论文部分内容阅读
随着近几年人工智能的巨大热潮,图像识别领域的研究也越来越广泛,人脸识别这一项生物特征识别技术也成为研究的热点之一。在对人的身份识别过程中,人脸识别技术将个人信息与人的脸部特征进行有效的结合,这一特性就使得其相较于其他类的生物特征技术,是一种更安全、更自然、更快捷的识别技术。然而,现实环境因素的不定性和人脸姿态的多样性,会影响人脸识别算法在识别人脸时的计算与分析,从而影响到识别人脸的正确率。所以,总结出不同算法的环境适用性,即算法在哪种应用场景下可以更好的发挥自身的优势,达到识别人脸正确率的相对最优值,这类研究对于越来越多的人脸识别技术使用者来说显得意义深远。本文为了分析人脸识别算法在不同环境因素下对人脸的识别准确性,设计一个人脸识别系统的同时并作为分析算法性能的实验平台。该系统分为视频图像采集子系统和人脸识别子系统,其中采集视频图像主要由硬件模块负责,而软件模块负责的是接收、显示视频流数据以及实现人脸识别功能。本文的最终目的是在已实现人脸识别功能的平台上对测试分析人脸识别算法,总结人脸识别算法在不同环境因素的适用性和识别人脸准确率。视频图像采集子系统是基于MT7620A的开发板搭载一个USB摄像头实现视频图像采集功能,其中包括基于V4L2架构的摄像头驱动程序负责采集视频图像数据、MJPG-streamer视频流服务器负责处理和传输视频流数据。人脸识别子系统基于软件平台实现视频图像中人脸的识别,其中基于Qt Creator的客户端负责接收服务端传输的视频流数据,视频监控平台实现实时视频图像的显示,同时可结合OpenCV视觉库实现对视频图像中的人脸检测、样本训练和目标人脸的识别。本文将图像采集和人脸识别通过跨平台实现的目的是想建立一个功能相对完整的“云平台”,多个视频设备只负责采集流数据,数据的接收和处理统一由“云平台”来完成,这样分工合作在节省时间成本的同时提高了工作效率。本文选择基于OpenCV中Eigenfaces、Fisherfaces和LBPHFaceRecognizer三个人脸识别算法进行对比分析,实验中的人脸库采集的是周围同学、朋友的人脸作为样本集,所模拟的环境因素有光照强度、人脸角度和遮挡物三种,以此尽可能地达到模拟人脸识别系统使用频繁的车站安检、路口监控和公司打卡等应用场景的真实环境。在分析三种人脸识别算法对目标人脸识别中,通过实验结果分析总结出其中Eigenfaces和Fisherfaces人脸识别算法在不同环境因素下识别性能基本相同,识别目标人脸准确率Fisherfaces稍高一点,而LBPHFaceRecognizer在某些特定环境因素中识别性能明显优于前面两种算法。因此,用户可以结合相应算法的实验结论,选择特定应用场景下的人脸识别算法进行人脸的识别。