仁学院
年级专业：13级检测技术及仪器
学生姓名：康立鹏
指导教师：付荣荣
完成日期：2017年3月25日
目录
一、综述本课题国内外研究动态，说明选题的依据和意义- 1 -
1.1课题的研究背景及选题依据- 1 -
w* = (m1 -m2)
w*就是使 Fisher 准则函数J F(w)取极大值的解， 也就是 d 维 X空间到一维 Y空间的最好投影方向。
至此，本文已经漂亮的解决了问题的一大半，最后只剩如何在这个一维空间上确定阈值。其实这也好办。比如说，如果以知两类的先验概率，则可以根据 Bayes 准则；若没有任何先验知识，可以简单的取阈值= .
1.2选题的目的和意义- 2 -
二、研究的基本内容，拟解决的主要问题- 3-
三、方案论证- 4 -
3.1Fisher判别分析（LDA）- 4 -
3.2深度学习法- 4 -
四、研究步骤及措施- 4-
五、研究工作进度- 6-
六、主要参考文献- 7-
七、指导教师意见- 8-
八、系级教学单位审核意见：- 9-
人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：
非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；
非接触性：用户不需要和设备直接接触就能获取人脸图像；
3.2深度学习法
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习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，以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
一、综述本课题国内外研究动态，说明选题的依据和意义
1.1课题的研究背景及选题依据
判别分析，是一种统计判别和分组技术，就一定数量样本的一个分组变量和相应的其他多元变量的已知信息，确定分组与其他多元变量信息所属的样本进行判别分组。人脸识别是一个典型的图像模式分析、理解与分类计算问题，涉及模式识别、图像处理和统计学习等多个学科。下面是这两方面的具体阐述及研究动态。
人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
1、企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸Байду номын сангаас别防盗门等。
2、电子护照及身份证。中国的电子护照计划公安部一所正在加紧规划和实施。
4、研究步骤及措施
人脸检测(Face Detection):实现人脸自动提取采集，从摄像机视野或图片内的复杂背景图像中自动提取人的面部图像。确认检测目标的人脸属性。
人脸确认(Face Verification):将某人面像与指定人员面像进行一对一的比对，根据其相似程度(一般以是否达到或超过某一量化的可信度指标/阀值为依据)来判断二者是否是同一人。
3、公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃犯。
4、自助服务。
5、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。但是使用生物特征，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。
具体应用实例：
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。
并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；
除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。
综上所述，人脸识别技术在社会生活的诸多方面都具有广泛的应用，给人们的生产生活都带来了极大的方便，也正是因为如此，我决定选择这个题目作为我的毕业设计题目，从而更深入的认识人脸识别在生活中的应用。
传统的人脸识别研究主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别，和热成像人脸识别。但这两种技术还远不成熟，识别效果不尽人意。迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响，已经取得了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速，使人脸识别技术逐渐走向实用化。
2．在一维 Y 空间
(1)各类样本均值
(2)样本类内离散度 和总类内离散度
现在来定义 Fisher 准则函数。为了投影后，在一维 Y 空间里各类样本尽可能分得开些，
即希望两类均值之差 ( ) 越大越好；同时希望各类样本内部尽量密集。即希望类内离散度越小越好。因此，定义 Fisher 准则函数：
,
下面求使J F(w)取极大值时的 w*。
Fisher判别:亦称典则判别，是根据线性Fisher函数值进行判别，通常用于梁祝判别问题，使用此准则要求各组变量的均值有显著性差异。该方法的基本思想是投影，即将原来在R维空间的自变量组合投影到维度较低的D维空间去，然后在D维空间中再进行分类。投影的原则是使得每一类的差异尽可能小，而不同类之间投影的离差尽可能大。Fisher判别的优势在于对分布、方差等都没有任何限制，应用范围比较广。另外，图1.1 判别分析用该判别方法建立的判别方差可以直接用手工计算的方法进行新样品的判别，这在许多时候是非常方便的。
三、方案论证
3.1Fisher判别分析法（LDA）
Fisher在1936年的一篇经典论文中解决了这一问题。推导过程用到了矩阵特征值、对向量求微分等矩阵论知识。
假设有一集合H包含N个d维样本x1,x2,..., ， 其中N1个属于ω1类的样本记为子集H1，N2个属于ω2类的样本记为H2。若对 的分量做线性组合可得标量：
5—10周：设计系统方案，给出合理技术路线，组织相关材料，撰写中期答辩报告并参加中期答辩
11—12周：按照中期检查老师的建议改进设计方案，进行相关科学实验。
13—14周：对实验数据进行分析，比较不同模式识别方法的优劣。
15—17周：整理材料，按照毕业设计论文撰写规范撰写毕业设计论文，提交相关材料并准备参加毕业设计答辩。
六、主要参考文献
[1]CJ Hasson，S Tian，S Dagmar.Energy margins in dynamic objectmanipulation[J].2012,108(5):1349-65.
[2]P Zarafshan，SAA Moosavian.Cooperative Object Manipulation by a Space Robot with FlexibleAppendages[J].IsrnAerospace Engineering2013,2013.
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。
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；图1.2人脸识别
门禁系统
人脸识别门禁是基于先进的人脸识别技术，结合成熟的ID卡和指纹识别技术而推出的安全实用的门禁产品。产品采用分体式设计，人脸、指纹和ID卡信息的采集和生物信息识别及门禁控制内外分离，实用性高、安全可靠。系统采用网络信息加密传输，支持远程进行控制和管理，可广泛应用于银行、军队、公检法、智能楼宇等重点区域的门禁安全控制。
人脸鉴别(Face Identification)：将某人面像与数据库中的多人的人脸进行比对(有时也称“一对多”比对)，并根据比对结果来鉴定此人身份，或找到其中最相似的人脸，并按相似程度的大小输出检索结果。
五、研究工作进度
1—4周：熟悉任务书所下发课题和任务，查阅相关参考资料，确定设计方案并参加开题报告答辩。
下面先定义几个必要的基本参量以方便叙述。
1．在 d 维空间
(1)各类样本均值向量mi
,i=1,2
(2)样本类内离散度矩阵Si和总类内离散度矩阵S w
)
(3)样本类间离散度矩阵Sb
Sb= (m1 -m2 )(m1 -m2 )
其中S w是对称半正定矩阵，而且当 N>d 时通常是非奇异的。Sb也是对称其正定矩阵，在两类条件下，它的秩大于等于 1。
1.2选题的目的和意义
目的：一方面对典型的Fisher判别方法在人脸识别的应用上进行研究，实现人脸的自动识别。一方面，通过深度学习算法实现对人脸的自动识别并能够在实际生活中应用。
意义：人脸识别主要用于身份识别，有望应用身份证、社保卡的身份确认以及门禁等安防系统中。由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。人脸识别技术无疑是最佳的选择，采用快速人脸检测技术可以从监控视频图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、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，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
= ,n=1,2,...,N
这样便得到一个一维样本 组成的集合，并可分为两个子集Y1与Y2。从集合上看，如果||w||=1，则每个 就是相对应的 到方向为w的直线上的投影。实际上，w的绝对值是无关紧要的，他仅使 乘上一个比例因子，重要的是选择 w 的方向。 W 的方向不同，将使样本投影后的可分离程度不同， 从而直接影响识别效果。 因此， 所谓寻找最好投影方向的问题，在数学上就是寻找最好的变换向量 w*的问题。
燕山大学
本科毕业设计（论文）开题报告
课题名称：基于Fisher判别的人脸识别研究
学院（系）：燕山大学里仁学院
年级专业：13级检测技术及仪器
学生姓名：康立鹏
指导教师：付荣荣
完成日期：2017年3月25日
目录
一、综述本课题国内外研究动态，说明选题的依据和意义- 1 -
1.1课题的研究背景及选题依据- 1 -
w* = (m1 -m2)
w*就是使 Fisher 准则函数J F(w)取极大值的解， 也就是 d 维 X空间到一维 Y空间的最好投影方向。
至此，本文已经漂亮的解决了问题的一大半，最后只剩如何在这个一维空间上确定阈值。其实这也好办。比如说，如果以知两类的先验概率，则可以根据 Bayes 准则；若没有任何先验知识，可以简单的取阈值= .
1.2选题的目的和意义- 2 -
二、研究的基本内容，拟解决的主要问题- 3-
三、方案论证- 4 -
3.1Fisher判别分析（LDA）- 4 -
3.2深度学习法- 4 -
四、研究步骤及措施- 4-
五、研究工作进度- 6-
六、主要参考文献- 7-
七、指导教师意见- 8-
八、系级教学单位审核意见：- 9-
人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：
非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；
非接触性：用户不需要和设备直接接触就能获取人脸图像；
3.2深度学习法
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习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，以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
一、综述本课题国内外研究动态，说明选题的依据和意义
1.1课题的研究背景及选题依据
判别分析，是一种统计判别和分组技术，就一定数量样本的一个分组变量和相应的其他多元变量的已知信息，确定分组与其他多元变量信息所属的样本进行判别分组。人脸识别是一个典型的图像模式分析、理解与分类计算问题，涉及模式识别、图像处理和统计学习等多个学科。下面是这两方面的具体阐述及研究动态。
人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
1、企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸Байду номын сангаас别防盗门等。
2、电子护照及身份证。中国的电子护照计划公安部一所正在加紧规划和实施。
4、研究步骤及措施
人脸检测(Face Detection):实现人脸自动提取采集，从摄像机视野或图片内的复杂背景图像中自动提取人的面部图像。确认检测目标的人脸属性。
人脸确认(Face Verification):将某人面像与指定人员面像进行一对一的比对，根据其相似程度(一般以是否达到或超过某一量化的可信度指标/阀值为依据)来判断二者是否是同一人。
3、公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃犯。
4、自助服务。
5、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。但是使用生物特征，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。
具体应用实例：
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。
并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；
除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。
综上所述，人脸识别技术在社会生活的诸多方面都具有广泛的应用，给人们的生产生活都带来了极大的方便，也正是因为如此，我决定选择这个题目作为我的毕业设计题目，从而更深入的认识人脸识别在生活中的应用。
传统的人脸识别研究主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。解决光照问题的方案有三维图像人脸识别，和热成像人脸识别。但这两种技术还远不成熟，识别效果不尽人意。迅速发展起来的一种解决方案是基于主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响，已经取得了卓越的识别性能，在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速，使人脸识别技术逐渐走向实用化。
2．在一维 Y 空间
(1)各类样本均值
(2)样本类内离散度 和总类内离散度
现在来定义 Fisher 准则函数。为了投影后，在一维 Y 空间里各类样本尽可能分得开些，
即希望两类均值之差 ( ) 越大越好；同时希望各类样本内部尽量密集。即希望类内离散度越小越好。因此，定义 Fisher 准则函数：
,
下面求使J F(w)取极大值时的 w*。
Fisher判别:亦称典则判别，是根据线性Fisher函数值进行判别，通常用于梁祝判别问题，使用此准则要求各组变量的均值有显著性差异。该方法的基本思想是投影，即将原来在R维空间的自变量组合投影到维度较低的D维空间去，然后在D维空间中再进行分类。投影的原则是使得每一类的差异尽可能小，而不同类之间投影的离差尽可能大。Fisher判别的优势在于对分布、方差等都没有任何限制，应用范围比较广。另外，图1.1 判别分析用该判别方法建立的判别方差可以直接用手工计算的方法进行新样品的判别，这在许多时候是非常方便的。
三、方案论证
3.1Fisher判别分析法（LDA）
Fisher在1936年的一篇经典论文中解决了这一问题。推导过程用到了矩阵特征值、对向量求微分等矩阵论知识。
假设有一集合H包含N个d维样本x1,x2,..., ， 其中N1个属于ω1类的样本记为子集H1，N2个属于ω2类的样本记为H2。若对 的分量做线性组合可得标量：
5—10周：设计系统方案，给出合理技术路线，组织相关材料，撰写中期答辩报告并参加中期答辩
11—12周：按照中期检查老师的建议改进设计方案，进行相关科学实验。
13—14周：对实验数据进行分析，比较不同模式识别方法的优劣。
15—17周：整理材料，按照毕业设计论文撰写规范撰写毕业设计论文，提交相关材料并准备参加毕业设计答辩。