基于Python编程的人脸识别系统设计与实现开题报告

1. 研究目的与意义（文献综述）

生物特征识别技术是利用人体生物特征进行身份认证的一种技术。生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的理想依据。生物特征识别系统对生物特征进行特征提取并组成特征模板，当人们应用该识别系统进行身份认证时，识别系统提取其特征并与数据库中的特征模板进行比对，以确定是否匹配，从而决定接受或拒绝该人。一般来说，人类的身份识别方式分为三类：1)特征物品：包括各种证件，如身份证、学生证箱护照等；2)特殊知识：包括各种密匙如（密码、口令等)和暗号等；3)人类生物特征：包括各种人类的生理和行为特征，如人脸、指纹、掌纹、虹膜、声音等。前两类特征识别方法属于传统意义上的身份识别技术，有着方便、快捷的特点。但这些特征识别方法致命的缺点是安全性差、易伪造窃取。相比较而言，人体生物特征由于其稳定性和独特性，成为最理想的身份识别特征。相比于其他生物特证、基于人脸面部特征的识别具有主动性、非侵犯性和用户友好性等许多优点、它是一种更方便直接、更友好、更容易被人们接受的识别方法。与此同时，人脸自身存在着诸如表情、姿态、光照强度变化以及饰物影响等，都会使人脸识别方法的的效果及稳定性受到很大的影响。在过去的几十年中，研究者们主要致力于从人脸识别算法的角度来提高生物特征识别的精度。时至今日，很多生物识别技术(如：指纹识别、人脸识别、声音识别、虹膜识别等)都具有了很高的识别精度且有相对较好的用户友好性。

人脸识别是当前人工智能和模式识别的研究热点，它是近20年来才发展起来的，20世纪90年代后更成为科研热点。最初的应用源于公安部门关于罪犯照片的存档管理和刑侦破案，随着科学技术的发展和社会的进步，进行快速、有效、自动的人脸识别的技术要求日益单切。不仅如此，目前该技术在国家公共安全、社会安全及商业等领域都有很多应用，主要有：1)证件验证在许多场合，证件验证是检验某个人身份的一种常用手段，而身份证、驾驶执照以及其他很多证件上都有照片，那么这项工作就可以交给机器完成，用以实现自动化智能管理。2）刑侦破案

当公安刑侦部门未获得罪犯的照片时，我们可以根据目击证人的描述，先由专业人员描出犯罪嫌疑人的肖像草图，然后用计算机合成出大概的人脸图像，再将此图像和数据库里的大量图像进行比对，找到犯罪嫌疑人。这样不仅节省了人力物力，更让犯罪嫌疑人难选法网。3)入口控制在机场、港口等许多出入境关口，由于人力有限，我们需要对关键出入口进行视频监控，一旦发现恐怖分子或违规人员进入视频监控范围，保安人员马上可以采取行动进行抓捕或阻止。4）信息安全由于科技的进步，犯罪分子伪造技术越来越高明，假身份证、假护照泛泄。即使是在在电子商务领域，国客破译计算机口令也比较容易，这给社会治安，商业机密带来挑战。所以，把有着独立、唯一性和稳定性的人脸生物特征作为密码口令、使得犯罪分子难以伪造和攻击，也使得国家安全部门、军方等系统更加安全可靠。

2. 研究的基本内容与方案

设计基本内容与目标为为：构建Usb摄像头及PC硬件平台，基于Python编程环境，设计机器学习算法，构建人脸图像库，编程实现特定人脸的识别，具有一定的抗攻击能力。人脸识别的大致流程为：事先准备好相应的大量数据训练得到的神经网络，运用摄像头，可根据现有的深度学习算法或是非深度学习算法实现人脸检测，将检测到的数据输入事先准备好的神经网络中，得到最大概率结果。采用的技术方案如下：在python环境下，选择合适的开源框架，可选择TensorFlow 2.0 来设计神经网络的基本模型。运用OpenCV结合笔记本的USB摄像头，选择合适人脸检测的算法，如使用dlib，opencv等现有的人脸检测方法（此方法与深度学习无关）。使用的特征是传统计算机视觉中的方法，一般是hog，HAAR等特征。将输入的人脸图像转换成一个向量表示。对于同一个人的人脸图像，对应的欧几里得距离小，对于不同的人脸图像，对应向量之间的欧几里得距离大。设计相关的识别算法进行特征提取，将所获取的数据放入预先训练好的神经网络中，通过分类聚集确定概率最大的输入图像所对应的区域范围代表的标签，完成人脸识别功能。在基本功能实现后再根据现有条件，对系统进行改进提高识别正确率与系统稳定性。

3. 研究计划与安排

第1周—第3周 搜集资料，论文翻译，撰写开题报告；

第4周—第5周 论文开题；构建usb摄像头及pc硬件平台，基于python编程环境，寻找确定可用的人脸数据库及熟悉基本的算法平台操作，确定人脸识别算法的基本流程

第6周—第12周 撰写论文初稿；

4. 参考文献（12篇以上）

[1] lematre g, nogueira f, aridas c k. imbalanced-learn: a python toolbox to tackle the curse of imbalanced datasets in machine learning[j]. journal of machine learning research, 2017, 18(17): 1-5.

[2] gupta i, patil v, kadam c, et al. face detection and recognition using raspberry pi[c]//2016 ieee international wie conference on electrical and computer engineering (wiecon-ece). ieee, 2016: 83-86.

[3] 方国康, 李俊, 王垚儒. 基于深度学习的 arm 平台实时人脸识别[j]. 计算机应用, 2019: 1-2.