基于卷积神经网络和SVM的课堂人脸识别方法与研究开题报告

1. 研究目的与意义（文献综述）

人脸识别技术的研究历史可以追溯到19世纪末，francisgalton在《nature》上首次提出可以通过找寻人脸轮廓曲线来进行人脸识别。近年来信息科技飞速发展，计算机的计算和存储能力得到大幅提高，人脸识别技术也受到了前所未有的重视。人脸识别方法主要分为传统方法和基于深度学习的方法。

传统的人脸识别方法主要有以下几种。sirovich和kirby提出利用主成份分析的方法（pca）。ronald fisher提出了基于线性判别分析理论（lda）的fisherfaces算法，提高了人脸识别的准确率。chen d等人提出了利用高维lbp特征进行人脸识别，能取得比全局lbp更鲁棒的效果。传统的人脸识别方法对光照、姿态等因素比较敏感，容易受到环境的影响。基于深度学习的识别算法则很大程度上克服了环境因素的影响。此类方法也可以分为两类。一种是利用多分类网络提取到人脸特征，然后使用其他分类器对人脸特征进行匹配。另一种是旨在增强验证监督信号，增强辨认同类或不同类人脸对的能力。

国内在20世纪90年代开始进行人脸识别研究。苏煜等人提出了先采用全局特征进行粗略匹配，再联合使用全局特征和局部特征进行精确匹配。程永清教授提出基于统计的方法，使用奇异值分解进行人脸识别。2014年6月，香港中文大学汤晓鸥教授团队提出了人脸识别新技术deepid。在开放环境下收集的lfw人脸数据集上，deepid2算法的人脸验证准确率达到了99.15％，首次达到和人的肉眼识别准确率99.2％相当的水平，而deepid3算法在lfw数据集上的人脸验证准确率达到99.53％，超过了肉眼识别的准确率。

2. 研究的基本内容与方案

研究内容和目标

研究的基本内容：本设计针对课堂考勤时人脸角度、表情变化和人脸部分遮挡导致人脸识别算法识别不准的问题，设计一种基于特征向量提取和 svm分类器的人脸识别方法。其中，利用卷积神经网络提取人脸图像的特征向量，将特征向量输入svm分类器进行训练，利用训练好的svm分类器进行人脸识别。识别内容包括：角度，表情和遮挡的现象。人脸角度变化主要包括抬头、低头、侧脸；表情变化主要有中性脸、高兴、惊奇；人脸部分遮挡主要包括脸颊、眼睛、嘴唇、鼻子被前面的学生遮挡。

研究目标：完成基于cnn和svm的课堂人脸识别系统的设计，软件仿真验证该系统性能，完成资料整理和论文编写。

3. 研究计划与安排

第1-3周 查阅相关文献资料，明确研究内容，了解在课堂考勤中人脸识别的国内外实现方案，弄清工作原理，完成开题报告。

第4-7周 阅读相关文献，确定系统框架，设计卷积神经网络并在数据集上训练，测试cnn性能并作调整改善。

第8-11周 阅读相关文献，设计svm分类器，使用cnn提取的特征向量训练svm分类器。测试系统性能，根据设计需求，对算法进行调整，完成毕业设计。

4. 参考文献（12篇以上）

[1] 徐峰，张军平.人脸微表情识别综述[j].自动化学报，2017，43（3）： 333-348.

[2] 徐红，彭力，陈容.基于优化支持向量机的人脸表情分类[j].计算机应用研究，2013，30（8）：25412544.

[3] 李艳玮，郑伟勇，林楠。融合 aam、cnn 与 lbp 特征的人脸表情识别方法[j].计算机工程与设计，2017，38（12）：3436-3440.