基于人脸识别技术校园宿管系统的设计与实现
发布时间：2021-07-24 15:43
近年来随着高等教育的普及,学生群体的数量急剧上升致使高校的规模日渐庞大。随之而来的是校园管理上的一系列问题,首当其冲的便是高校应对学生日常住宿管理的严峻考验。传统陈旧的管理理念和模式不足以满足日渐庞大的学生群体及其服务需求,管理人员紧缺、效率低下、易错易漏等问题不断涌现,并且低效的管理方式也在一定程度上导致工作的重复和资源的浪费。为解决上述问题,数字化、信息化的新型宿舍管理系统的研究与开发成为必然,辅以人脸识别等新型技术,可极大的缓解当前高校在学生宿舍管理方面面临的难题。本文设计并实现一套基于人脸识别系统的宿舍管理系统,通过OpenCV的函数功能将通道闸机拍摄的人像传至系统程序,经由HOG梯度直方图配合YOLO神经网络算法检测和提取人像信息,将得到的人脸特征值与先前录入系统的人员信息比对,实现人脸识别功能;以识别设施采集的信息为中心开发一套基于B/S三层结构的宿舍管理系统,将学生及其他人员的出入信息整合、统计,配合高校其他系统信息实现对学生的考勤与人员管控。另外系统还具备一系列学生日常所涉及的业务管理,管理人员通过平台能够快速、便捷的处理与反馈业务申请,达到高度信息化管理的目的。论文的...
【文章来源】：南昌航空大学江西省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
人脸识别原理流程图
中的人脸进行特征值比对，得出识别结果。具体实现流程如下图 2-1 所示。图 2-1 人脸识别原理流程图由上图不难看出，人脸识别的关键之处在于人脸检测、特征值提取以及比过程。人脸检测作为整个识别过程的信息输入源其作用不可或缺，面部特征值提取以及识别的比对算法则是实现人脸识别系统的关键支撑，这几个部分也是前众多识别算法的区别所在，不同算法在不同的应用领域有着各自的优势[21]。目前较为主流的人脸识别技算法投入运行前大都需要使用一定量的样本数进行训练[22]。其训练流程如图 2-2 所示，通常以人脸和非人脸作为样本数据集行处理分析，通过对识别程序训练样本提取估值并以此作为人脸参照，并根据过仲裁得出结果不断地调整分类器参数，以提升识别率。
计算得到所有单元的梯度直方图后，利用大小和步长都为 64×64 的滑动窗口块遍历整张图片，并将每一块内的特征值归一化，可增强图像对阴影、光照和边缘变化的鲁棒性。本文选用 L2 范数归一化方法，即 914122,,m,()m nmnnormedmnnvvv （2-5）式中的 m 表示 HOG 的横坐标索引，n 指滑动窗口块中单元的索引；vm,n表示索引对应的 HOG 计数值；为避免分母为 0 加入一个趋近于无穷小的常数ε。通过上述HOG 过程，可从输入图像中提取得到一个维度为 7×7×36 的特征图。2. YOLO 卷积神经网络及特征图融合另一方面，输入图像经由以 YOLO 模型为基础的卷积神经网络，其网络结构图如 2-3 所示。图中输入图像（448×448 的 RGB 图片）经过 6 次卷积和 4 次池化处理，每次卷积都对该层输入图像进行卷积、加偏置、激活及下采样操作，不断地提取图片中的特征。图像信息数据每经过一次卷积操作后结合偏置值通过激活函数处理，得到该层提取出的图像特征值。
【参考文献】：
期刊论文
[1]软件工程深度学习实践教学模式[J]. 杨谊,喻德旷. 高教学刊. 2019(04)
[2]高职院校学生宿舍管理模式改革与创新探讨[J]. 田奕. 工业技术与职业教育. 2018(04)
[3]大学生宿舍管理新模式探索与实践[J]. 何铬颖,杨霞菲. 课程教育研究. 2018(51)
[4]基于卷积神经网络的快速人脸检测算法[J]. 陈益民,白勇,黎传琛. 海南大学学报(自然科学版). 2018(04)
[5]国内外高校学生公寓主要管理模式及经验启示[J]. 冷志勇. 教育教学论坛. 2018(44)
[6]软件系统性能测试方法及流程规划分析[J]. 靳艾. 电脑知识与技术. 2018(25)
[7]融合YCbCr肤色模型与改进的Adaboost算法的人脸检测[J]. 崔鹏,燕天天. 哈尔滨理工大学学报. 2018(02)
[8]一种基于改进LBP特征的人脸检测方法[J]. 陶西浩,万定生,杨志勇. 信息技术. 2018(02)
[9]计算机信息技术在高校宿舍管理中的应用[J]. 高平. 信息与电脑(理论版). 2017(23)
[10]数据库设计对SQL Server数据库性能优化分析[J]. 徐小亚,李君芳. 信息与电脑(理论版). 2017(02)
博士论文
[1]基于特征学习的无约束环境下的人脸识别研究[D]. 田雷.北京邮电大学 2018
[2]基于图像的人脸识别中关键技术研究[D]. 马宁.吉林大学 2016
[3]人脸识别中的特征提取与度量学习算法研究[D]. 易军.北京邮电大学 2015
[4]人脸识别特征抽取算法的研究[D]. 方蔚涛.重庆大学 2012
[5]人脸识别中的活体检测技术研究[D]. 孙霖.浙江大学 2010
硕士论文
[1]基于OpenCV的人脸检测与跟踪算法实现[D]. 聂然.安徽理工大学 2017
[2]美国高校信息化战略规划及其启示[D]. 李媛媛.西华师范大学 2016
[3]Web应用安全防护技术研究与实现[D]. 李昌.中南大学 2010
本文编号：3300943
【文章来源】：南昌航空大学江西省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
人脸识别原理流程图
中的人脸进行特征值比对，得出识别结果。具体实现流程如下图 2-1 所示。图 2-1 人脸识别原理流程图由上图不难看出，人脸识别的关键之处在于人脸检测、特征值提取以及比过程。人脸检测作为整个识别过程的信息输入源其作用不可或缺，面部特征值提取以及识别的比对算法则是实现人脸识别系统的关键支撑，这几个部分也是前众多识别算法的区别所在，不同算法在不同的应用领域有着各自的优势[21]。目前较为主流的人脸识别技算法投入运行前大都需要使用一定量的样本数进行训练[22]。其训练流程如图 2-2 所示，通常以人脸和非人脸作为样本数据集行处理分析，通过对识别程序训练样本提取估值并以此作为人脸参照，并根据过仲裁得出结果不断地调整分类器参数，以提升识别率。
计算得到所有单元的梯度直方图后，利用大小和步长都为 64×64 的滑动窗口块遍历整张图片，并将每一块内的特征值归一化，可增强图像对阴影、光照和边缘变化的鲁棒性。本文选用 L2 范数归一化方法，即 914122,,m,()m nmnnormedmnnvvv （2-5）式中的 m 表示 HOG 的横坐标索引，n 指滑动窗口块中单元的索引；vm,n表示索引对应的 HOG 计数值；为避免分母为 0 加入一个趋近于无穷小的常数ε。通过上述HOG 过程，可从输入图像中提取得到一个维度为 7×7×36 的特征图。2. YOLO 卷积神经网络及特征图融合另一方面，输入图像经由以 YOLO 模型为基础的卷积神经网络，其网络结构图如 2-3 所示。图中输入图像（448×448 的 RGB 图片）经过 6 次卷积和 4 次池化处理，每次卷积都对该层输入图像进行卷积、加偏置、激活及下采样操作，不断地提取图片中的特征。图像信息数据每经过一次卷积操作后结合偏置值通过激活函数处理，得到该层提取出的图像特征值。
【参考文献】：
期刊论文
[1]软件工程深度学习实践教学模式[J]. 杨谊,喻德旷. 高教学刊. 2019(04)
[2]高职院校学生宿舍管理模式改革与创新探讨[J]. 田奕. 工业技术与职业教育. 2018(04)
[3]大学生宿舍管理新模式探索与实践[J]. 何铬颖,杨霞菲. 课程教育研究. 2018(51)
[4]基于卷积神经网络的快速人脸检测算法[J]. 陈益民,白勇,黎传琛. 海南大学学报(自然科学版). 2018(04)
[5]国内外高校学生公寓主要管理模式及经验启示[J]. 冷志勇. 教育教学论坛. 2018(44)
[6]软件系统性能测试方法及流程规划分析[J]. 靳艾. 电脑知识与技术. 2018(25)
[7]融合YCbCr肤色模型与改进的Adaboost算法的人脸检测[J]. 崔鹏,燕天天. 哈尔滨理工大学学报. 2018(02)
[8]一种基于改进LBP特征的人脸检测方法[J]. 陶西浩,万定生,杨志勇. 信息技术. 2018(02)
[9]计算机信息技术在高校宿舍管理中的应用[J]. 高平. 信息与电脑(理论版). 2017(23)
[10]数据库设计对SQL Server数据库性能优化分析[J]. 徐小亚,李君芳. 信息与电脑(理论版). 2017(02)
博士论文
[1]基于特征学习的无约束环境下的人脸识别研究[D]. 田雷.北京邮电大学 2018
[2]基于图像的人脸识别中关键技术研究[D]. 马宁.吉林大学 2016
[3]人脸识别中的特征提取与度量学习算法研究[D]. 易军.北京邮电大学 2015
[4]人脸识别特征抽取算法的研究[D]. 方蔚涛.重庆大学 2012
[5]人脸识别中的活体检测技术研究[D]. 孙霖.浙江大学 2010
硕士论文
[1]基于OpenCV的人脸检测与跟踪算法实现[D]. 聂然.安徽理工大学 2017
[2]美国高校信息化战略规划及其启示[D]. 李媛媛.西华师范大学 2016
[3]Web应用安全防护技术研究与实现[D]. 李昌.中南大学 2010
本文编号：3300943
本文链接：https://www.wllwen.com/jiaoyulunwen/gaodengjiaoyulunwen/3300943.html
