基脸识动态识签系统设计实现
Design and Implementation of Dynamic Recognition Checkin System Based on Face Recognition
容摘
目标检测（Object Detection）年计算机科学研究重点通识目标特征复杂场景分割针特定目标进行识关键点准确度实时性 脸识（Face recognition）目标检测中重子类旦脸识技术足够成熟意味着需物理钥匙者数码密钥张脸满足日常生活中切世界相似脸绝没完全相两脸识技术足够成熟完全脸识作身份分类重指标
深度学刺激脸识巨突破机器变会思考意味着脸识安全等级会提高适更安全求更高场景时脸识研究推动更神网络图处理等领域发展
关键词： □目标检测 □脸识 □深度学
Abstract
□
Object detection is the research focus of Computer Science in recent years It can recognize the geometric characteristics of the target segment the complex scene and recognize the specific target The key point is the accuracy and realtime Face recognition is one of the most important sub categories in target detection Once our face recognition technology is mature enough it means that we no longer need other physical keys or digital keys but with a face we can meet everything in our daily life There may be many similar faces in the world but there are absolutely no two identical people When face recognition technology is mature enough we can take face recognition as an important index of identity classification
Under the stimulation of deep learning face recognition has made a great breakthrough and machines have become thinking This means that the security level of face recognition will be improved which can be applied to more scenes with higher security requirements At the same time the research of face recognition can also promote the development of more neural networks image processing and other fields
Key words： □object detection □face recognition
□recognition speed
目录
第章：绪 1
11研究背景意义 1
12脸识6种实现方式 1
121特征脸识方法 2
122基特征脸(PCA)脸识方法 2
123神网络脸识方法 2
124弹性图匹配脸识方法 2
125线段Hausdorff 距离(LHD) 脸识方法 2
126支持量机(SVM) 脸识方法 2
13文工作 3
第二章：脸识新特性深度学 3
21 深度学 3
22 深度学脸识二次结合 4
221 VGG模型 5
222 优图祖母模型 6
23章总结 7
第三章 ：动态脸识签系统实现 8
31实现思路 8
32算法实现 8
3．2．1 环境赖 8
322 实现普通脸识 9
33完善动态脸识签系统 12
331 视频流中取帧进行识 12
332 实现传素材导出签表 15
333 演示 16
34章结 17
第四章：总结展 18
41文总结 18
42展 18
参 考 文 献 20
致谢 21
第章：绪
11研究背景意义
传统目标检测技术通特征图进行切割进切割出素材进行分析根特征分类实际中种物品杂乱章重叠摆放部分物品特征会覆盖导致目标检测准确率较低实型高工智展示样世界
目前种工智设备早已众接受种IOT设备已量产物联网完全AI杆利刃更层楼工智带仅仅全新机交互体验时带更技术工种业机会工智跨越行业相结合意味着需更进行智训练工智初动化革命般社会注入新血液脸识技术早十年前科幻电影中已出现着机器学脚步走出电影生活中传统物理密钥密码存盗取风险脸样算双胞胎间存摸样五官角度脸识进行身份理安全项技术
脸识技术越越普数集会越越丰富通更训练机器更加智更适应生活需
机器学研究前期机器算法较简单处理较单场景优秀表现涉较复杂数衍变时简单算法结构输出结果准确率极低例处理然信号1980年深度学出现概念工神网络程中提出设计出发点建立机器脑通模拟体脑工作程研发出整套神网络处理解析获取复杂数例影视音等深度学通输入信号分解组合低层次特征然表示目标特征者类特征输出
种外界素影响脸识准度精度满足场景需求脸识二维发展较完善通三维图综合识通引入时间概念通时间段识确定识象身份脸识道路长
12实现脸识
121基特征脸识
特征五官模型差距五官间距离关系该算法理容易理解识速度快原理简单占存相较少遗憾识率较低够准确
122 基特征脸(PCA)脸识方法
特征脸方法基KLT提出脸识方法KLT全称KarhunenLoève translation优正交变换前压缩图文件通N维图进行KLT变换获取组低次分量中选取重分量然扩张线性空间进行投影投影出空间判定否相脸特征量
特征脸方法缺点需量训练样保证识精度准确性完全通图灰度特征进行统计特征脸方法许版适应求场景体原理致
123神网络脸识方法
神网络特点输入变量类型更会根输入值通智算法进行分析传统识方法般需完整脸神网络通部分脸进行分析出结然结法直接利筛选掉符合减少投入工时缺点十分明显需较训练样神网络进行适应性学训练样数量识精准度成正
124弹性图匹配脸识方法
弹性图匹配思路生物学角度出发定义基脸型通二维拓扑表现出时该拓扑图顶点作该脸图特征量表示该点周围线性关系中弹性二字意思允许图时具定弹性变法样克服微表情变化带识障碍通素灰度化特征相结合弹性图匹配广泛应流式处理线识产品更重需量训练样品进行适应性训练
125 LHD脸识方法
LHD群心理学家提出识方法认类轮廓线条识精准度速度差提出LHD灰度化脸图中提取中轮廓线LDH表示线条间距离关系更重LDH没建议两线段间唯应关系方面验证单线段否发生某种容忍变化表示脸间相似程度结果LHD绕光条件姿态变化方面显示较良识性轮廓法体现脸表情表情处理方面识效果意
126 SVM脸识方法
SVM中文名支持量机年进入智识领域研究者眼中通支持量机学机泛化力换取更高计算性SVM识程中帮助识脸分解特征变量进根特征变量脸特征进行出脸识结果通SVM提高脸识识率数识方法样SVM需量训练样实际应中训练样数量足SVM训练程耗时长算法种类千秋该方法没统定
13文工作
文目标检测出发针脸识进行研究讲述脸识研究意义发展方
着重介绍深度学脸识研究巨帮助深度学脸识够更加智识增加识速度精度脸识目前已广泛应企业卡签部分智家居产品部分特殊场景没采脸识利更精密识手段诸瞳孔者物理密钥种形式脸识缺点较显易见存欺骗性时针脸部丰富表情变化外界环境光等预见素脸识会受影响许识速度慢者法正常识等问题
文简单实现动态脸识签系统识流程抵先素材库中脸预处理包含脸特征二维数组种形式缓存开摄头进行识时候提取关键帧脸处理测试数缓存中素材集进行根相应阈值找素材库中应名保存签名单中摄头关闭时签名单保存TXT项目根目录中预处理素材库中素材步处理素材会缓存存中素材时存资源求较高
文分四章节：
第章：绪针脸识深度学结合脸识焕发活力介绍脸识种方式效率脸识科技生活巨帮助
第二章：拥深度学新特性脸识传统脸识相优势
第三章：通face_ recognition实现动态脸识签系统拥线添加素材实时脸识导出签员表等功
第四章：突破现脸识效率准确率法取现状
第五章：结展
第二章：脸识新特性深度学
21 深度学
深度学分深度学两程理解：学词义解释指通阅读听讲思考研究实践等途径获知识技程深度学中实差输入值通听讲思考等动作换成机器够读取数集深度意思输入值输出值程中历计算程联系浅入深终输出想数计算程坏效率高输出值缺准确效率低输出值准确形象称程学策略学策略然需花费量时间规划结果足够准确学策略会导致错误会学程走更弯路
学术界尝试模拟脑完成套计算机够理解学策略称神网络脑皮层中神元组成神网神网络模仿概念设计
图中输入值x1x2x3包括输入层四层结构输出期结果简单神网络中L1l4分输入层输出层l2l3隐藏处理层越复杂运算需处理层越时处理层包含参数越导致整神网络规模呈现非线性扩
总结深度学通层次计算分析通浅入深获取需输出值程神网络通分析整运算规划种参数处理层组成型计算网络通计算网络实现输入值输出值转变
22 深度学脸识二次结合
传统脸识模型般图22通提取cnn特征作判断深度学脸识二次结合脸识走出条全新道路深度学通次训练训练出种类脑种思维方式样数足够理脑般准确分析思考会根数集结果微调数结果判定占图222图间数值欧式空间中距离该数越低证明两张片性越高训练样数越高片间距离参数会改变趋真相
图221
图222
221 VGG模型
初VGG作图分类识训练神网络牛津学科学工程系发布探究图分类程中网络深度影响识准确率精度初VGG16（VGGVeryDeep16 CNN）全称中出发布者VGG16研究深度标准高
VGG传统卷积网络模型卷积层池化层应关系规定整模型中5池化层分部分卷积层相关联图223中池化层分配关系VGG卷积层数量划分命名少3全连接层+8卷积层组成命名VGG113全连接层+16卷积层组成命名VGG19
图223
然作ImageNet放光彩模型没简单结构设计成变完全全卷积网络概念进行改造首全连接层改7x7余全连接层改1x1VGG前没神网络模型够做突破10层情况保证效果良受影响VGG然突破网络深度没彻底解决网络深度带系列问题网络层数样会出现梯度性降等问题总说VGG刚提出时候受推崇着时间流逝越越更加优秀训练模型提出VGG耀眼
222 优图祖母模型
祖母模型提出初已决定成百宝箱特指代种深层神网络模型具相结构特征神网络模型集合应场景优图祖母模型提供神网络模型完成需实现效果优图祖母模型族
目前流行深层神网络模型（图224）结构划分三种：1单支型（AlexNetVGGNet）2双分支型（ResNet）3分支型（GoogleNet）直线型结构设计简单网络深度深会出现性爆炸性消退等问题时结构单缺乏改造性局部分支型具较强计算力较高计算效率设计复杂设计耗费力物力较结合两点祖优图终采双分支型种折中架构构建祖母模型族双分支型身具强学力许采该结构训练集赛中获奖次结构设计较简单前期力消耗控特点识力神网络深度正相关关系意味着针应场景模型进行识训练时候完全通控制网络深度应需求满足户识需求般会求获取户数集进行训练保证神网络模型性
图224
祖母模型期识流程进行次较变动：
流程变更迁移学提出迁移学工智领域提出解决处理场景训练时长长问题神网络模型完全通迁移学减少训练花费时间简单点讲整训练程分：1预训练（pretrain）2精细化调整（finetune）
针脸识场景已训练完成优图祖母模型针新场景新数进行精细化调整满足新场景识需求
23章总结
章介绍VGG优图祖母模型两种脸识模型 VGG优图祖母模型
VGG牛津学科学工程系发布探究图分类程中网络深度影响识准确率精度研究程中进行识训练着VGG结构清晰简洁优点取错成效时通型滤波器代正常滤波器获更性印证：通断加深网络结构提升性VGG计算资源求非常高量参数深度学模型需占更存中部分参数全连接层根部分实验结果效果算掉全连接层性没太影响样显著降低参数数量
优图提出祖母模型未深度学流优图祖母模型核心通量式样样训练出庞数集集合该集合处（脸识目标检测动态踪动驾驶等）年迁移学提出祖母模型族成型性提升进行基础模型预训练特定务模型进行精细化调整样优化祖母模型特定场景训练流程减少训练时长完成更训练目前优图祖母模型已投入应中取错成果腾讯云AI脸识产品中第三代优图祖母模型进行测试
第三章 ：动态脸识签系统实现
31实现思路
首先线签系统少三功：
1素材传
2通摄头设备素材库进行识
3保存签成功名单
中13通Python带库实现核心识功选择github开源项目Face Recognition通进行二次开发实现动态脸识签系统实现
32算法实现
3．2．1 环境赖
根Face Recognition开发文档该项目运行环境支持linux树莓派设备系统环境win10通查找资料找win10运行安装方式
1安装Anaconda
2通Anaconda安装CMake
3安装dilb
4成功安装face recognition
322 实现普通脸识
想实现脸识首先解决找画面脸脸识初期问题第提出时间出现许识算法
根知识体系出发抵分工智神网络图处理模式识等种识方法然出发点致终采特征脸方法实现脸识
特征脸方法利分析法脸图分解提取特征样实际相脸化组组量然提取特征样参考库中提取特征样进行根匹配特征样数取高找识度高脸特征样返回时具脸定特征特征样特征脸
图321
图321中副脸图分解成组权值量然利量单位找距离应脸图身份作测试脸图身份派出素描画嫌疑画程基础脸型出发点然画出眼睛嘴巴等五官目击者确认逐渐拼凑出张疑似嫌疑张图电脑实现程抵致五官特征样抽象形式体现
face Recognition中通load_image_file()函数实现图片导入需导入图片数传入face_locations()识图片中脸位置该函数返回值列表包含元组代表着脸位置信息接展示演示图片素材：
素材321
实现代码：
import face_recognition
image face_recognitionload_image_file(素材321jpg)
face_locations face_recognitionface_locations(image)
print (face_locations)
执行结果：
观察执行结果返回六元组元组中数代表正张脸位置信息四素级位置点脸圈起样样成功找脸
接问题进行脸脸识实现赖弹性图匹配种方法弹性图匹配思路忽略间五官特征角度长度更关注点放图变换变性名字橡皮泥学脸拓扑概括脸根拓扑结构划分基准点
图322
次进行识需识图脸进行拓扑建模获取特征量时读取素材库中已脸应特征量进行找相似程度高张图然图建立拓扑进行更特征量进找测试脸身份
face Recognition中需需两张片应编码作参数传入face_recognitioncompare_faces()该函数会返回值类型boolean该值TRUE证明概率FALSE概率该函数判定阙值传入编码时tolerance关键字加阙值限制作第三参数进行修改目前合理阙值概073左右做出准确判断接展示演示素材：
实现代码：
import face_recognition
known_image face_recognitionload_image_file(素材322jpg)
known_image face_recognitionload_image_file(unknownjpg)
unknown2_image face_recognitionload_image_file(unknown2jpg)
lhf_encoding face_recognitionface_encodings(known_image)[0]
unknown_encoding face_recognitionface_encodings(unknown_image)[0]
unknown2_encoding face_recognitionface_encodings(unknown2_image)[0]
results face_recognitioncompare_faces([lhf_encoding] unknown_encoding)
results2 face_recognitioncompare_faces([lhf_encoding] unknown2_encoding)
print(results)
print(results2)
执行结果：
第次结果集TRUE素材选取张高二时相片张三时片五年时间成长旧识成功第二次结果集FALSE素材选取明星吴彦祖结果正确
已成功实现静态脸检测识功
33完善动态脸识签系统
331 视频流中取帧进行识
方面选opencv处理视频流流通获取视频流帧通32中脸识相关代码进行识原帧中圈出检测脸框中标出识结果具体实现代码：
def action()
video_capture cv2VideoCapture(0)
# 引素材库生成流
addpeopleReading()
addpeoplechange() # 测试根list生成流
known_face_encodings addpeopleknown_face_encodings # 赋值
known_face_names addpeopleknown_face_names # 赋值
# Initialize some variables
face_locations []
face_encodings []
face_names []
process_this_frame True
s set()
arrivename []
while True
# Grab a single frame of video
ret frame video_captureread()
# Resize frame of video to 14 size for faster face recognition processing
small_frame cv2resize(frame (0 0) fx025 fy025)
# Convert the image from BGR color (which OpenCV uses) to RGB color (which face_recognition uses)
rgb_small_frame small_frame[ 1]
# Only process every other frame of video to save time
if process_this_frame
# Find all the faces and face encodings in the current frame of video
face_locations face_recognitionface_locations(rgb_small_frame)
face_encodings face_recognitionface_encodings(rgb_small_frame face_locations)
face_names []
for face_encoding in face_encodings
# 阙值设置里
matches face_recognitioncompare_faces(known_face_encodings face_encoding tolerance075)
name Unknown
if True in matches
first_match_index matchesindex(True)
name known_face_names[first_match_index]
face_namesappend(name)
process_this_frame not process_this_frame
# Display the results
for (top right bottom left) name in zip(face_locations face_names)
# Scale back up face locations since the frame we detected in was scaled to 14 size
top * 4
right * 4
bottom * 4
left * 4
# List identifiedq
if name Unknown
sadd(name)
arrivenameappend(name)
else
pass
# Draw a box around the face
cv2rectangle(frame (left top) (right bottom) (0 0 255) 2)
# Draw a label with a name below the face
cv2rectangle(frame (left bottom 35) (right bottom) (0 0 255) cv2FILLED)
font cv2FONT_HERSHEY_DUPLEX
cv2putText(frame name (left + 6 bottom 6) font 10 (255 255 255) 1)
# Display the resulting image
cv2imshow(＇Video＇ frame)
# Q推出
if cv2waitKey(1) & 0xFF ord(＇q＇)
print(s)
savelistsave(arrivename)
break
# Release handle to the webcam
video_capturerelease()
cv2destroyAllWindows()
实现效果：
中lhf传图片名通扫描素材库文件名获取
332 实现传素材导出签表
通selectPath读取素材路径通提交钮原素材进行素材提交相关代码：
def submit()
str pathget()
addr2 strreplace(＇＇r＇＼＼＇)
print(addr2)
f open(addr2 ＇rb＇)
f_str base64b64encode(fread())
fclose()
str f_str
file_str open(＇Material bank＼＼sjpg＇TEXTget() ＇wb＇)
file_strwrite(base64b64decode(str))
file_strclose()
识列表进行重保存TXT文件中实现签表导出相关代码：
def save(arrivename)
arrivename2 list(set(arrivename))
data open(texttxt ＇w+＇)
print(arrivename2 filedata)
dataclose()
333 演示
运行项目UI界面（图331）填写完传资料通路径选择钮想传原图进行传(图332)传新文件名字资料名字缀JPG格式完成素材传点击开摄头开始签程需摄头前等1~2s脸标注出名字（图333）完成签等成员完成签Q退出摄头界面系统会成功签员列表存放根目录中名字texttxt（图334）整程序演示结束
图331
图332
图333
图334
34章结
章展示开发程中思路利demo测试终实现简单脸识项目程序利python进行开发face recognition项目初环境搭建整开发程中遇问题解决方案章中体现视屏处理方面opencv利截取关键帧实现视屏流脸截图种形式转变终利脸图进行识返回结果标出脸身份整流程思路较清晰终实现效果较简陋基础功素材库缓存原该程序存资源定求果复现需求需保证存8G素材库素材果型应场景建议采分布式架构素材分布节点样保证性满足需求
目前市面型IT企业脸识产品已投入程序法相提初学者说项目入手理解脸识者深入学更物品识等会定处开发利Demo项目代码章中展示UI界面较简陋行改进
第四章：总结展
41文总结
脸识技术种生物识技术二十年前科幻剧中出现相生物识技术效果更直观更简便相物理密钥者电子密钥说具备盗窃性脸识技术提出初种种问题环绕：1相似脸否会解锁2着图片解锁3会会化妆者年龄变法解锁等问题截目前基已解决现阶段研究方更两方面出发：1提高识精准度2复杂环境保证识行性
目前检测方法许整体安全等级足满足特定场景需求需更识素加入脸识中：时间空间等更素加入会导致资源占更高着云计算发展计算资源难解决问题通深度学模型训练套安全系数更高脸识体系脸识系统会越越智通脸识完成更身份理未世界中需身份证脸通行证
文介绍VGG模型现载VGGface模型中已具备较成熟识体系特定图片集训练识准确率低时应该根环境进行适应性训练样满足更高精准度需求
文介绍优图祖母模型族宏图前优图祖母模型已第三代满足数场景应腾讯云AI栏目里测试祖母模型感受百宝袋种智算法
文简单开源项目face_ recognition实现动态识脸签系统通摄头输入视频流帧单位素材库中图片进行匹配率高075时系统认证素材库时该系统定程度信旦素材库会导致识结果信度降低
脸识道路该项目做真正普机器学帮助相信日真正实现智化识脸
42展
文通探讨传统目标检测基深度学脸识算法展开开发程中学少东西程序存少缺点解决问题方面程序进行改进：
1寻找换更合理算法改善识精准度速度
2尝试换视频流输入格式2S间隔时该区间帧素材库进行结果加起达某阈值时认两者匹配样加强识信度
3设计合理UI界面提升户视觉效果体验
着云计算等计算台发展计算资源已成难题未会更优秀识算法提出脸行天远未
参 考 文 献
1 基深度学脸识技术研究 钱程
2 基神网络学统计机器翻译研究 杨南
3 基局部特征进化算法脸识 李根
4 优图祖母模型「进化」httpsblogcsdnnetjjjndk1314articledetails80579552
5 VGG卷积神网络模型解析
httpsblog51ctocomgloomyfish2105427
6 计算机底识脸 腾讯科技
致谢
四年前学迷茫恐惧四年红日初升意气风发
四年前觉求学异乡离亲友四年志道合伙伴谈笑风生
四年前认安福遇安四年身似山河敢问天试锋芒
斗转星移学四年似改变切唯变改变追求
谢师长言传身教
学四年学东西杂法做样样精通时日敢出口说涉猎影响赵元成老师引领接触云计算行业蹒跚学步程中引领前行时日决定行业继续走恩师授渔鱼高山景行师范者
二谢亲友予欢情
懂事时候家鼓励成名学生学求学四年六年学三年初中三年高中区历知道学四年求学重作社会接壤站学教会更学电脑维修工作室校友门维修部署云计算环境熬夜四点更重学间接接触实际项目踏入社会做铺垫切切启父母姐姐鼓励支持
亲恩情爱疆窗志远命
时光荏苒四年已时间会带走切时间会赋予切愿母校亲爱老师青山改绿水长流
附录：face_recognition模块详解
11 face_recognitionapibatch_face_locations（imagesnumber_of_times_to_upsample 1batch_size 128 ）
cnn脸检测器返回图中脸边界框2d数组果您GPUGPU次处理批图更快获结果果您GPU需功
参数：
images – 图片列表（图片numpy数组）
number_of_times_to_upsample –图进行脸部采样次数数字越面孔越
batch_size –GPU处理批次中包含少图
返回值：
css（右左）序找脸部位置元组列表
12 face_recognitionapicompare_faces（known_face_encodingsface_encoding_to_checktolerance 06 ）
面部编码列表候选编码进行较查否匹配
参数：
known_face_encodings –已知面部编码列表
face_encoding_to_check –列表进行较单面部编码
容差 –认相匹配两张脸间距离越低越严格06典型佳性
返回值：
真假值列表指示known_face_encodings面部编码匹配进行检查
13 face_recognitionapiface_distance（face_encodingsface_to_compare ）
定面部编码列表已知面部编码进行较获较面部欧式距离距离告诉您面孔相似程度
参数：
face_encodings –较脸编码列表
face_to_compare –较脸编码
返回值：
numpy ndarray面距离 faces数组序相
14 face_recognitionapiface_encodings（face_imageknown_face_locations Nonenum_jitters 1 ）
定图返回图中面部128维面部编码
参数：
face_image –包含面部图
known_face_locations –选面边界框（果您已知道话）
num_jitters –计算编码时面部重新采样次数越高越准确越慢（100慢100倍）
返回值：
128维面部编码列表（图中面部）
15 face_recognitionapiface_locations（imgnumber_of_times_to_upsample 1model ＇hog＇ ）
返回图中脸边界框数组
参数：
img –图片（numpy数组形式）
number_of_times_to_upsample –图进行脸部采样次数数字越面孔越
模型 –脸检测模型 hog精度较低CPU更快 cnnGPU CUDA加速（果）更准确深度学模型默认值猪
返回值：
css（右左）序找脸部位置元组列表
16 face_recognitionapiload_image_file（filemode ＇RGB＇ ）
图文件（jpgpng等）加载numpy数组中
参数：
file –图文件名加载文件象
mode –图转换成格式仅支持 RGB（8位RGB3通道） L（黑白）
返回值：
图容numpy数组
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
基脸识动态识签系统设计实现
Design and Implementation of Dynamic Recognition Checkin System Based on Face Recognition
容摘
目标检测（Object Detection）年计算机科学研究重点通识目标特征复杂场景分割针特定目标进行识关键点准确度实时性 脸识（Face recognition）目标检测中重子类旦脸识技术足够成熟意味着需物理钥匙者数码密钥张脸满足日常生活中切世界相似脸绝没完全相两脸识技术足够成熟完全脸识作身份分类重指标
深度学刺激脸识巨突破机器变会思考意味着脸识安全等级会提高适更安全求更高场景时脸识研究推动更神网络图处理等领域发展
关键词： □目标检测 □脸识 □深度学
Abstract
□
Object detection is the research focus of Computer Science in recent years It can recognize the geometric characteristics of the target segment the complex scene and recognize the specific target The key point is the accuracy and realtime Face recognition is one of the most important sub categories in target detection Once our face recognition technology is mature enough it means that we no longer need other physical keys or digital keys but with a face we can meet everything in our daily life There may be many similar faces in the world but there are absolutely no two identical people When face recognition technology is mature enough we can take face recognition as an important index of identity classification
Under the stimulation of deep learning face recognition has made a great breakthrough and machines have become thinking This means that the security level of face recognition will be improved which can be applied to more scenes with higher security requirements At the same time the research of face recognition can also promote the development of more neural networks image processing and other fields
Key words： □object detection □face recognition
□recognition speed
目录
第章：绪 1
11研究背景意义 1
12脸识6种实现方式 1
121特征脸识方法 2
122基特征脸(PCA)脸识方法 2
123神网络脸识方法 2
124弹性图匹配脸识方法 2
125线段Hausdorff 距离(LHD) 脸识方法 2
126支持量机(SVM) 脸识方法 2
13文工作 3
第二章：脸识新特性深度学 3
21 深度学 3
22 深度学脸识二次结合 4
221 VGG模型 5
222 优图祖母模型 6
23章总结 7
第三章 ：动态脸识签系统实现 8
31实现思路 8
32算法实现 8
3．2．1 环境赖 8
322 实现普通脸识 9
33完善动态脸识签系统 12
331 视频流中取帧进行识 12
332 实现传素材导出签表 15
333 演示 16
34章结 17
第四章：总结展 18
41文总结 18
42展 18
参 考 文 献 20
致谢 21
第章：绪
11研究背景意义
传统目标检测技术通特征图进行切割进切割出素材进行分析根特征分类实际中种物品杂乱章重叠摆放部分物品特征会覆盖导致目标检测准确率较低实型高工智展示样世界
目前种工智设备早已众接受种IOT设备已量产物联网完全AI杆利刃更层楼工智带仅仅全新机交互体验时带更技术工种业机会工智跨越行业相结合意味着需更进行智训练工智初动化革命般社会注入新血液脸识技术早十年前科幻电影中已出现着机器学脚步走出电影生活中传统物理密钥密码存盗取风险脸样算双胞胎间存摸样五官角度脸识进行身份理安全项技术
脸识技术越越普数集会越越丰富通更训练机器更加智更适应生活需
机器学研究前期机器算法较简单处理较单场景优秀表现涉较复杂数衍变时简单算法结构输出结果准确率极低例处理然信号1980年深度学出现概念工神网络程中提出设计出发点建立机器脑通模拟体脑工作程研发出整套神网络处理解析获取复杂数例影视音等深度学通输入信号分解组合低层次特征然表示目标特征者类特征输出
种外界素影响脸识准度精度满足场景需求脸识二维发展较完善通三维图综合识通引入时间概念通时间段识确定识象身份脸识道路长
12实现脸识
121基特征脸识
特征五官模型差距五官间距离关系该算法理容易理解识速度快原理简单占存相较少遗憾识率较低够准确
122 基特征脸(PCA)脸识方法
特征脸方法基KLT提出脸识方法KLT全称KarhunenLoève translation优正交变换前压缩图文件通N维图进行KLT变换获取组低次分量中选取重分量然扩张线性空间进行投影投影出空间判定否相脸特征量
特征脸方法缺点需量训练样保证识精度准确性完全通图灰度特征进行统计特征脸方法许版适应求场景体原理致
123神网络脸识方法
神网络特点输入变量类型更会根输入值通智算法进行分析传统识方法般需完整脸神网络通部分脸进行分析出结然结法直接利筛选掉符合减少投入工时缺点十分明显需较训练样神网络进行适应性学训练样数量识精准度成正
124弹性图匹配脸识方法
弹性图匹配思路生物学角度出发定义基脸型通二维拓扑表现出时该拓扑图顶点作该脸图特征量表示该点周围线性关系中弹性二字意思允许图时具定弹性变法样克服微表情变化带识障碍通素灰度化特征相结合弹性图匹配广泛应流式处理线识产品更重需量训练样品进行适应性训练
125 LHD脸识方法
LHD群心理学家提出识方法认类轮廓线条识精准度速度差提出LHD灰度化脸图中提取中轮廓线LDH表示线条间距离关系更重LDH没建议两线段间唯应关系方面验证单线段否发生某种容忍变化表示脸间相似程度结果LHD绕光条件姿态变化方面显示较良识性轮廓法体现脸表情表情处理方面识效果意
126 SVM脸识方法
SVM中文名支持量机年进入智识领域研究者眼中通支持量机学机泛化力换取更高计算性SVM识程中帮助识脸分解特征变量进根特征变量脸特征进行出脸识结果通SVM提高脸识识率数识方法样SVM需量训练样实际应中训练样数量足SVM训练程耗时长算法种类千秋该方法没统定
13文工作
文目标检测出发针脸识进行研究讲述脸识研究意义发展方
着重介绍深度学脸识研究巨帮助深度学脸识够更加智识增加识速度精度脸识目前已广泛应企业卡签部分智家居产品部分特殊场景没采脸识利更精密识手段诸瞳孔者物理密钥种形式脸识缺点较显易见存欺骗性时针脸部丰富表情变化外界环境光等预见素脸识会受影响许识速度慢者法正常识等问题
文简单实现动态脸识签系统识流程抵先素材库中脸预处理包含脸特征二维数组种形式缓存开摄头进行识时候提取关键帧脸处理测试数缓存中素材集进行根相应阈值找素材库中应名保存签名单中摄头关闭时签名单保存TXT项目根目录中预处理素材库中素材步处理素材会缓存存中素材时存资源求较高
文分四章节：
第章：绪针脸识深度学结合脸识焕发活力介绍脸识种方式效率脸识科技生活巨帮助
第二章：拥深度学新特性脸识传统脸识相优势
第三章：通face_ recognition实现动态脸识签系统拥线添加素材实时脸识导出签员表等功
第四章：突破现脸识效率准确率法取现状
第五章：结展
第二章：脸识新特性深度学
21 深度学
深度学分深度学两程理解：学词义解释指通阅读听讲思考研究实践等途径获知识技程深度学中实差输入值通听讲思考等动作换成机器够读取数集深度意思输入值输出值程中历计算程联系浅入深终输出想数计算程坏效率高输出值缺准确效率低输出值准确形象称程学策略学策略然需花费量时间规划结果足够准确学策略会导致错误会学程走更弯路
学术界尝试模拟脑完成套计算机够理解学策略称神网络脑皮层中神元组成神网神网络模仿概念设计
图中输入值x1x2x3包括输入层四层结构输出期结果简单神网络中L1l4分输入层输出层l2l3隐藏处理层越复杂运算需处理层越时处理层包含参数越导致整神网络规模呈现非线性扩
总结深度学通层次计算分析通浅入深获取需输出值程神网络通分析整运算规划种参数处理层组成型计算网络通计算网络实现输入值输出值转变
22 深度学脸识二次结合
传统脸识模型般图22通提取cnn特征作判断深度学脸识二次结合脸识走出条全新道路深度学通次训练训练出种类脑种思维方式样数足够理脑般准确分析思考会根数集结果微调数结果判定占图222图间数值欧式空间中距离该数越低证明两张片性越高训练样数越高片间距离参数会改变趋真相
图221
图222
221 VGG模型
初VGG作图分类识训练神网络牛津学科学工程系发布探究图分类程中网络深度影响识准确率精度初VGG16（VGGVeryDeep16 CNN）全称中出发布者VGG16研究深度标准高
VGG传统卷积网络模型卷积层池化层应关系规定整模型中5池化层分部分卷积层相关联图223中池化层分配关系VGG卷积层数量划分命名少3全连接层+8卷积层组成命名VGG113全连接层+16卷积层组成命名VGG19
图223
然作ImageNet放光彩模型没简单结构设计成变完全全卷积网络概念进行改造首全连接层改7x7余全连接层改1x1VGG前没神网络模型够做突破10层情况保证效果良受影响VGG然突破网络深度没彻底解决网络深度带系列问题网络层数样会出现梯度性降等问题总说VGG刚提出时候受推崇着时间流逝越越更加优秀训练模型提出VGG耀眼
222 优图祖母模型
祖母模型提出初已决定成百宝箱特指代种深层神网络模型具相结构特征神网络模型集合应场景优图祖母模型提供神网络模型完成需实现效果优图祖母模型族
目前流行深层神网络模型（图224）结构划分三种：1单支型（AlexNetVGGNet）2双分支型（ResNet）3分支型（GoogleNet）直线型结构设计简单网络深度深会出现性爆炸性消退等问题时结构单缺乏改造性局部分支型具较强计算力较高计算效率设计复杂设计耗费力物力较结合两点祖优图终采双分支型种折中架构构建祖母模型族双分支型身具强学力许采该结构训练集赛中获奖次结构设计较简单前期力消耗控特点识力神网络深度正相关关系意味着针应场景模型进行识训练时候完全通控制网络深度应需求满足户识需求般会求获取户数集进行训练保证神网络模型性
图224
祖母模型期识流程进行次较变动：
流程变更迁移学提出迁移学工智领域提出解决处理场景训练时长长问题神网络模型完全通迁移学减少训练花费时间简单点讲整训练程分：1预训练（pretrain）2精细化调整（finetune）
针脸识场景已训练完成优图祖母模型针新场景新数进行精细化调整满足新场景识需求
23章总结
章介绍VGG优图祖母模型两种脸识模型 VGG优图祖母模型
VGG牛津学科学工程系发布探究图分类程中网络深度影响识准确率精度研究程中进行识训练着VGG结构清晰简洁优点取错成效时通型滤波器代正常滤波器获更性印证：通断加深网络结构提升性VGG计算资源求非常高量参数深度学模型需占更存中部分参数全连接层根部分实验结果效果算掉全连接层性没太影响样显著降低参数数量
优图提出祖母模型未深度学流优图祖母模型核心通量式样样训练出庞数集集合该集合处（脸识目标检测动态踪动驾驶等）年迁移学提出祖母模型族成型性提升进行基础模型预训练特定务模型进行精细化调整样优化祖母模型特定场景训练流程减少训练时长完成更训练目前优图祖母模型已投入应中取错成果腾讯云AI脸识产品中第三代优图祖母模型进行测试
第三章 ：动态脸识签系统实现
31实现思路
首先线签系统少三功：
1素材传
2通摄头设备素材库进行识
3保存签成功名单
中13通Python带库实现核心识功选择github开源项目Face Recognition通进行二次开发实现动态脸识签系统实现
32算法实现
3．2．1 环境赖
根Face Recognition开发文档该项目运行环境支持linux树莓派设备系统环境win10通查找资料找win10运行安装方式
1安装Anaconda
2通Anaconda安装CMake
3安装dilb
4成功安装face recognition
322 实现普通脸识
想实现脸识首先解决找画面脸脸识初期问题第提出时间出现许识算法
根知识体系出发抵分工智神网络图处理模式识等种识方法然出发点致终采特征脸方法实现脸识
特征脸方法利分析法脸图分解提取特征样实际相脸化组组量然提取特征样参考库中提取特征样进行根匹配特征样数取高找识度高脸特征样返回时具脸定特征特征样特征脸
图321
图321中副脸图分解成组权值量然利量单位找距离应脸图身份作测试脸图身份派出素描画嫌疑画程基础脸型出发点然画出眼睛嘴巴等五官目击者确认逐渐拼凑出张疑似嫌疑张图电脑实现程抵致五官特征样抽象形式体现
face Recognition中通load_image_file()函数实现图片导入需导入图片数传入face_locations()识图片中脸位置该函数返回值列表包含元组代表着脸位置信息接展示演示图片素材：
素材321
实现代码：
import face_recognition
image face_recognitionload_image_file(素材321jpg)
face_locations face_recognitionface_locations(image)
print (face_locations)
执行结果：
观察执行结果返回六元组元组中数代表正张脸位置信息四素级位置点脸圈起样样成功找脸
接问题进行脸脸识实现赖弹性图匹配种方法弹性图匹配思路忽略间五官特征角度长度更关注点放图变换变性名字橡皮泥学脸拓扑概括脸根拓扑结构划分基准点
图322
次进行识需识图脸进行拓扑建模获取特征量时读取素材库中已脸应特征量进行找相似程度高张图然图建立拓扑进行更特征量进找测试脸身份
face Recognition中需需两张片应编码作参数传入face_recognitioncompare_faces()该函数会返回值类型boolean该值TRUE证明概率FALSE概率该函数判定阙值传入编码时tolerance关键字加阙值限制作第三参数进行修改目前合理阙值概073左右做出准确判断接展示演示素材：
实现代码：
import face_recognition
known_image face_recognitionload_image_file(素材322jpg)
known_image face_recognitionload_image_file(unknownjpg)
unknown2_image face_recognitionload_image_file(unknown2jpg)
lhf_encoding face_recognitionface_encodings(known_image)[0]
unknown_encoding face_recognitionface_encodings(unknown_image)[0]
unknown2_encoding face_recognitionface_encodings(unknown2_image)[0]
results face_recognitioncompare_faces([lhf_encoding] unknown_encoding)
results2 face_recognitioncompare_faces([lhf_encoding] unknown2_encoding)
print(results)
print(results2)
执行结果：
第次结果集TRUE素材选取张高二时相片张三时片五年时间成长旧识成功第二次结果集FALSE素材选取明星吴彦祖结果正确
已成功实现静态脸检测识功
33完善动态脸识签系统
331 视频流中取帧进行识
方面选opencv处理视频流流通获取视频流帧通32中脸识相关代码进行识原帧中圈出检测脸框中标出识结果具体实现代码：
def action()
video_capture cv2VideoCapture(0)
# 引素材库生成流
addpeopleReading()
addpeoplechange() # 测试根list生成流
known_face_encodings addpeopleknown_face_encodings # 赋值
known_face_names addpeopleknown_face_names # 赋值
# Initialize some variables
face_locations []
face_encodings []
face_names []
process_this_frame True
s set()
arrivename []
while True
# Grab a single frame of video
ret frame video_captureread()
# Resize frame of video to 14 size for faster face recognition processing
small_frame cv2resize(frame (0 0) fx025 fy025)
# Convert the image from BGR color (which OpenCV uses) to RGB color (which face_recognition uses)
rgb_small_frame small_frame[ 1]
# Only process every other frame of video to save time
if process_this_frame
# Find all the faces and face encodings in the current frame of video
face_locations face_recognitionface_locations(rgb_small_frame)
face_encodings face_recognitionface_encodings(rgb_small_frame face_locations)
face_names []
for face_encoding in face_encodings
# 阙值设置里
matches face_recognitioncompare_faces(known_face_encodings face_encoding tolerance075)
name Unknown
if True in matches
first_match_index matchesindex(True)
name known_face_names[first_match_index]
face_namesappend(name)
process_this_frame not process_this_frame
# Display the results
for (top right bottom left) name in zip(face_locations face_names)
# Scale back up face locations since the frame we detected in was scaled to 14 size
top * 4
right * 4
bottom * 4
left * 4
# List identifiedq
if name Unknown
sadd(name)
arrivenameappend(name)
else
pass
# Draw a box around the face
cv2rectangle(frame (left top) (right bottom) (0 0 255) 2)
# Draw a label with a name below the face
cv2rectangle(frame (left bottom 35) (right bottom) (0 0 255) cv2FILLED)
font cv2FONT_HERSHEY_DUPLEX
cv2putText(frame name (left + 6 bottom 6) font 10 (255 255 255) 1)
# Display the resulting image
cv2imshow(＇Video＇ frame)
# Q推出
if cv2waitKey(1) & 0xFF ord(＇q＇)
print(s)
savelistsave(arrivename)
break
# Release handle to the webcam
video_capturerelease()
cv2destroyAllWindows()
实现效果：
中lhf传图片名通扫描素材库文件名获取
332 实现传素材导出签表
通selectPath读取素材路径通提交钮原素材进行素材提交相关代码：
def submit()
str pathget()
addr2 strreplace(＇＇r＇＼＼＇)
print(addr2)
f open(addr2 ＇rb＇)
f_str base64b64encode(fread())
fclose()
str f_str
file_str open(＇Material bank＼＼sjpg＇TEXTget() ＇wb＇)
file_strwrite(base64b64decode(str))
file_strclose()
识列表进行重保存TXT文件中实现签表导出相关代码：
def save(arrivename)
arrivename2 list(set(arrivename))
data open(texttxt ＇w+＇)
print(arrivename2 filedata)
dataclose()
333 演示
运行项目UI界面（图331）填写完传资料通路径选择钮想传原图进行传(图332)传新文件名字资料名字缀JPG格式完成素材传点击开摄头开始签程需摄头前等1~2s脸标注出名字（图333）完成签等成员完成签Q退出摄头界面系统会成功签员列表存放根目录中名字texttxt（图334）整程序演示结束
图331
图332
图333
图334
34章结
章展示开发程中思路利demo测试终实现简单脸识项目程序利python进行开发face recognition项目初环境搭建整开发程中遇问题解决方案章中体现视屏处理方面opencv利截取关键帧实现视屏流脸截图种形式转变终利脸图进行识返回结果标出脸身份整流程思路较清晰终实现效果较简陋基础功素材库缓存原该程序存资源定求果复现需求需保证存8G素材库素材果型应场景建议采分布式架构素材分布节点样保证性满足需求
目前市面型IT企业脸识产品已投入程序法相提初学者说项目入手理解脸识者深入学更物品识等会定处开发利Demo项目代码章中展示UI界面较简陋行改进
第四章：总结展
41文总结
脸识技术种生物识技术二十年前科幻剧中出现相生物识技术效果更直观更简便相物理密钥者电子密钥说具备盗窃性脸识技术提出初种种问题环绕：1相似脸否会解锁2着图片解锁3会会化妆者年龄变法解锁等问题截目前基已解决现阶段研究方更两方面出发：1提高识精准度2复杂环境保证识行性
目前检测方法许整体安全等级足满足特定场景需求需更识素加入脸识中：时间空间等更素加入会导致资源占更高着云计算发展计算资源难解决问题通深度学模型训练套安全系数更高脸识体系脸识系统会越越智通脸识完成更身份理未世界中需身份证脸通行证
文介绍VGG模型现载VGGface模型中已具备较成熟识体系特定图片集训练识准确率低时应该根环境进行适应性训练样满足更高精准度需求
文介绍优图祖母模型族宏图前优图祖母模型已第三代满足数场景应腾讯云AI栏目里测试祖母模型感受百宝袋种智算法
文简单开源项目face_ recognition实现动态识脸签系统通摄头输入视频流帧单位素材库中图片进行匹配率高075时系统认证素材库时该系统定程度信旦素材库会导致识结果信度降低
脸识道路该项目做真正普机器学帮助相信日真正实现智化识脸
42展
文通探讨传统目标检测基深度学脸识算法展开开发程中学少东西程序存少缺点解决问题方面程序进行改进：
1寻找换更合理算法改善识精准度速度
2尝试换视频流输入格式2S间隔时该区间帧素材库进行结果加起达某阈值时认两者匹配样加强识信度
3设计合理UI界面提升户视觉效果体验
着云计算等计算台发展计算资源已成难题未会更优秀识算法提出脸行天远未
参 考 文 献
1 基深度学脸识技术研究 钱程
2 基神网络学统计机器翻译研究 杨南
3 基局部特征进化算法脸识 李根
4 优图祖母模型「进化」httpsblogcsdnnetjjjndk1314articledetails80579552
5 VGG卷积神网络模型解析
httpsblog51ctocomgloomyfish2105427
6 计算机底识脸 腾讯科技
致谢
四年前学迷茫恐惧四年红日初升意气风发
四年前觉求学异乡离亲友四年志道合伙伴谈笑风生
四年前认安福遇安四年身似山河敢问天试锋芒
斗转星移学四年似改变切唯变改变追求
谢师长言传身教
学四年学东西杂法做样样精通时日敢出口说涉猎影响赵元成老师引领接触云计算行业蹒跚学步程中引领前行时日决定行业继续走恩师授渔鱼高山景行师范者
二谢亲友予欢情
懂事时候家鼓励成名学生学求学四年六年学三年初中三年高中区历知道学四年求学重作社会接壤站学教会更学电脑维修工作室校友门维修部署云计算环境熬夜四点更重学间接接触实际项目踏入社会做铺垫切切启父母姐姐鼓励支持
亲恩情爱疆窗志远命
时光荏苒四年已时间会带走切时间会赋予切愿母校亲爱老师青山改绿水长流
附录：face_recognition模块详解
11 face_recognitionapibatch_face_locations（imagesnumber_of_times_to_upsample 1batch_size 128 ）
cnn脸检测器返回图中脸边界框2d数组果您GPUGPU次处理批图更快获结果果您GPU需功
参数：
images – 图片列表（图片numpy数组）
number_of_times_to_upsample –图进行脸部采样次数数字越面孔越
batch_size –GPU处理批次中包含少图
返回值：
css（右左）序找脸部位置元组列表
12 face_recognitionapicompare_faces（known_face_encodingsface_encoding_to_checktolerance 06 ）
面部编码列表候选编码进行较查否匹配
参数：
known_face_encodings –已知面部编码列表
face_encoding_to_check –列表进行较单面部编码
容差 –认相匹配两张脸间距离越低越严格06典型佳性
返回值：
真假值列表指示known_face_encodings面部编码匹配进行检查
13 face_recognitionapiface_distance（face_encodingsface_to_compare ）
定面部编码列表已知面部编码进行较获较面部欧式距离距离告诉您面孔相似程度
参数：
face_encodings –较脸编码列表
face_to_compare –较脸编码
返回值：
numpy ndarray面距离 faces数组序相
14 face_recognitionapiface_encodings（face_imageknown_face_locations Nonenum_jitters 1 ）
定图返回图中面部128维面部编码
参数：
face_image –包含面部图
known_face_locations –选面边界框（果您已知道话）
num_jitters –计算编码时面部重新采样次数越高越准确越慢（100慢100倍）
返回值：
128维面部编码列表（图中面部）
15 face_recognitionapiface_locations（imgnumber_of_times_to_upsample 1model ＇hog＇ ）
返回图中脸边界框数组
参数：
img –图片（numpy数组形式）
number_of_times_to_upsample –图进行脸部采样次数数字越面孔越
模型 –脸检测模型 hog精度较低CPU更快 cnnGPU CUDA加速（果）更准确深度学模型默认值猪
返回值：
css（右左）序找脸部位置元组列表
16 face_recognitionapiload_image_file（filemode ＇RGB＇ ）
图文件（jpgpng等）加载numpy数组中
参数：
file –图文件名加载文件象
mode –图转换成格式仅支持 RGB（8位RGB3通道） L（黑白）
返回值：
图容numpy数组
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
