基于人脸检测和识别的学生考勤系统研究

发布时间：2022-10-21 16:00

　　随着信息时代的发展,机器学习得到了广泛研究,其中以深度学习算法和卷积神经网络（简称CNN）为基础的人脸检测和识别技术得到了快速发展。传统的人脸检测和识别算法在提取人脸特征向量时,易受到外界环境和其它变化因素的影响,以致不能更好地获取人脸信息,完成人脸的匹配和识别。现有的人脸检测和识别算法中,针对于人脸检测中光照强度、姿态旋转及部分遮挡等变化因素的研究相对较少,以至于在上述变化因素出现时,实时人脸检测和识别的准确性会被降低。因此,在考虑变化因素的前提下,如何有效地提升人脸检测能力和提高人脸识别的准确性,是一项重大的研究课题。本文在卷积神经网络模型的基础上,首先,针对于人脸姿态旋转、光照强度及部分遮挡等变化因素的影响,提出了多级联CNN模型用于人脸检测,设计了改进的CNN模型并进行了训练,与Facenet模型的训练结果进行了比较,进而选择效果较优的网络模型用于设计人脸识别模块;最后,在所设计的算法基础上,完成了学生考勤系统的设计和测试。本文的主要具体工作如下:1.根据检测过程中存在的变化因素,提出了一种多级联CNN模型。该模型针对于实时画面中的人脸进行检测,通过多组卷积神经网络逐层对图像进... 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究历史与现状
        1.2.1 传统人脸检测与识别技术
        1.2.2 基于深度学习算法的人脸检测与识别
        1.2.3 考勤方式的研究现状
    1.3 本文的主要研究内容
    1.4 本论文的结构安排
第二章 人脸识别和神经网络的理论概述
    2.1 人脸识别的理论概述
    2.2 人工神经网络
        2.2.1 网络模型及前向传播算法
        2.2.2 误差反向传播算法
    2.3 卷积神经网络结构
    2.4 卷积神经网络的算法优化
    2.5 本章小结
第三章 基于多级联卷积神经网络的人脸检测
    3.1 多级联卷积神经网络
        3.1.1 人脸图像预处理
        3.1.2 多级联卷积神经网络结构
    3.2 传统的基于Haar特征的AdaBoost人脸检测算法
    3.3 基于多级联CNN模型的人脸检测方法
    3.4 人脸检测过程
    3.5 实验结果与分析
        3.5.1 实验数据集
        3.5.2 实际检测效果
    3.6 本章小结
第四章 基于深度CNN模型的人脸识别
    4.1 Facenet网络结构和模型
        4.1.1 Facenet网络结构与配置
        4.1.2 Triplet loss损失函数
    4.2 改进的卷积神经网络
    4.3 基于深度卷积神经网络的人脸识别
        4.3.1 人脸特征匹配方法
        4.3.2 人脸识别算法
    4.4 网络模型的训练与实验结果
        4.4.1 人脸识别数据集
        4.4.2 基于Facenet深度网络模型的训练与结果
        4.4.3 基于改进的CNN模型的训练与结果
    4.5 本章小结
第五章 考勤系统的相关设计和测试
    5.1 系统设计目标
    5.2 系统的整体设计
    5.3 考勤系统的实验测试
        5.3.1 系统的开发环境
        5.3.2 系统测试和实验结果
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 后续工作展望
参考文献
附录1 攻读硕士学位期间发表的学位论文
附录2 攻读硕士学位期间申请的专利
致谢


【参考文献】：
期刊论文
[1]基于深度卷积神经网络的车标识别研究[J]. 陈全,王泽,贾伟.  工业控制计算机. 2018(12)
[2]基于卷积神经网络的深度学习算法与应用分析[J]. 濮石.  信息与电脑(理论版). 2018(17)
[3]基于人脸识别技术在考勤中的研究与应用[J]. 张彤,王晓红.  电脑编程技巧与维护. 2018(08)
[4]多级联卷积神经网络人脸检测[J]. 余飞,甘俊英,张雨晨,曾军英.  五邑大学学报(自然科学版). 2018(03)
[5]基于卷积神经网络的人脸识别系统[J]. 白创,段杨杨,王坤,郑立阳,彭港,张雪冰.  电子世界. 2018(12)
[6]Face Recognition Using Dense SIFT Feature Alignment[J]. ZHOU Quan,Shafiq ur Rehman,ZHOU Yu,WEI Xin,WANG Lei,ZHENG Baoyu.  Chinese Journal of Electronics. 2016(06)
[7]基于卷积神经网络的人脸识别方法[J]. 陈耀丹,王连明.  东北师大学报(自然科学版). 2016(02)
[8]行人检测中非极大值抑制算法的改进[J]. 陈金辉,叶西宁.  华东理工大学学报(自然科学版). 2015(03)
[9]小波变换和特征加权融合的人脸识别[J]. 赵焕利,王玉德,张学志,薛乃玉.  中国图象图形学报. 2012(12)
[10]人脸检测与识别技术综述[J]. 王伟,张佑生,方芳.  合肥工业大学学报(自然科学版). 2006(02)

博士论文
[1]Gabor小波变换在人脸识别中的应用研究[D]. 余磊.重庆大学 2009

硕士论文
[1]基于人脸识别的智能门禁系统设计与实现[D]. 陆轶秋.江苏科技大学 2018
[2]基于深度学习的人脸识别方法的研究[D]. 王震.兰州理工大学 2018
[3]基于深度学习的人脸检测和识别方法研究[D]. 刘婧月.电子科技大学 2018
[4]基于Adaboost算法的人脸检测与识别技术研究[D]. 王锋.扬州大学 2018
[5]基于深度学习方法的人脸识别研究及应用[D]. 林英乔.电子科技大学 2018
[6]人脸识别技术与考勤系统应用研究[D]. 马园园.南京邮电大学 2017
[7]基于深度学习的人脸检测算法研究[D]. 董德轩.电子科技大学 2017
[8]基于人脸识别学生宿舍管理系统设计[D]. 成伟.电子科技大学 2016
[9]基于SIFT的人脸识别算法研究与实现[D]. 范继辉.河南理工大学 2016
[10]一种基于SIFT的特征提取在人脸识别算法中的研究[D]. 于祥春.吉林大学 2015



本文编号：3695953