基于Android平台的人脸识别系统的研究与实现

发布时间：2021-06-22 12:50

　　人脸识别,就是根据人脸部的一些特征对人脸进行分类鉴别,达到身份识别的效果,是一种可靠有效的生物识别技术。人脸识别拥有非侵扰性、便捷性、友好性、非接触性和可扩展性等良好的特性,有非常大的发展空间并且可应用的领域众多。但是人脸识别容易受外界环境的干扰导致识别率下降,尤其是光照因素的影响,因此,复杂光照条件下的人脸识别具有一定的研究意义。Android是一款开源的移动设备操作系统,是Google公司主导研发的,使用范围广,用户量大,因此将人脸识别技术与Android平台相结合将会有广阔的应用前景。本文主要研究人脸识别在Android平台的应用,旨在提高人脸识别在复杂光照条件下的抗干扰能力。本文主要有以下三方面的研究:（1）研究了现有的图像预处理,针对图像的特点,研究了Retinex理论,并将Retinex的特性应用于图像预处理,将AdaBoost算法与Retinex相结合,改进传统的AdaBoost算法,用提取到的光照不变特征去训练分类器,然后用于人脸检测,能够提高光照复杂条件下的人脸检测率。（2）考虑到光照的影响,本文选用了局部二值模式（Local Binary Pattern,LBP）进... 

【文章来源】：长春工业大学吉林省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

灰度

直方

st算法的实现原理，然后提出一种基于Retinex理论光照不变特性的人脸检测算法，提高人脸检测在极端光照条件下的鲁棒性。3.1Haar-like特征3.1.1Haar-like特征表示Haar-likt特征是一种用于物体识别的数字图像特征，能用于AdaBoost算法训练分类器，Haar-like特征能够描述图像灰度的变化，能够刻画出人脸图像的灰度情况，是由Viola提出的[24]，Haar-like特征用于人脸检测有许多的优点，特征比较简单运算量小，对硬件性能要求小，检测速度快等，适合移动端设备的人脸检测。Haar-like特征最开始提出的时候只有四种矩形特征，如图3.1所示。图3.1原始Haar-like矩形特征上图3.1中的A、B矩形特征，白色区域与黑色区域各一块，这种矩形特征值的算法为：=∑白∑黑；C类矩形特征的计算就与A、B类矩形特征的计算公式不同，计算公式为：=∑白2∑黑。由C类矩形特征可以看出，有两块白色区域，一块黑色区域，将黑色区域的像素总和乘以2这样黑色区域的总和才能与白色区域的像素个数相等。当矩形特征分别移动到人脸区域和非人脸区域时得到的特征值是不一样的，这样就能判别出是人脸还是非人脸，从而实现人脸检测。Haar-like特征经过变换，比如通过变换改变矩形特征的大小和位置，在一幅图像窗口中的不同区域就可以变换出非常多的Haar-like特征，图3.1的矩形特征是最原始的四个Haar-like特征；特征原型在图像子窗口中扩展（平移伸缩）得到的特征称为矩形特征；矩形特征的值称为特征值。

【参考文献】：
期刊论文
[1]基于Android操作系统的智能家居系统设计[J]. 张予衎,牛犇,杨晨宇,温如春,韩树人.  物联网技术. 2020(03)
[2]人工智能中图像识别技术的发展与应用研究[J]. 吴俊雄.  信息与电脑(理论版). 2020(04)
[3]2020年智能终端十大发展趋势展望[J]. 程贵锋.  通信世界. 2020(03)
[4]一种基于LBP改进的人脸识别算法[J]. 高旭,黄建琼.  河南科技学院学报(自然科学版). 2019(06)
[5]人脸识别应用活体检测技术研究[J]. 宛根训,田青,朱红徽,葛利军.  中国安全防范技术与应用. 2019(06)
[6]一种改进型Adaboost算法的人脸检测[J]. 刘燕,贺松,成雨风.  智能计算机与应用. 2019(05)
[7]基于肤色与改进Adaboost算法的人脸检测[J]. 沈翔,朱建鸿.  传感器与微系统. 2019(04)
[8]基于人脸识别技术的课堂考勤系统设计与实现[J]. 张欣蓓,刘旭,王浩博,刘克楠.  无线互联科技. 2019(02)
[9]基于改进的Adaboost算法的人脸检测系统[J]. 冯小建,马明栋,王得玉.  计算机技术与发展. 2019(03)
[10]人脸识别技术在图书馆的应用研究[J]. 秦鸿,李泰峰,郭亨艺,许毅.  大学图书馆学报. 2018(06)

硕士论文
[1]基于PCA人脸识别的移动视觉应用[D]. 彭星.吉林大学 2016
[2]可变光照环境下人脸识别算法研究及其Android实现[D]. 张冰冰.西安电子科技大学 2014
[3]视频图像预处理技术研究与实现[D]. 胡静.南京理工大学 2014



本文编号：3242866