基于人脸识别的公司考勤门禁系统的设计---笔记

1.简述

本文以深度学习的人脸识别算法为基础，重点研究了四个方面的内容：人脸检测和人脸识别涉及的深度算法的相关设计和优化工作；基于Tensorflow平台的模型设计、训练、优化工作；模型和考勤日志的记录和保存；人脸识别考勤门禁系统的GUI界面设计和相关代码实现。介绍了常用的6大训练模型框架，常用的6个深度学习网络，以及软件的GUI实现做了基础的阐述和比较。介绍了人脸识别系统的设计实现，基于tensorflow的算法实现和优化，考勤系统的模块和GUI设计优化工作。其中对实际使用时的HOG+VGG算法做了详细的算法解析和代码解析，同时针对功能模块设计和GUI设计也做了详尽的说明和代码示例。

2.系统功能框图

 

图1 人脸识别系统结构框图

3.人脸检测算法的选择

本文中作者分别针对（图匹配法、特征脸法、人工神经网络法、柔性形状模型法、HOG算法、LAB算法）6种算法进行了分析测试，经过综合对比选定了HOG算法。

3.1 HOG算法

HOG（Histogram of Oriented Gradient, 方向梯度直方图）主要应用在计算机视觉和图像处理等领域种的物体检测。该算法对图像局部区域的HOG进行计算和统计，以构建图像的HOG特征。算法的实现主要分为三个步骤，首先将图像分成多个小细胞单元，然后统计细胞单元中每个像素点的梯度或计算细胞单元的边缘方向直方图，最后将所计算得到的直方图整合起来构成最终的HOG特征描述器

算法的优化提升：将得到的局部直方图在图像的block内，即就细胞单元来说更大范围，再对图像进行对比度归一化处理。具体的处理方法为：首先计算出图像的每个直方图在这个block中的密度，然后代入计算得到的密度对该block中的所有细胞单元做归一化操作。局部直方图归一化后，对环境光照变化和局部阴影等环境有更优的识别效果。

HOG有很多优点：1）空间领域不变性，HOG算法的主要计算是在图像的局部单元上操作，所以HOG算法对图像几何形变和光学形变两个空间领域的重要参数都能保持很好的空间不变性；2）鲁棒性较好，HOG特征在经过空域采样和方向采样及局部光学归一化处理等操作后，依旧可以对保持直立的目标实现检测。3）人体检测效果好，在人体检测方面，由于HOG算法运算时主要关注人体轮廓，对人体的亮度和衣服颜色不做过多参考，这种算法架构使得它在人体检测方面有优异的效果。在人体跟踪方面，由于HOG关注轮廓和边界 的特点，使得它可以更好得表述检测物体的具体形状、轮廓信息，特别在局部细节的轮廓信息描述，并不会特别受到物体旋转和平移带来的影响，所以HOG在人体跟踪方面有优异的效果。 4）局部表征性好，由于HOG算法更多关注轮廓和边缘的特点，使图像本身受光照、颜色等其他为边缘性信息的影响比较小，颜色的特征被削弱后又使得整体数据的维度发生了降低，同时HOG算法的计算都发生在cell单元上，提取的又是图片的直方图信息，使其对图像局部有非常好的表征。

HOG特征提取算法的具体操作：1）灰度化处理，将检测目标转化称三维灰度图像（x, y, z（灰度））；2）归一化处理，将输入图像通过Gamma校正法完成颜色空间归一化处理， 同时对图像的对比度进行调节，归一化操作可以弱化局部的阴影、环境光照和噪音干扰对图像处理的影响；3）梯度计算，为了尽量完善目标轮廓并减弱环境光照影响，算法对图像每个像素都计算相应的梯度；4）cell的梯度统计，将所得到的图像划分成数个小cell，即多个细胞单元，针对所有cell分别计算它们的梯度直方图，得到该图像所有的cell的特征描述符；5) block特征统计，将每几个cell组成一个block（例如2*2个cell/block），将一个block 内所有cell的特征descriptor整合起来便得到该block的HOG特征descriptor；6）得到HOG特征，最终的检测目标图像HOG特征descriptor，即将5）中计算的block特征扩展到全局的 block，并将所有特征descriptor整合到一起，最后的结果该图像的HOG特征。

图2  HOG算法流程图

3.2 其它5中算法