人脸识别签到手机APP设计的研究

戚福豪，孙小舒，陈稳，李炎坤

（沈阳理工大学，辽宁 沈阳 110000）

0 引言

一些早期的人脸识别方法包括寻找区分性图像特征的位置，如眼睛，鼻子和嘴，并测量这些特征位置之间的距离，近期的方法依赖于比较灰度图像在被称为“特征脸”的低维空间的投影并利用活动表观模型并对形状和表观变化进行联合建模。本文研究是使用OpenCv库的人脸识别结合手机APP在课堂考勤的应用系统。

1 设计

其整体结构图如图1所示：

图1 人脸识别过程结构图

1.1 人脸数据库的建立

系统采集成员的人脸图像，将这些人脸分类标号保存，并建立人脸库。

1.2 图像采集

摄像头采集人脸图像，前期用于训练模型，后期用于对人脸的预测。

1.3 图像预处理

由于摄像头设备存在采集图像方法、提取人脸角度、图像背景以及光照变化等干扰信号，使得识别正确率出现不同程度的降低。所以，需将采集到的图像以及检测出来的人脸通过图像处理算法处理。其中处理方法有尺度归一化、图像灰度化、灰度变换、图像增强、以及图像降噪等。

1.4 人脸特征提取及模型训练

图像特征提取和特征描述是图像目标识别的关键技术，特征提取结果的好坏，直接影响模型训练结果，进而影响了目标识别的效果，在图像检索系统中，特征描述的好坏也会直接影响目标匹配和图像检索的精度。图像处理中特征点的检测与匹配是机器视觉最重要的部分。

特征提取指的是使用计算机提取视频中的图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征的好坏对泛化性能有至关重要的影响。

图像的模型训练即是通过对所提取的人脸特征，不断调整模型参数使人脸图像针对于模型之间的误差值达到最小。用于之后对人脸的预测。

1.5 人脸识别

提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。在图像匹配过程中有一个重要特征是:每个识别匹配都具有转置信(confidence)评分，因此可在实际应用中通过对其设置阈值来进行筛选。

人脸识别是利用提取好的特征，进行身份确认或在人脸库中比对搜索最相似者。

2 技术

2.1 基于open cv 库

OpenCV中有三种人脸识别的方法，它们分别基于三种不同的算法：Eigenfaces、Fisherfaces和Local Binary Pattern Histogram(LBPH)。

（1）Eigenfaces算法是通过PCA来处理。PCA的本质是识别某个训练集上的主成分，并计算出训练集（图像或帧中的检测到的人脸）相对于数据库的发散程度，并输出一个值。该值越小，表明人脸数据库和检测到的人脸之间的差别就越小；0值表示完全匹配。

（2）Fisherfaces算法是从PCA中衍生发展出来的，采用更复杂的逻辑；尽管计算更加密集，但比Eigenfaces更容易得到准确效果。

（3）LBPH算法将检测到的人脸分为小单元，并将其与模型中的对应单元比较，对每个区域匹配值产生一个直方图。

2.2 基于harr 级联算法

（1）Haar级联检测器，OpenCV中的Haar级联检测器支持人脸检测、微笑、眼睛与嘴巴检测等，通过加载这些预先训练的Haar模型数据可以实现相关的对象检测。OpenCV中HAAR特征计算是积分图技术，可以非常快速高效的开窗检测，HAAR级联检测器具备有如下特性：高类间变异性，低类内变异性，局部强度差，不同尺度，计算效率高。

（2）Haar小波函数，因为其满足对称性，因此对人脸这种生物对称性良好的对象特别适合用来做检测，下图为小波函数：

图2 小波函数图

（3） 常见的Haar特征分为三类：

图3 Haar 特征

3 实现与系统测试

人脸识别签到App的主界面和识别界面和相关信息，如图4-6所示。

图4 应用主界面

图5 拍照识别图

图6 查询信息图

4 结论

此研究着重于人脸识别在学校的学生的课堂考勤应用，设计这款基于Android的人脸识别app应用。经过功能测试和可行性分析，基本满足需求。本着软件的设计可扩展性原则，以后还会有更加丰富的功能加入，以适应多变的环境和功能需求。使得应用系统更加便利和具有未来性。