一路机电人脸识别器(图)-人脸识别考勤-人脸识别

伴随着科技的飞速发展，人脸识别的技术也越来越好，近来有一种通过*网络的方法进行识别，人工*网络是一种非线性动力学系统，具有良好的自*、自适应能力。目前*网络方法在人脸识别中的研究方兴未艾。Valentin提出一种方法，首先提取人脸的 50个主元，然后用自相关*网络将它映射到 5维空间中，再用一个普通的多层感知器进行判别，对一些简单的测试图像效果较好；有人提出了一种混合型*网络来进行人脸识别，其中非监督*网络用于特征提取，人脸识别原理，而监督*网络用于分类。Lee等将人脸的特点用六条规则描述，然后根据这六条规则进行五官的*，将五官之间的几何距离输入模糊*网络进行识别，效果较一般的基于欧氏距离的方法有较大****，Laurence等采用卷积*网络方法进行人脸识别，由于卷积*网络中集成了相邻像素之间的相关*，从而在一定程度上获得了对图像平移、旋转和局部变形的不变性，因此得到非常理想的识别结果，Lin等提出了基于概率决策的*网络方法 (PDBNN)，其主要思想是采用虚拟 (正反例 )样本进行强化和反强化学习，从而得到较为理想的概率估计结果，并采用模块化的网络结构 (OCON)加快网络的学习。这种方法在人脸检测、人脸*和人脸识别的各个步骤上都得到了较好的应用，其它研究还有 :Dai等提出用Hopfield网络进行低分辨率人脸联想与识别，Gutta等提出将RBF与树型分类器结合起来进行人脸识别的混合分类器模型，Phillips等人将MatchingPursuit滤波器用于人脸识别，国内则采用统计学习理论中的支撑向量机进行人脸分类。

*网络方法在人脸识别上的应用比起传统的方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而*网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。因此人工*网络识别速度快，但识别率低 。而*网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。

1.首****行预处理，选定视频中不在人脸可能出现的区域，并将该区域图像保存，作为对比图像在背景对比步骤使用。然后进行背景对比，选取一帧与预处理选定的背景图像相同区域的图像，将与图像进行灰度化处理得到两幅图的灰度图像和。在图像上寻找个亚像素级角点，使用金字塔Lucas-Kanade光流方法追查亚像素级角点在图像的位置。计算两次角点位置偏移之和，大于某一阈值则认为背景发生变化、检测的人脸为非活的人脸。

2.背景检测结束后，对视频每帧图像进行人脸检测和眼睛检测。将检测后的图像进行直方图均匀化、自适应二值化，然后进行形态学开闭操作求出眼珠，统计眼珠的像素总和。分析每帧图像中眼珠像素总和，人脸识别，当睁眼状态时的值蕞大，闭眼状态时的值为0。出现上述状态时，可以认为该过程为眨眼过程。当背景检测相同且发生眨眼过程时，则认为检测的人脸是活的。

人脸图像采集及检测

人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，动态人脸识别，采集设备会自动搜索并拍摄用户的人脸图像。

人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。

人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。

主流的人脸检测方法基于以上特征采用Adaboost算法，Adaboost算法是一种用来分类的方法，人脸识别公司，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。人脸检测过程中使用Adaboost算法挑选出一些蕞能代表人脸的矩形特征(弱分类器)，按照加权的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地****分类器的检测速度。