基于人脸识别的上课签到系统研究

作者签名： 二〇一 年 月 日
毕业论文（设计）使用授权声明
本人完全了解鲁东大学关于收集、保存、使用毕业论文（设计）的规 定。 本人愿意按照学校要求提交论文（设计）的印刷本和电子版，同意学 校保存论文（设计）的印刷本和电子版，或采用影印、数字化或其它复制 手段保存论文（设计）；同意学校在不以营利为目的的前提下，建立目录 检索与阅览服务系统，公布论文（设计）的部分或全部内容，允许他人依 法合理使用。 （保密论文在解密后遵守此规定）
签名： 年 院（系）毕业论文（设计）领导小组意见：
月
日
同 意 结 题
（公章） 年 月 日
毕业设计成绩评定表
学院（公章）：信息与电气工程学院 姓 名 题 目 *庆 总成绩：
基于人脸识别的上课签到系统研究
学号：201********1
评 阅 人 评 语
签名：
年
月 日
答 辩 小 组 评 语
答辩成绩：
组长签名：
本 科 毕 业 设 计
基于人脸识别的上课签到系统研究
姓 学 专 年 学 名 院 业 级 号 *庆 信息与电气工程学院 信息工程 2012 201*******1 孙** 讲师
指导教师
2016 年 05 月 16 日
独 创 声 明
本人郑重声明：所呈交的毕业论文（设计），是本人在指导老师的指 导下，独立进行研究工作所取得的成果，成果不存在知识产权争议。尽我 所知，除文中已经注明引用的内容外，本论文（设计）不含任何其他个人 或集体已经发表或撰写过的作品成果。 对本文的研究做出重要贡献的个人 和集体均已在文中以明确方式标明。 此声明的法律后果由本人承担。
人脸空间 (2) 编写 Eigenface 函数实现对人脸照片进行正确的分解-重构。
三．利用 LBP 算法提取人脸特征 (1) 采用均匀模式局部二进制法对训练集进行特征提取 四．结合 Eigenface 人脸特征和 LBP 人脸特征，并分类 (1) 根据 Eigenface 和 LBP 对人脸库的识别准确度确定 Eigenface 和 LBP 的权重 (2) 鉴于上课签到系统的人脸库是个特殊的库， 所以暂不考虑权重的自动修正， 后续如果有机会， 将会加入权重修正。
主要参考文献： [1] 陈 高 曙 ； 曾 庆 宁 . Eigenface 和 Fisherface 用 于 人 脸 识 别 的 性 能 比 较 [J]. 北 京 : 中 国 科 技 信 息 , 2006,(9):199-201. [2] 吴迪. 基于特征脸改进算法的人脸识别技术的研究[D]. 哈尔滨: 哈尔滨工业大学, 2007. [3] 梁淑芬；刘银华；李立琛 . 基于 LBP 和深度学习的非限制条件下人脸识别算法 [J].北京 : 通信学报, 2014,35(6):154-160 [4] 霍焰焰. 基于 PCA 和 LBP 改进算法的人脸识别研究[D]. 哈尔滨: 哈尔滨理工大学, 2015. [5] 王智飞. 低分辨率人脸识别算法研究[D]. 北京: 北京交通大学, 2013. 研究主要内容和预期结果（说明具体研究内容和拟解决的关键问题，预期结果和形式，如在理论上解决 哪些问题及其价值，或应用的可能性及效果）： 本次设计研究的课题为基于人脸识别的上课签到系统设计，重点在于人脸的识别对比。本次设计拟 采用特征脸（Eigenface）和局部二进制法（LBP）对人脸图像进行特征提取，特征脸对轮廓有着比较好 的提取效果，而 LBP 能够消除光照对图片的影响，提取出特征之后，再对人脸图像进行分类。该系统能 够实现人脸的正确识别，完成的系统可以实现上课签到的智能化。
论文作者： 二〇一 年 月 日
毕业设计开题报告
姓名 题 目 教师推荐 *庆 性别 男 学院 信息与电气工程 学院 年级 2012 学号 20*******1
基于人脸识别的上课签到系统研究 课题类别 应用实践研究
课题来源
选题意义（包括科学意义和应用前景，研究概况，水平和发展趋势，列出主要参考文献目录）： 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，它的研究始于 20 世纪 60 年 代，在 90 年代进入初级的应用阶段。人脸识别主要用于身份识别。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。目前人脸识别主要应用在企业、 住宅安全和管理，电子护照及身份证，公安、司法和刑侦等。
指导教师意见（对论文选题的意义、应用性、可行性、进度与计划等内容进行评价，填写审核结果：同 意开题、修改后再开题、不同意开题）： 人脸识别在各个领域都有着广泛的应用，如何更准确的识别人脸也是现今研究的重点，该生的选题 在理论方面和实践应用方面都有重要的意义和价值，并且对于所选的课题，该生查阅了大量的文献和并 制定了合理的研究方案，有完成课题的能力。 同意开题。 签名： 年 学院毕业论文（设计）领导小组意见： 月 日
（签章） 年 月 日
毕业设计结题报告
姓名 题 目 老师推荐 *庆 性别 男 学院 信息与电气工程 学院 年级 1201 学号 201*******1
基于人脸识别的上课签到系统研究 课题类别 应用实践研究
课题来源
本课题完成情况介绍（包括研究过程、实验过程、结果分析、存在的问题及应用情况等。）
经过长时间的反复实验，最终分别实现了 Eigenface 算法和 LBP 算法对人脸的识别，再基于二 者的特征， 对所取得分类取恰当的权重， 实现两种算法结合的人脸识别， 并且对于不同的人脸库 （各 种强度的光照、不同性别、不同肤色），它们的第一目标的识别效率都比较高。理论上来说，LBP 模式能去除光照对图像的影响，但是，通过更换人脸库得知（尤其是耶鲁人脸库），当光照变化不 是全局的、图片阴影太多时，仍无法得到比较好的结果，这也是今后需要进一步完善之处。
ຫໍສະໝຸດ Baidu
拟采取的研究方法和技术路线（包括理论分析、计算，实验方法和步骤及其可行性论证，可能遇到的问 题和解决方法，以及研究的进度与计划）： 本次设计拟采用的研究方法和步骤如下： 一．利用现有的人脸数据库计算出平均人脸模型 二．利用 Eigenface 算法提取人脸特征 (1) 求训练集与平均脸的差值的协方差矩阵 A'A 的特征向量，去除属于 0 的特征向量，张成
指导教师评语：
该生较好的完成了所选课题的设计工作和论文写作，通过对人脸识别算法的研究，可以实现上 课签到的智能化。在本次设计中，该生更换了不同的人脸库，并对特征脸和 LBP 算法在人脸识别中 的运用进行了详细分析，提出了特征脸和 LBP 算法结合时的权重自动确认，有一定的创新和实用价 值。 经审阅，该设计是一个较好的本科毕业设计，同意结题。
年
月
日
注：总成绩=答辩成绩（100%）。总成绩由百分制转换为五级制，填入本表相应 位置。
目
录
1 引言.....................................................................................................................................1 2 研究内容及方案.................................................................................................................2 3 人脸图像的检测与识别.....................................................................................................4 3.1 人脸检测...................................................................................................................... 6 3.2 人脸图像的识别分类.................................................................................................. 5 4 特征提取.............................................................................................................................6 4.1 特征脸提取特征.......................................................................................................... 6 4.1.1 特征脸算法的步骤............................................................................................... 6 4.1.2 特征脸算法的实现............................................................................................... 7 4.2 局部二进制法提取特征.............................................................................................. 9 4.2.1 LBP 算法................................................................................................................9 4.2.2 LBP 特征提取......................................................................................................10 5 实验结果与分析...............................................................................................................11 5.1 正常光环境下的匹配结果........................................................................................ 12 5.2 全局光照偏暗条件下的匹配结果............................................................................ 13 5.3 局部光照偏暗条件下的匹配结果............................................................................ 14 5.4 ORL 人脸库的匹配结果............................................................................................ 16 6 总结和展望.......................................................................................................................17 参考文献...............................................................................................................................17 致谢.......................................................................................................................................18