登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 毕业论文 > 电子信息类 > 电子信息工程 > 正文

基于人脸识别与姿态识别技术的宿舍监管防盗系统毕业论文

 2020-04-10 16:40:41  

摘 要

本文旨在通过人脸识别和姿态识别完善学生宿舍的安防监控系统。现如今的安防监控系统的缺陷主要在于管理人员无法做到时刻保持精神高度集中地监控宿舍出入人员,并且也没有能力分辨出每个进出人员是否为宿舍的学生。那么一个具有智能化监控能力的系统将在宿舍的安防管理中起到至关重要的作用。

人脸识别模块的主要功能在于提取出每一个进出人员的人脸帧与已知人脸进行对比,查看是否为登记过的已知人员,对于陌生人员可以进行记录和报警。对于人脸识别现在已经有许多成熟的算法能进行设计,在进行多个算法的对比之后最终选定了PCA算法完成最终设计。姿态识别模块则是用来补充人脸识别模块的功能,例如未知人员将脸部有意无意地隐藏导致人脸识别监控摄像头无法进行识别,那么姿态识别模块可通过步幅的分析对比来查看该人员与另外一个监控视频下的人员是否为同一个人。此外姿态识别的模块还能对一些突发情况进行报警,例如有学生在行走过程中突然倒地,又或者学生突然在监控范围内疾跑,又或者有人携带大体积物品出入宿舍。这些情况姿态识别模块都能进行识别和报警。

本系统的优越性主要体现在人脸识别和姿态识别的有机结合。在遇到一些突发情况的时候两者的结合能更好地分析出当前的状况并决定报警与否,这是单独一个模块所无法完成的。系统的大部分工作和包装都由matlab完成,版本为R2016b。

关键词:人脸识别;姿态识别;PCA;matlab

Abstract

This article aims to improve the security monitoring system of student dormitories through face recognition and gesture recognition. The flaws of today's security surveillance systems are that managers cannot always devotes himself to monitoring people in and out of quarters and they are not able to distinguish whether each person entering or leaving a dormitory is a student. Then a system with intelligent monitoring capabilities will play a crucial role in the security management of dormitories.

The main function of the face recognition module is to extract the face frames of each incoming and outgoing person and compare them with the known faces to see if they are registered known persons. The strangers will be recorded and the system will alarm. For face recognition, there are many mature algorithms that can be referenced nowadays. After comparing several algorithms, the PCA algorithm is finally selected to complete the final design. The gesture recognition module is used to supplement the functions of the face recognition module. For example, if an unknown person hides the face intentionally or unintentionally causing the face recognition monitoring camera cannot recognize him,the gesture recognition module can compare the person with another person under the other surveillance video through the step comparison analysis to confirm whether the two are the same person.In addition, the gesture recognition module can also alert some unexpected situations. For example, students may suddenly fall to the ground during walking, or students may suddenly sprint within the monitored range, or they may carry large amounts of articles to and from the dormitory. In these situations, the gesture recognition module can identify and alarm.

The superiority of this system is mainly reflected in the organic combination of face recognition and gesture recognition. In the case of some unexpected situations, the combination of the two can better analyze the current situation and decide whether to call the police or not. This cannot be accomplished by any separate module. Most of the work and packaging of the system is done by matlab, version R2016b.

Key Words:face recognition;gesture recognition;PCA;matlab

目 录

第1章 绪论 1

1.1 背景及国内外研究现状 1

1.2 发展前景 3

第2章 整体系统预期 4

2.1 人脸识别模块 4

2.2 姿态识别模块 5

第3章 matlab及GUI设计的相关信息 7

第4章 人脸识别模块 10

4.1 人脸检测 10

4.2 基于PCA算法的人脸识别设计 12

4.3 本章小结 16

第5章 姿态识别模块 18

5.1 姿态识别的目的 18

5.2 基于比例模型的姿态识别设计 18

5.2.1 人体模型捕获 18

5.2.2 比例模型设计 19

5.2.3 移速判定模块 21

5.2.4 步幅对比识别 23

5.3 本章小结 24

第6章 系统整合测试 25

第7章 总结与展望 29

参考文献 31

附录A matlab代码 33

致 谢 42

第1章 绪论

人脸识别即通过机器对人脸进行检测扫描,与已知的人脸库中的人员进行对比,得到待识别人员的身份。与传统识别方式,例如身份证确认、指纹识别等相区别的地方在于,人脸识别更加的隐蔽、高效并且录入较为简单。人脸作为人的特征信息之一同样具有唯一性,人脸识别的非接触性保证了待识别人员不会感到个人隐私被强制侵犯,同时也大大节省了人工成本。姿态识别与人脸识别类似,也是智能识别的一种。如今整个社会都在朝着智能化生产的方向前进,智能识别作为其中关键的一环必然会得到大量的研究支持。

背景及国内外研究现状

人脸识别发源于20世纪60年代,在我国还未正式开始接触这项技术的时候美国和英国等西方国家已经开始了人脸识别的技术研究。早在1993年美国的国防部和陆军实验室便已经建立了FERET项目组用于研究人脸识别算法的性能[1]。国内对于人脸识别的研究则相对来说要滞后许多,国内期刊最早出现“人脸识别”这一概念是在1979年的《自动化学报》上,而正式的学术论文则是1992年洪子泉等发表的“用于图像识别的图像代数特征抽取”和郑坚平等发表的“标准正面人脸图像识别”。当下美国、德国、日本等一系列发达国家以及一些发展中国家(包括中国)都有专门研究人脸识别的机构存在,例如美国的MIT和CMU,德国的Cognitec公司;国内较为出名的有早些年中科院计算所跟哈工大联合创办的一个面像实验室、中科院研究所及其下属的中科奥森公司等。现如今美国FBI通过人脸识别提高了刑侦案件的侦破率,澳大利亚通过“刷脸”入境,芬兰的脸部识别支付平台等早已不是什么新奇的事物,国内的机关单位人员审查,汽车驾照考察也纷纷用上了人脸识别来确认身份。

之所以要在各种各样的场合中将类似人脸识别这样的智能识别应用于其中,主要是因为智能识别系统的快捷性和大容量记忆。就拿本文所做的宿舍安防监控系统来说,倘若是通过人工管理员来进行安防管理的话,且不说管理人员是否能在高强度不间断的工作条件下保证精神集中地盯着监控视频,对于宿舍来往的每一个学生实际上人力基本无法做到每个人都认识,只能大概做出类似“某个人脸熟,应该是宿舍学生”的判断。而对于智能系统来说,只要前期系统的测试调试足够完善,在实际应用中将会十分快捷准确,并且机器可以存储的人脸数量必定是远远大于人脑记录的。

目前而言人脸检测方法较为成熟的有特征点法、模型分类等,通过机器学习从而训练出模型用于分类是比较常用的方法。而对于人脸识别,国际上主流的研究方向有三个,一是基于几何特征提取的方法,即提取人类脸部具有突出特征的部位的轮廓、相对大小、相对距离等几何特征形成一个描述该人脸的特征向量集,与预先存储的参考数据进行对比即可确认是否为同一人脸。这种方法简单并且实时性极强,但是相应的缺点是容易受到外界例如光照、遮挡物的影响,鲁棒性不强。后面两种方法严格来说都属于基于代数特征的人脸识别算法。第二种方法则是基于模板的匹配方法[2-5],即将待识别图像与数据库中的人脸图像的模板进行相关性对比。这种方法的缺点在于需要大量的算法数据计算和样本训练,才能最终整合出一个合适的模板形式进行匹配。第三种方法则是卷积神经网络法[7-10],这类算法与模板匹配法相似的特点是利用已知的样本数据通过机器学习进行大量训练从而得到一个可靠的模型参数估计值,再利用这个估计值所建立的模型对待识别人脸进行运算从而与数据库中的人脸进行相似度匹配。但是在现实生活中对于一组数据可以解析的情况有成千上万种,卷积神经法的优点在于通过不同分类情况的层层嵌套可以找到高维数据间最本质的区别。这种方法的优点是鲁棒性强,但是相应的缺点是需要海量的样本训练才能得到一个准确的分类器用于判别人脸相似与否。

提到样本训练就不得不提到分类器的构成。这三种不同的人脸识别方式仅仅是对源数据的一些特殊处理,最终的人脸识别还是要依靠相应的分类器来进行。这些分类器通常有一个待定的参数,在经过训练样本的训练之后这个参数便会得到确定从而可以对测试样本进行分类,训练样本越多则分类的准确率越高。与卷积神经网络法相对应的即深度学习[11,12],通过层层嵌套的学习分类可以得到一个较为理想的结果。PCA算法也是基于代数特征的一种匹配算法,相对于其它算法,PCA在减小数据量计算方面有极大的优势,同时最小距离分类器的训练也会更为简单易操作,后文将会详细提到。

表1.1 人脸识别算法优缺点

人脸识别方法

优点

缺陷

几何特征法

简单、实时性强

易受干扰、鲁棒性差

模板匹配法

比几何法更准确直观

计算量大

神经网络法

鲁棒性强、适合各种环境

需要大量的样本训练

除了这三种主流的研究方法之外,有许多相较优点更为突出的切入方向或改进的算法也在逐渐的产生。国内例如朱冰莲教授等人在14年提出的针对表情变化的三维人脸识别系统[13],就是通过三维视图和人脸特征数据相结合,进行深度特征匹配进行的人脸识别,从而增强了系统对人脸表情变化的鲁棒性。但是这种方法的缺点也十分明显:采集设备成本高,人脸重建算法复杂,识别速度缓慢,因此这项技术并不是十分成熟。此外邵冬华教授等人在2017年提出的二次近邻稀疏重构法[2],在相同识别率的情况下运算时间要比其它算法少接近一半,但是同时对于待测体和样本的要求也更加的严格否则会导致性能的下降。此外就在18年初,Gabriel Hermosilla等人提出了通过红外热成像进行醉酒人脸识别的方法[14],利用热度特征点结合混合高斯模型对醉酒人士进行分类划级,这种方法的缺点也十分明显,即不同身体机能的人脸部对于酒精的热度反应是相差较大的,如果要真正将这个系统推广开来那么势必会在许多地方出现误分的情况。

总的来说,人脸识别技术目前处于高速发展的阶段中,各种针对不同情况和样本的识别系统都有它突出的优点但难免也存在着局限性,即很少有能对于各种不同条件下都能准确进行识别的分类系统。例如一些安全部门的检测,管理人员大可要求每个进出人员脱下帽子、眼镜等物品进行检测识别,那么该系统只需对于一般人脸进行精度高的识别算法设计即可。但是对于其他场合下例如舞会进出人员的检测,为了达到比较特殊条件下的人脸识别(例如化妆、脸上的装饰等),算法就要做出一定程度的改变使得适应性更强,但是同时也会使得识别的精度下降。因此如何让机器真正地做到如同人脑一般的进行识别成为当下研究的重心所在。

姿态识别技术相对于人脸识别技术来说更像是一种辅助手段。它的局限性在于无法对监控对象的具体信息,比如“他是谁”这种问题进行分辨。他只能通过一定范围内的图像数据分析来对目标进行一个大概的归类,用于判断出“他是个怎样的人”。现有的人体姿态识别方法通常有两种:模板匹配法和状态空间法[15]。前者与人脸识别中的模板匹配法类似,通过预先存储在数据库中的行为数据集来解释目标当前的运动,算法简单并且运行速度快,相应的鲁棒性会更差点;后者则是将各个静态姿势通过状态空间模型进行定义联系,而目标的每个动作都会与模型进行遍历匹配最终来判断其行为。这种方法与人脸识别中的模型学习有类似的地方,缺点也在于需要的训练样本多、计算复杂度高。

发展前景

智能识别技术的每一次发展更新,实际上就是机器向人脑一步步靠齐,当机器的识别算法达到一个极致之后,在某些方面机器的识别可以完全取代人工,并且比人工识别更具效率和准确。人脑在从事一些工作的时候是有可能会犯错的,但是机器在经过大量训练学习之后犯错的几率近似为零,因此当智能系统真正登上社会生产的舞台的时候,人类可以解放出更多地精力用于其他方面的发展。就目前的发展来看,智能识别技能的可革新之处还有许多,在不同条件和环境下总能找到更优秀的算法进行系统的设计,因此人工智能技术的发展也是日新月异。21世纪是人类社会走向智能化的时代,智能发展的前景必将势不可挡。

第2章 整体系统预期

本设计的主要目的是通过人脸识别和姿态识别来分辨出宿舍楼进出人员的身份从而将不明人士记录或报警,并对一些特殊情况进行处理。因此整个系统框架将由人脸识别和姿态识别两部分组成。每个部分又由各个不同功能的小模块组成。

图2.1 系统功能框图

2.1 人脸识别模块

人脸识别模块最主要的任务就是讲通过摄像区的人员的脸部与学生库中的人脸进行对比,倘若与某个人脸一致那么即已知人员。而若是没找到对应的库中人脸的话则判定为陌生人脸,系统将自动报警并记录。其中值得注意是,该系统要求有自动报警记录的能力,不管使用什么算法进行人脸识别,即使是登记在数据库中的人物在行走过程中不同的远近、姿态、方向甚至较为夸张的表情都有可能导致某一个时刻的人脸无法被识别出。为了避免无效报警产生的数据冗余,该系统首先要做的便是提取人脸识别的关键帧用于识别,即选择一个最合适的时刻进行后续的人脸对比。这样子就可以避免一个人在路过摄像区的过程中不会由于某些面部异常而被误判为“陌生人”。在提取到人脸关键帧之后,使用PCA算法进行人脸识别即可。值得注意的是,对于刻意遮挡脸部的待检测目标(比如一个带着头盔路过的行人),系统同样要求有报警的能力,便于姿态识别模块借助步幅等进行人物分析。

由图2.2可以看出,人脸识别模块实际上由两个主要的部分组成,一是人脸检测,第二才是识别部分。本系统所假设的情况是对摄像头实时采集的视频段进行分析,因此在对每一段视频进行分析时,首先遍历这段视频内的所有图片帧,检测出是否有物体经过,以及检测比较出最大的人脸帧。

N

N

Y

Y

N

Y

图2.2 人脸识别模块流程图

当有物体经过且人脸帧为空时,系统会报警提醒管理人员采取后续措施。当有物体经过且人脸帧不为空时,则进入PCA人脸识别阶段。当识别未知人员时系统会报警并保存当前人脸帧,当识别为已知人员时则系统会回到开头,循环这一系列的工作。在最开始进行设计构想的时候想使用的方法是利用matlab实时的摄像采集功能对当前监控帧进行分析,但是如此设计就如同上文所讲的,容易产生无意义的报警,并且对每一帧都进行识别所耗费的运算时间相对较久,实际的实现中可能会出现当前帧与实时帧不同步的现象,并且这个现象随着时间流逝,时延会越来越严重。因此在设计之初已经将采集关键人脸帧的任务作为一个工作的重点了。

2.2 姿态识别模块

姿态识别模块作为对人脸识别模块的补充,在本系统中同样起着至关重要的作用。其中最主要的功能是,在人脸识别无法对遮挡脸部的人员进行识别的情况下,系统报警提醒了管理人员,管理人员可以提取该陌生人的姿态摄像头捕获的信息与实时采集的信息进行步幅对比,查看具有嫌疑的人员,提高宿舍的安全管理。除此之外,姿态识别模块还具有另外的辅助监控功能,例如比例报警功能,移速报警功能等。比例报警功能主要体现在学生突然倒地或者有人携带大体积物品的时候所产生的异于普通站立模型的长宽比例时,系统会进行报警记录。移速报警功能则是对进出人员的移速进行分析从而得出移速是否过快,是否具有威胁性。

由图2.3可以看到,姿态识别模块的内涵在于:一是通过实时判定模块对过往行人的身体比例进行检测,比如将正常直立的人通过帧差法框选出目标矩形后,一般来说高度要在宽度的两倍以上(考虑手部摆动增加的模型宽度),而当宽度比例大于高度的时候,这个人的姿态模型是畸变的,即可能发生摔倒、弓腰,又或者是由于携带大体积物品导致的比例畸变,系统便可据此进行保存或者报警的判断。

以上是毕业论文大纲或资料介绍,该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取,微信号:bysjorg。

相关图片展示:

您需要先支付 50元 才能查看全部内容!立即支付

微信号:bysjorg

Copyright © 2010-2022 毕业论文网 站点地图