在煤炭行業(yè)中,選煤廠主要負(fù)責(zé)原煤分選以實(shí)現(xiàn)煤炭利用最大化,而選煤廠人員考勤管理對(duì)選煤廠生產(chǎn)效率有直接影響。人臉識(shí)別因其唯一性、非接觸性等特點(diǎn)常被應(yīng)用于考勤,相比于傳統(tǒng)考勤方式,人臉考勤更加高效、安全。因此,為加強(qiáng)選煤廠人員管理,研究選煤廠人臉考勤系統(tǒng)具有十分重要的意義和價(jià)值。由于目前沒(méi)有開(kāi)源的選煤廠人臉數(shù)據(jù)庫(kù),卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)需要大量樣本,論文采用鏡像、旋轉(zhuǎn)和平移等幾何方法來(lái)擴(kuò)充樣本數(shù)量;員工工作時(shí)臉上容易沾染煤灰,影響人臉識(shí)別效果,論文在對(duì)人臉圖像進(jìn)行高斯濾波的基礎(chǔ)上,采用限制對(duì)比度自適應(yīng)直方圖均衡化和伽馬矯正相結(jié)合的方法來(lái)提高圖像特征,使得人臉細(xì)節(jié)信息更加突出;采用基于Haar-like特征的AdaBoost算法實(shí)現(xiàn)選煤廠人臉檢測(cè),將人臉從復(fù)雜的背景中提取出來(lái);為提高人臉識(shí)別準(zhǔn)確率,對(duì)傳統(tǒng)的AlexNet模型進(jìn)行了優(yōu)化,優(yōu)化后的模型能提取更多的人臉特征;根據(jù)考勤系統(tǒng)功能需求設(shè)計(jì)了選煤廠人臉識(shí)別考勤系統(tǒng),利用Python語(yǔ)言搭建了考勤系統(tǒng)的GUI界面,并設(shè)計(jì)了相關(guān)的數(shù)據(jù)庫(kù),實(shí)現(xiàn)了選煤廠員工的考勤管理。本文通過(guò)對(duì)選煤廠人臉識(shí)別進(jìn)行深入研究,提出的優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)對(duì)選煤廠環(huán)境下的人臉... 

【文章來(lái)源】：西安科技大學(xué)陜西省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
英文摘要
1 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)外人臉識(shí)別研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)外考勤系統(tǒng)研究現(xiàn)狀
    1.3 論文的主要研究?jī)?nèi)容與章節(jié)安排
2 選煤廠考勤系統(tǒng)研究
    2.1 選煤廠考勤系統(tǒng)需求分析
    2.2 選煤廠考勤方式研究分析
    2.3 本章小結(jié)
3 選煤廠人臉圖像預(yù)處理
    3.1 選煤廠人臉數(shù)據(jù)集構(gòu)建
    3.2 選煤廠人臉圖像特點(diǎn)
    3.3 選煤廠人臉圖像濾波
    3.4 選煤廠人臉圖像增強(qiáng)
        3.4.1 限制對(duì)比度自適應(yīng)直方圖均衡化
        3.4.2 伽馬矯正
    3.5 本章小結(jié)
4 基于卷積神經(jīng)網(wǎng)絡(luò)的選煤廠人臉識(shí)別
    4.1 基于Haar-like特征的Ada Boost選煤廠人臉檢測(cè)
        4.1.1 Haar-like特征
        4.1.2 Ada Boost算法
        4.1.3 人臉檢測(cè)結(jié)果及分析
    4.2 人臉識(shí)別方法
        4.2.1 基于幾何特征的人臉識(shí)別方法
        4.2.2 基于子空間分析的人臉識(shí)別方法
        4.2.3 基于人工神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法
        4.2.4 基于卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法
    4.3 基于優(yōu)化Alex Net網(wǎng)絡(luò)的選煤廠人臉識(shí)別
        4.3.1 Alex Net網(wǎng)絡(luò)模型
        4.3.2 Alex Net網(wǎng)絡(luò)模型優(yōu)化
        4.3.3 實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
5 選煤廠人臉考勤系統(tǒng)設(shè)計(jì)與調(diào)試
    5.1 考勤系統(tǒng)總體設(shè)計(jì)
    5.2 考勤系統(tǒng)各模塊設(shè)計(jì)
        5.2.1 系統(tǒng)功能模塊
        5.2.2 數(shù)據(jù)庫(kù)模塊
    5.3 考勤系統(tǒng)調(diào)試
        5.3.1 系統(tǒng)調(diào)試環(huán)境
        5.3.2 系統(tǒng)功能調(diào)試
    5.4 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于人臉識(shí)別的學(xué)生考勤系統(tǒng)的研究[J]. 孫玥,楊國(guó)為.  現(xiàn)代電子技術(shù). 2020(10)
[2]基于擴(kuò)展的Haar-Like特征和LBP特征的人臉壓縮跟蹤算法[J]. 曹潔,唐瑞萍,李偉.  傳感器與微系統(tǒng). 2019(11)
[3]基于矩陣低秩稀疏分解的圖像去噪算法[J]. 王雪,靳伍銀.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(10)
[4]自適應(yīng)匹配追蹤圖像去噪算法[J]. 李桂會(huì),李晉江,范輝.  計(jì)算機(jī)科學(xué). 2020(01)
[5]基于ZYNQ的優(yōu)化Adaboost人臉檢測(cè)[J]. 高樹(shù)靜,王程龍,董廷坤.  計(jì)算機(jī)工程與應(yīng)用. 2020(06)
[6]淺談考勤智能化在企業(yè)管理中的應(yīng)用[J]. 姬愛(ài)玲,劉曉民.  信息系統(tǒng)工程. 2019(04)
[7]深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用研究綜述[J]. 鄭遠(yuǎn)攀,李廣陽(yáng),李曄.  計(jì)算機(jī)工程與應(yīng)用. 2019(12)
[8]基于低分辨率的人臉識(shí)別方法研究[J]. 馬慧,孫萬(wàn)春,汪煒瑋,程代娣.  計(jì)算機(jī)測(cè)量與控制. 2019(03)
[9]選煤廠信息化系統(tǒng)與安全監(jiān)控系統(tǒng)的應(yīng)用[J]. 王芳.  煤炭加工與綜合利用. 2019(02)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號(hào)處理. 2018(12)

博士論文
[1]復(fù)雜交通場(chǎng)景中基于視頻的行人檢測(cè)與跟蹤若干關(guān)鍵問(wèn)題研究[D]. 張陽(yáng).華南理工大學(xué) 2013

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的特定場(chǎng)景下人臉識(shí)別研究[D]. 彭鑫.西安理工大學(xué) 2019
[2]基于移動(dòng)手機(jī)定位的考勤管理系統(tǒng)的分析與設(shè)計(jì)[D]. 馬麗.內(nèi)蒙古大學(xué) 2018
[3]基于視頻流人臉識(shí)別的課堂考勤系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 方冠男.華中師范大學(xué) 2018
[4]人臉識(shí)別技術(shù)與考勤系統(tǒng)應(yīng)用研究[D]. 馬園園.南京郵電大學(xué) 2017
[5]基于CMYK-H-CbCr膚色分割和改進(jìn)型AdaBoost算法的人臉檢測(cè)研究[D]. 袁海峰.南京郵電大學(xué) 2017
[6]基于ARM的射頻識(shí)別考勤系統(tǒng)的研究與設(shè)計(jì)[D]. 丁同.安徽理工大學(xué) 2017
[7]防欺騙人臉識(shí)別考勤系統(tǒng)研究與設(shè)計(jì)[D]. 劉浩志.西南石油大學(xué) 2017
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別系統(tǒng)設(shè)計(jì)與研究[D]. 崔成.哈爾濱工業(yè)大學(xué) 2017
[9]基于PCA的人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 周桐.哈爾濱工業(yè)大學(xué) 2007



本文編號(hào)：3191139