基于实验室考勤系统的快速人脸识别算法研究

为了提高实验室考勤系统的安全和速度,研究了人脸识别的基本原理,设计了一种用于考勤系统的人脸快速识别方法。利用Ada Boost快速人脸检测算法,然后使用PCA+LDA融合算法来实现人脸识别。实验结果表明,利用该方法实现实验室人脸识别,具有识别率高、速度快、实用性好等特点。     

基于人脸识别的图像考勤系统设计与实现

基于人脸识别的智能系统在近几年中非常活跃,是计算机视觉和模式识别领域里的研究重点,如基于人脸识别的考勤系统、基于人脸识别的门禁系统、基于人脸识别的考试系统等等。基于人脸识别的图像考勤系统首先进行人脸图像采集和人脸检测,将采集到的人脸图像保存实现人脸注册,然后对图片中的所有人脸进行检测和识别,将识别到的信息进行保存,根据人脸识别中保存的信息可以查询信息,实现考勤。     

基于AdaBoost和PCA的动态人脸考勤技术研究

设计并实现了基于Adaboost和PCA的动态人脸识别考勤系统。利用AdaBoost快速人脸检测方法为基础,然后使用PCA方法来实现人脸识别.实验结果表明,利用该方法开发的动态人脸识别考勤系统具有识别率高、实用性好、可靠性强等特点.     

人脸识别技术在智慧校园建设中的应用研究

通过从智慧校园门禁或考勤系统建设的角度出发,基于改进SSD深度学习算法,构建起用于门禁或考勤人脸监测的网络框架,利用多尺度特征图框选识别目标候选区域,通常人脸识别只需要设置4×4×n的卷积核,使用DAN算法、特征向量分类器,实现人脸关键点提取、特征向量层次聚类,并将识别后的人脸特征向量与后台数据库的人脸图像比对,以保证人脸识别结果的精确性。     

基于Python+OpenCV的课堂人脸签到微型系统

针对高校课堂教学学生人数据考勤中存在代签、花费时间长、成本高等问题,提出了基于Python+OpenCV的课堂人脸签到微型系统。首先,分析了高校课堂考勤的实际需求,得出系统应实现的主要功能;然后,设计了系统的主要功能模块,并对各模块的功能进行了详细说明;最后,分解了核心模块人脸录入和人脸识别的实现流程,基于Python+OpenCV实现人脸图像获取、人脸检测、特征提取与存储、特征训练、特征提取与识别等核心功能,采用视频签到方式,生成和存储签到的过程性和结果性数据。通过系统的单机部署,不仅能够快速实现课堂签到,也能实现签到结果的分析统计。     

基于计算机视觉的课堂实时考勤系统设计

本文基于计算机视觉技术设计了一种课堂实时考勤系统,首先根据MVC架构搭建系统整体结构,然后设计了基于深度学习的计算机视觉模型用于人脸检测和识别,并建立了关系型数据库模型,最后通过Web服务实现实时考勤功能。本系统有利于学校课堂教学管理,具有一定的发展前景。     

基于人脸识别的企业考勤系统设计与实现

针对当前考勤系统存在的费时费力,系统和数据库维护成本高,员工身份验证方法存在漏洞和用户操作不友好等问题,本文基于深度学习的方法提出并设计了一款基于人脸识别的智能员工考勤系统.本系统有效的解决了在考勤时员工身份的实时验证的问题,在保证高准确率的同时简化了操作,优化了智能考勤流程,降低了考勤成本.此设计主要将考勤系统分为4个功能:员工人脸录人,人脸检测,人脸对比身份验证及保存记录等,加之以数据存储库和图形界面辅助,完善了考勤系统功能.经测试,本系统重点功能能够很好完成任务,符合设计要求.     

人脸考勤系统中人脸视觉特征融合跟踪算法

基于人脸考勤系统提出了一种人脸视觉特征融合的跟踪算法,并将其扩展到多人脸跟踪场合.该算法充分利用了人脸的颜色信息和轮廓梯度信息,实现了两种特征的互补.最后,给出了人脸跟踪仿真结果.仿真结果表明,该人脸跟踪算法有效且稳健性较好,能够很好地处理人脸旋转、遮挡等问题,具有很好的应用前景.     

基于YOLOv5与目标追踪算法的戴口罩人脸识别系统

针对后疫情时代人脸识别系统无法在佩戴口罩的情况下准确识别人脸的问题,基于OpenCV库和Dilb库架构系统,引入YOLOv5目标检测算法替代Dlib原有的人脸目标区域检测算法。通过检测算法获取一系列目标特征值的坐标位置后,采用CentriodTracking目标追踪算法来处理这些特征,从而实现对佩戴口罩人脸图像的快速识别,系统同时实现了用户注册、数据录入、信息管理和日志等功能。     

利用树莓派通过人脸识别实现全自动查勤

随着计算机与信息系技术的发展,各类信息化考勤技术已在一些公司及特定的活动场所使用,并开始在高校这种人口密集、覆盖范围较广的环境进行推广,如Wi Fi考勤、RFID考勤、微信考勤等,但又存在各自不足。考虑到成本、易用性等多方面因素,对于课堂考勤、活动考勤及寝室考勤等应采用其他相应合理方案。对于课堂考勤,主要考虑的是定位精度以及成本,冒名顶替的可能性,采用其他更为适合。对于RFID考勤方案若要达到相同的覆盖范围以及定位精度需要大量铺设阅读器和辅助标签成本较高,且容易出现代签现象。对于微信考勤在数据整理上麻烦不易于统计。而本项目—利用树莓派通过人脸识别实现全自动查勤恰恰具备上述几种考勤方案的优点却又回避了它们的缺点,这正是此项目的创新特色所在。目前全国大多数高校对于检查课堂出勤情况主要使用两种方式。第一种是通过课堂点名方式进行采集,虽然方式简单、成本低,但会占用大量课堂时间降低学习效率。第二种是通过手机APP进行网上点名,虽然点名速度快占用课堂时间少,但学生即使不在课堂也能完成点名导致虚假出勤情况。使用人脸识别技术就能很好的避免以上两种方法的缺点。该方法通过在体积小巧的树莓派主板加入摄像头进行拍摄,在部署前使用旷视科技人脸检测API接口将课堂中学生的人脸转化为唯一的特征码,将唯一的特征码存入SQLite数据库中保存在树莓派本地,以便将人脸识别情况及时转化为课堂查勤表输出至查勤人端。实验结果表明,使用此方法进行全自动查勤工作稳定,但由于摄像头模组成像质量较差,因此准确率有待提高。     

基于梯度向量流场的眼睛特征提取

根据人脸图像的边缘梯度图提出了一种新的基于梯度向量流场的眼睛特征提取方法。该算法改进原有的梯度向量流迭代方程求解梯度向量流场,以梯度向量流场中的汇点作为候选点,通过人脸器官的几何位置关系等方法评价候选点以定位眼球。该算法能较好地容忍一定的光照变化、人脸的小角度倾斜和旋转、闭眼和眼镜等干扰。在具有以上干扰的ORL人脸库的400幅图像上的实验证明,该算法具有较好的眼睛特征抽取能力。     

Design and implementation of a real-time eye tracking system

Driver fatigue severely affects driver's alertness and ability to drive safely. There are vital problems related to drivers fatigue on driving of trains, vehicles and airplanes. Therefore, the driver fatigue research is important. In this paper, we first study the impact of eye locations on face recognition accuracy, with Haar-like feature and AdaBoost classifier, face and eye area can be detected quickly and accurately. In the part of eye tracking, cam-shift based mean-shift algorithm is used to track the eyes. This method could automatically adjust the size of tracking window according to the different posture of driver. The performance of our eye detection method is validated by using image database with more than 6000 pictures. In addition, our real-time eye tracking system has been tested on railway line segment (China). There are 5 train drivers involved in the experiment. The validation shows that our eye detector has an overall 93% eye detection rate.     

基于Floatboost算法的人眼定位

Floatboost算法相较于传统的Adaboost算法、Boosting算法具有计算量少和运算速度快的优点,目前在机器学习中应用广泛。针对人脸与人眼精确定位问题,采用Haar-like提取人脸特征,再运用Floatboost学习算法得到人脸检测器,在人脸准确定位的基础上使用Floatboost训练的人眼分类器定位人眼。Floatboost算法具备回溯性的优点,去掉了较弱特征,减少计算量,提升了运算速度。     

基于LARK特征提取的AdaBoost人脸检测系统

由于图像易受到外部条件及图像背景的影响,AdaBoost人脸检测方法在特征分类的过程中,单个分类器存在将人脸图像误判为非人脸图像的情况,致使分类器在检测过程中存在误差。文中通过研究AdaBoost人脸检测方法,并将LARK特征提取方法应用到特征分类当中,使原有的方法上得到改进,从而有效提高了人脸检测的准确度。     

基于连续均值量化变换的人脸检测算法

针对人脸检测中对旋转、光照、遮挡等检测的准确性与稳健性问题,提出将连续均值变换用于人脸检测的方法.首先利用连续均值变换提取候选区域人脸的特征,用提取的特征训练SNoW分类器,通过分类器对人脸与非人脸样本进行分类,达到准确确定人脸位置的目的.实验结果证明,与人工神经网络、支持向量机和朴素贝叶斯相比,该方法在复杂背景和光照和遮挡以及多人脸等情况下仍然具有很好的准确性和稳健性.     

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

基于多数据融合的快速人脸检测与特征定位算法

针对彩色图像提出了基于肤色和特征验证的人脸检测算法,由肤色分割、排除假区域、特征验证3部分组成。在肤色分割部分,提出自适应阈值法,再通过几何特征排除一些假区域,运用边缘检测、模板匹配和投影法精确定位眼睛和嘴巴,从而验证确认人脸,最后通过投影法定位出鼻子。实验证明该算法检测速度快、准确率高,具有较好的鲁棒性。     

支持向量机的人脸检测方法

提出了一种基于离散余弦变换(DCT)和支持向量机(SVM)相结合的人脸检测方法。采用DCT系数作为分类器输入,可以大大减少输入矢量维数,利用改进的SMO学习算法建立了一套基于SVM的人脸检测系统。     

High-dimensional feature extraction using bit-plane decomposition of local binary patterns for robust face recognition

Transforming an original image into a high-dimensional (HD) feature has been proven to be effective in classifying images. This paper presents a novel feature extraction method utilizing the HD feature space to improve the discriminative ability for face recognition. We observed that the local binary pattern can be decomposed into bit-planes, each of which has scale-specific directional information of the face image. Each bit-plane not only has the inherent local-structure of the face image but also has an illumination-robust characteristic. By concatenating all the decomposed bit-planes, we generate an HD feature vector with an improved discriminative ability. To reduce the computational complexity while preserving the incorporated local structural information, a supervised dimension reduction method, the orthogonal linear discriminant analysis, is applied to the HD feature vector. Extensive experimental results show that existing classifiers with the proposed feature outperform those with other conventional features under various illumination, pose, and expression variations.     

一种2DDCT与压缩感知结合的人脸识别

针对压缩感知(Compressed Sensing,CS)方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,计算复杂等缺点,提出二维离散余弦变换(2DDCT)和压缩感知(Compressed Sensing,CS)相结合的人脸识别方法。新方法首先利用2DDCT将图像变换到频域,压缩人脸图像以去掉人眼不敏感的中频分量与高频分量,这样有效降低了所需特征的维数,减少了计算量;然后通过感知算法进行特征提取得到人脸识别特征,最后运用最近邻分类器完成人脸的识别。在ORL、Yale及Feret人脸数据库的实验结果证明了该算法的有效性与稳健性,特别是在YaleB人脸数据库运用该方法得到了很好的试验结果。