在對生物特征進行識別時,人臉特征由于其特有的友好性而有著天然的優(yōu)勢,然而目前一些正確識別率高的支持向量機(SVM)分類器、支持向量數(shù)據(jù)描述(SVDD)分類器、深度學習分類器等仍然有2%左右的錯誤識別率;并且對于考勤系統(tǒng)而言,會存在代考勤的情況即沒有合適拒識機制。對人臉認證識別時,針對SVDD存在不能緊密包裹、沒有合適拒識機制、正確識別率不能逼近100%的問題,提出了一種具有合適拒識機制的高正確識別率分類器設計算法—基于同類特征點集和包裹點集的同類特征區(qū)域緊密包裹曲面的求解算法(CES-SVDD),算法由“同類特征集合的緊密包裹集構造算法”、“基于同類特征點集和包裹點集的同類特征區(qū)域緊密包裹曲面的求解算法”、“多類分類器的合適拒識區(qū)域設置算法”組成,解決了傳統(tǒng)分類器所存在的問題。為了使訓練樣本魯棒化,對訓練樣本進行模糊、平移、旋轉等擴充方法,使用擴充后人臉庫進行實驗驗證,結果表明在較小拒識率情況下,CES-SVDD分類器正確識別率能逼近100%。針對人臉識別的有效性,將其應用于基于人臉識別的考勤系統(tǒng),進而開展研究獲取考勤信息,及時了解學生出勤情況、能夠有效避免代考勤的出現(xiàn)。

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的背景與意義
    1.2 國內外的發(fā)展研究
        1.2.1 人臉識別研究內容
        1.2.2 人臉識別國內外研究現(xiàn)狀
        1.2.3 人臉識別分類器
    1.3 兩種支持向量機分類器
    1.4 論文的章節(jié)安排
第二章 支持向量機的理論發(fā)展過程
    2.1 概述
    2.2 支持向量機分類器
        2.2.1 線性支持向量機
        2.2.2 非線性支持向量機
    2.3 核的介紹
        2.3.1 核函數(shù)
        2.3.2 常用核函數(shù)
    2.4 支持向量數(shù)據(jù)描述分類器
        2.4.1 單分類超球支持向量機
        2.4.2 多分類超球支持向量機
    2.5 本章小結
第三章 人臉圖像預處理與特征處理
    3.1 概述
    3.2 人臉圖像預處理
        3.2.1 人臉圖像的灰度化
        3.2.2 人臉圖像的灰度均衡化
        3.2.3 人臉圖像的均值濾波
    3.3 人臉圖像特征提取
        3.3.1 基于先驗知識的方法
        3.3.2 基于特征不變性的方法
        3.3.3 基于子空間的方法
    3.4 小結
第四章 基于緊密包裹集的分類器設計算法研究
    4.1 概述
    4.2 同類特征集合的緊密包裹集的存在性證明
    4.3 算法設計
        4.3.1 同類特征集合的緊密包裹集構造算法
        4.3.2 同類特征區(qū)域緊密包裹曲面的求解算法
        4.3.3 多類分類器的合適拒識區(qū)域設置算法
    4.4 CES-SVDD算法在人臉識別中的應用
        4.4.1 人臉庫的介紹
        4.4.2 人臉圖像數(shù)據(jù)擴充
        4.4.3 人臉圖像預處理
        4.4.4 人臉圖像特征提取
    4.5 實驗結果
    4.6 實用性場景應用
    4.7 小結
第五章 學生考勤系統(tǒng)的設計與實現(xiàn)
    5.1 概述
    5.2 系統(tǒng)結構功能設計
        5.2.1 界面初始化
        5.2.2 人臉錄入
        5.2.3 刷臉簽到
        5.2.4 打卡結果
    5.3 數(shù)據(jù)庫設計
    5.4 人臉識別功能模塊
    5.5 結論
第六章 總結與展望
    6.1 總結
    6.2 后續(xù)工作展望
參考文獻
攻讀學位期間的研究成果
致謝



本文編號：3742323