第一章为引言，简单介绍了项目的研究背景和意义。

第二章详细介绍人脸识别技术相关内容。

第三章是介绍了相关的一些工具。

第四章详细介绍了需求分析，介绍了系统的设计目标、可行性分析，数据库设计以及系统的开发方案。

第五章根据系统功能模块详细介绍了各模块的设计过程并给出部分实现代码。

第六章介绍了软件的测试过程。

2 人脸识别技术相关

2。1 人脸识别的历史与发展来自优I尔Y论S文C网WWw.YoueRw.com 加QQ7520~18766

人脸识别的历史发展，一般可以化分为三个主要阶段：第一个阶段（从1905到1980），人脸识别只是被当作一般性的模式识别的问题，主要采用的技术是用人脸的基本几何结构特征进行识别。第二阶段（1990s），此时主流的技术路线为人脸表观建模。第三阶段（1990s末期到现在），研究者开始关注面向真实条件的人脸识别问题，主要包括以下四个方面的研究：1）提出不同的人脸空间模型。2）深入分析和研究影响人脸识别的因素3）利用新的特征表示，包括局部描述子（Gabor Face, LBP Face等）和深度学习方法。4）利用新的数据源，例如基于视频的人脸识别和基于素描、近红外图像的人脸识别[2]。

opencv使用特征脸(PCA)进行人脸识别，它自带了执行PCA操作的”cvEigenDecomposite()”函数。Visionics公司的FaceIt面像识别系统，该系统基于Rockefeller大学开发的局部特征分析(LFA)算法， Miros公司的Trueface及eTrue身份验证系统，其核心技术为神经网络[3]；

2。2 人脸识别测试基准

LFW数据集包括来源于因特网的5,749人的13,233张人脸图像，其中有1680人有两张或以上的图像。LFW的标准测试协议包括6000对人脸的十折确认任务，每折包括300对正例和300对反例，采用十折平均精度作为性能评价指标，因此LFW榜单成为了事实上的测试基准。

2。3 国内人脸识别技术公司

国际人脸识别评估集LFW榜，国内刷榜的企业有face++99。5%,商汤99。53%，腾讯99。65%,百度99。77%，中科奥森99。77%,中科云从99。5%，北京飞搜科技99。4%,宇泛智能 99%。谷歌针对这个人脸识别数据集的刷榜分数是99。65%。

具体参见 http://vis-www。cs。umass。edu/lfw/results。html

    ROC简介：受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。

lfw标准测试标准图表：

ROC曲线标准图介绍：受试者工作特征曲线，横坐标是假阳性率，竖坐标是真阳性率。其中LBPNet的真阳线率最高，说明该技术人脸识别准确率最高。而SD-MATCHES的真阳线率最低，说明这项技术人脸识别率最低。

表2-3-1 ROC曲线标准图论文网

ROC曲线下面积标准表介绍：AUC指ROC曲线下方的那部分面积的大小，AUC值越大，该技术表现越好。表中MRF-Fusion-CSKDA的AUC值最大，说明该技术的人脸识别准确率最高。而SD-MATCHES的ACU值最低，说明其识别效率差。 图2-3-2 ROC曲线下面积标准表

平均分类精度标准误差表介绍：表中MRF-Fusion-CSKDA的识别率高，但误差在0。9194浮动，说明识别错误的机率大。Spartans的识别率较好，误差在0。0021之间， 误差率最小，说明识别错误的几率最小。

图2-3-2 平均分类精度标准误差表

2。4人脸识别的主要技术方法

特征脸方法（Eigenface或PCA）