最新计算机专业开题报告案例57：基于人脸识别的考生身份验证系统的设计与实现

本文链接：https://blog.csdn.net/hepingyundanfengqing/article/details/140918825

计算机毕业设计100套

需要源码可以滴滴我

1.2 Python在人脸识别技术中的应用

一、研究意义与应用价值

1.1 人脸识别技术概述

人脸识别是一种基于人的脸部特征信息进行身份识别的生物识别技术[1]。它使用摄像机或摄像头采集含有人脸的图像或视频流，并自动检测和跟踪图像中的人脸，然后对检测到的人脸进行一系列的相关技术处理，如人脸比对、人脸验证等。人脸识别技术通常也被称为人像识别或面部识别[1]。

人脸识别技术的研究和应用已经成为计算机领域的热门领域之一。它属于生物特征识别技术的一种，通过对生物体（通常特指人）本身的生物特征来区分生物体个体。这种生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等。相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。

1.2 Python在人脸识别技术中的应用

Python在人脸识别技术领域的应用非常广泛[2]。Python是一种高级编程语言，具有易学易用、高效灵活的特点，而且拥有丰富的第三方库和工具，可以用于处理和分析大量数据。在人脸识别领域，Python可以通过各种库和框架来实现人脸检测、人脸对齐、特征提取、模型训练和预测等任务。

以下是一些Python在人脸识别技术领域的应用：

人脸检测：使用OpenCV库可以轻松实现人脸检测，通过加载训练好的Haar cascade分类器或深度学习模型，对输入图像进行预处理、人脸检测和定位，为后续的人脸识别提供基础数据。

人脸对齐：Python可以使用OpenCV库提供的face模块来进行人脸对齐。该模块提供了多种人脸对齐算法，可以根据不同的应用场景选择合适的算法进行人脸对齐，提高人脸识别精度。

特征提取：Python可以使用各种机器学习和深度学习算法来进行人脸特征提取。例如，使用主成分分析（PCA）算法进行特征提取，将人脸图像转化为低维向量，方便后续的比对和识别。

模型训练和预测：Python可以使用各种机器学习和深度学习框架来进行模型训练和预测。例如，使用TensorFlow或PyTorch框架进行神经网络模型的训练和预测，实现人脸识别分类器或人脸比对等功能。

1.3 研究意义

提高考试管理的效率：通过使用人脸识别技术，可以快速、准确地验证考生的身份，减少考试现场的安检时间和人力成本，提高考试管理的效率。

保证考试的公平公正：在考试中，一些考生可能会试图使用替考、作弊等手段来获得不正当的利益。基于人脸识别的考生身份验证系统可以有效地防止这些行为的发生，保证考试的公平公正。

增强考试的安全性：人脸识别技术可以帮助考试机构识别出照片与本人是否相符，防止替考行为的发生，从而增强考试的安全性。

促进信息化管理的发展：基于人脸识别的考生身份验证系统需要借助信息化技术来实现，因此该系统的研究和发展可以促进信息化管理的发展，提高信息化管理的水平。

二、研究现状

2.1 国内研究现状

XXX（2006）对奇异值分解方法进行了改进，提出基于傅立叶变换和奇异值分解相结合的方法[3]。首先对人脸图像进行傅里叶变换，得到其具有位移不变特性的振幅谱表征；然后，从所有训练图像样本的振幅谱表征中给定标准脸并对其进行奇异值分解，求出标准特征矩阵，再将人脸的振幅谱表征投影到标准特征矩阵，得到的投影系数作为该人脸的模式特征。XX（2016）设计了基于人脸识别的考生身份验证系统[6]。该设计选择了ARM9为核心处理器，采用Linux 为操作系统，以机器视觉库OpenCV为图像处理工具，采用Qt工具设计人机交互界面。程序中采用了基于Adaboost方法的人脸检测算法，运用了Eigenface方法的人脸识别方法。实现了基本的人脸检测和识别功能。

2.2 国外研究现状

XX(Galton)分别于1888年和1910年在Nature杂志上发表了两篇关于利用人脸进行身份识别的文章，对人类的自身的识别能力进行了分析，但当时还未涉及到人脸的自动识别问题。所谓自动人脸识别，是指给定一个包含若干已知身份的人脸图像的数据库，对输入一副待识别的人脸图像，利用计算机从中提取有效的识别信息，从而验证和鉴别单个或者多个人的身份[7]。

XX等人(1991)在PCA工作的基础上提出Eigenface，这一研究成果在人脸识别领域具有里程碑的意义，将人脸识别技术向前推进一大步[8]。

三、主要参考资料

[1] 余强.人脸识别技术在智能考生身份验证系统的应用与研究[J].信息与电脑(理论版), 2011, 35 (16): 04-0064-03.

[2] 吴晓燕.人脸识别在智能视频监控系统中的应用研究[J].中国多媒体通信,2010,(5):68.

[3] 贾金峰.基于人脸识别的身份验证系统研究[D]大连:大连理工大学,2006.

[4] 于永庆.基于人脸识别的考生身份系统研究以及在PDA上实现[D],北京:北京工业大学,2009.

[5] 刘琦.基于人脸识别的身份验证[D]天津:天津工业大学,2009.

[6] 赖章勇.基于人脸识别的考生身份验证系统设计[D]成都:成都理工大学,2016.

[7] F.Galton.Person identification and description. Nature,1888,21:173-188.

[8] Turk M, Pentland A. 1991. Eigenfacesfor recognition. Joural of Cognitive Neur-oscience,

3(1):71-86.

四、研究的主要内容

4.1 功能模块设计

（1）用户注册模块

身份验证系统需要一个用户注册模块，让用户在系统中注册账户并上传自己的照片。这些照片将用于后续的人脸识别。

（2）人脸检测模块

身份验证系统需要一个人脸检测模块，以检测进入考试系统的人脸。这个检测系统需要使用OpenCV。

（3）人脸识别模块

身份验证系统需要一个人脸识别模块，以识别进入考试的人员是否在注册用户列表中。这个识别系统需要使用OpenCV。

（4）数据库管理模块

身份验证系统需要一个数据库管理模块，以存储注册用户列表和登录记录。这个管理系统可以使用MySQL等关系型数据库。

（5）记录管理模块

身份验证系统需要一个记录管理模块，以记录进入考试系统的人员信息，包括时间、人员姓名、进出状态等。这个管理系统可以使用Python中的日志模块或数据库管理系统中的表格来实现。

4.2 人脸识别算法

（1）人脸识别过程

人脸识别过程一般有以下两个过程，人脸识别训练过程和人脸识别过程分别如图1和图2所示

图1 人脸识别训练过程

图2 人脸识别过程

4.3 相关技术

（1）Python语言

Python 是一种简单易学并且结合了解释性、编译性、互动性和面向对象的脚本语言。Python提供了高级数据结构，它的语法和动态类型以及解释性使它成为广大开发者的首选编程语言。

Python的特点：

简单易读易学：Python是非常简单的语言，并且具有清晰的风格和强制缩进，Python具有简单的语法，极其容易入门。

免费其开源：Python是自由/开放源码的软件。可以自行对其源代码进行修改使用。

可移植性：Python可以被移植在许多平台上，常用的平台包括Linux、Windows、VxWorks、PlayStation、Windows CE、PocketPC等。

解释性： Python解释器把源代码转换成字节码，然后再把它翻译成计算机使用的机器语言并运行，即Python代码在运行之前不需要编译。

面向对象：Python支持面向对象的编程。程序通过组合（composition）与继承（inheritance）的方式定义类（class）。

可扩展性：如果需要一段关键代码运行得更快或者希望某些算法不公开，那么可以将部分程序用C或C++进行编写，然后在Python程序中调用。

可嵌入性：可以把Python嵌入C/C++程序，从而向程序用户提供脚本功能。

交互式命令行：python可以单步直译运行，可以在一个 Python 提示符 >>> 后直接执行代码。

（2）OpenCV

OpenCV是一个开源的基于BSD许可的库，它包括数百种计算机视觉算法。OpenCV具有模块化结构，这就意味着开发包里面包含多个共享库或者静态库。可使用的模块有：核心功能、图像处理、影像分析、3D校准、平面特征、对象侦查、highgui、视频输入输出、GPU。

OpenCV自动处理所有内存。首先需要了解的是std:vector、Mat等，这些被函数和方法调用的数据结构中都具有析构器（destructors），析构器可以在需要的时候去除内存缓冲。这就意味这析构器并不总会去除缓冲，如在Mat中。他们尽可能的考虑到了数据共享。析构器会对矩形数据缓冲区的引用计数做减法，如果当引用计数减少为零，没有其他结构在引用这同一个缓冲区的时候，缓冲区将会被去除。类似的，当Mat实例对象被复制后，真正复制的并不是现存的数据，反倒缓冲区的引用计数做加法，这样另一个人也拥有了这个缓冲区的数据。另外这里有Mat::clone方法，该方法会创建一个完整的矩形缓冲区数据的拷贝。

OpenCV内存可以自动回收，此外还可以在大多数的时间里为输出函数的参数自动分配内存。所以如果一个函数具有一个或多个输入队列（cv::Mat 实例）和一些输出队列，输出队列被自动分配内存或者重新分配内存。输出数组的大小和类型取决于输入数组的大小和类型。如果需要的话，函数带有额外的参数，这样有助于计算出队列的属性。