基于视频人脸识别技术研究开题报告

1. 研究目的与意义（文献综述）

1.1 研究目的和意义

人脸识别是人工智能研究的一个分支，因此人脸识别研究的目的就是让机器具有像人类一样的思考能力以及识别事物、处理事物的能力，并从各个角度来探求人类的思维机制以及感知事物的能力、处理事物的能力的机制，并应用于实践。

一方面，传统的身份认证方法如密码、证件等认证方法因其存在容易遗失、易被破解等诸多因素，给人们的生活带来诸多不便，已经不能完全满足人们的需要。另一方面，在金融、安防、网络等许多领域，随着现代网络技术的快速发展，信息安全也向人们显示出其前所未有的重要性，这些领域都需要新的更精确的身份认证技术。此时，归属生物特征识别的人脸识别则是满足了以上需求以及有很好的前景。

2. 研究的基本内容与方案

2、研究（设计）的基本内容、目标、拟采用的技术方案及措施

2.1研究基本内容

人脸识别的主要过程有图像的摄取、预处理、人脸检测、特征提取和人脸识别五个过程。首先摄取图像，再通过预处理使图像达到标准化，使外界干扰对目标的影响的减至最小，再从一个多变的景象中检测出人脸的位置，然后提取出其人脸特征，最后对所得到的图像进行识别。

本设计的主要内容是图像的摄取、图像的预处理、人脸检测、特征提取和人脸识别。图像的预处理包括几何校正、图像噪声处理、直方图均衡化、灰度归一化、滤波变换等；人脸检测方法主要有基于人脸统计理论的方法、基于人脸几何特征的方法、基于人脸模板的方法、基于人脸知识的方法等；特征提取方面可以使用基于通用形变模型的人脸轮廓的特征提取，可以是基于数学变换的特征提取，也可以是基于主成分方法以及衍变方法的人脸特征提取 ，也可以是基于动态模板提取特征点等；人脸识别方面可以使用基于几何特征、基于特征脸、局部特征分析方法、基于模板匹配、图匹配、人工神经网络、柔性形状模型技术等的识别方法。

基于视频人脸识别的研究流程如图2.1所示。

人脸 识别

特征 提取

人脸 检测

图像 的预处理

图像 摄取

图2.1 基于视频人脸识别的研究流程

在本设计中，可以采用基于 Adaboost 人眼检测算法和双眼定位算法结合的人脸检测算法，采用 LBP(局部二值模式)的算法进行人脸特征提取，之后采用 （改进的）PCA（主成分分析）算法进行特征降维，最后采用基于支持向量机（SVM）的特征分类识别算法。

2.2研究目标

本研究的研究目标是从视频中获取人脸图像，通过设计人脸识别算法及程序，对所获取的图像进行检测、提取特征和最终分类识别，在智能人脸识别应用中得到验证，突破传统识别。

从摄像头摄入视频，计算机开启opencv,运行所设计的程序，对视频进行图像的预处理、人脸检测、特征提取以及最后的人脸分类识别，得到出相应的结果，多次进行，算出识别成功的概率。

2.3拟采用的技术方案及措施

本文研究使用的方案及步骤如图2.2所示。

分类结果

从视频中摄取图像

图像的预处理

特征提取

特征降维

得到特征矩阵

分类器训练

分类器

分析结果，总结本设计报告

图2.2本设计研究步骤

基于视频人脸识别有几个方面需要注意，一个是人脸图像的预处理，包括消除噪声、灰度归一化、几何校正等，通过这些预处理把外界干扰最大限度地减到最小，第二个是

特征提取方法的缺点怎么去弥补，比如说使用LBP直方图进行提取特征矩阵，就需要降维，此时可以使用PCA降维，第三个是识别的方法，采用不同的分类方法识别同样有其优缺点，考虑在不同的环境下采用不同的识别方法。总的来说，每一环都会对设计的结果造成一定程度的影响，所以想要得到更为准确地结果就应该把每一环都设计好。

其中，本设计的重点及难点在于特征提取和分类识别。由于人脸信息较大，且有光照、尺度、旋转因素等影响，特征提取的精确度会减低，可以使用Gabor变换、Gauss变换等方式处理，至于分类识别则有支持向量机(SVM)方法、几何特征方法、特征脸方法、图匹配、人类神经网络方法等，不同的方法对应不同的算法以及它的优缺点，比如说图匹配抗干扰能力较好，当识别速度慢，在实时要求比较高的场合不适合。

3. 研究计划与安排

第1周—第3周 搜集资料，撰写开题报告；第4周—第5周 论文开题；第6周—第12周 撰写论文初稿；第13周—第16周 修改论文；第17周 论文答辩。

4. 参考文献（12篇以上）

[1] 郭庆.基于视频监控的人脸识别研究.学位论文.2014(5)

[2] 朱苗.基于视频的智能人脸识别系统设计.学位论文.2013(5)