Adaboost+Haar-Like人脸识别系统的设计+matlab代码(2)

菜单

5. 总结与展望 15

5.1 本文总结 15

5.2 展望 15

基于GUI的仿真界面 16

参考文献 18

附录 20

致谢 24

人脸识别系统的设计引言

随着科技的快速发展，上世纪80年代后这一课题成了研究的热点。互联网时代的来临，为各方面带来便捷的同时，也产生了许多的安全隐患。人们在利用一些手段来保障安全时，利用传统手段如需要一些身份验证来支配、获取信息就显得繁琐。在这种需求背景下人脸识别系统应运而生，与麻烦的传统手段相比较，人脸识别更受欢迎。识别人脸采取的是人的面部信息，面部特征具有内在稳定性、外在差异性等优点，从而人脸检测成为人们保障信息安全的首选手段。

人脸识别技术操作流程如下：(1) 利用摄像头采集人脸信息；(2) 对人脸信息进行检测；(3) 创建特征数据库，进行特征提取；(4) 识别人脸

人脸检测技术与指纹识别、基因识别、身份验证等手段相比优势突出在：

(1)不与人的身体接触保障人们的隐私。

(2) 防伪系数高，不易被造假与偷取。

(3) “随身携带”不必担心遗漏或丢失，随时用随时取。

同时课题存在如下缺点：

（1）人的面貌变化较大（如剃了胡子、换了发型、戴了眼睛等）会导致比对失败。

（2）光照、姿势、装饰等，也会对辨认造成影响。

（3）人脸数据库不断加大，人脸检测算法也会变的不断繁琐。

1. 课题研究现状及面临问题

1.1 课题在国内外的研究现状

国外很早就进行了人脸信息识别的研讨，当下已有实用系统面试，但成像条件仍然严峻，进而应用领域较窄。从各方面研究成果来看，目前有如下几种方法：

（1）模板匹配

模板匹配的思路是先创建几个参考模板，然后再算出训练样本与标准模板间的某种标准，通过是否超过阈值来验证训练样本是否为人脸。然而人脸表情受外界因素影响较大，不易采集到有效的模板。

（2）示例学习

该方法的思路是从已给概念的正反例的汇合中演绎出接纳一切正例同时排挤全部反例的普通规定。把PC中对人脸模板和非人脸模板的判别规定作为是否确定为人脸的主要判别标准。因而，算法的优劣关键在于辨别度上和减少数据维数。

（3）神经网络

从本质来讲，它是一种基于样本的学习措施。例如Pabbio组员倡导的HyperBF神经网络辨认方法，英国Saggex大学的两个著名教授发表的RBF网络辨别措施。此外，基于AdaBoost的检测算法，色彩灰度化的方法，面部剖析的方法，以及多样本模式结合的方式，在国外都进行了大量的处理与探讨。

国内在二十世纪八十年代相继开展了对该课题的研究，领航单位有北大，浙江大学，国家科研所，中科院自动化所，南开大学，中国科技大学等。国家十一五计划“面像检测与识别核心技术”通过鉴定成果并首次运用，预示着我国在人脸识别的里程碑上留下了浓重的色彩。北京宏发科技有限公司在2005年研发的一种人脸辨别系统，对人脸识别的研究也提供了很大的价值。2002年，浙大自动化系人脸识别课题组组长毕茂盛教授负责担任的国家"十五"攻克项目《人脸检测与识别》通过专家鉴定，一致认为该项技术处于这个领域的前沿。国内还有一些在人脸识别方面做出突出贡献的人，如彭成、张长贵通过进一步完善“特征脸”的方法，提出采取类内散布方差作为执行矩阵，进一步减少数据的维数，在辨别度较好的情况下，运算时间得到很大的缩短。