MATLAB人脸识别疫情防护门禁系统

题目名称：MATLAB人脸识别疫情防护门禁系统

课题介绍：该系统为基于MATLAB的疫情防护门禁系统。建立一个GUI可视化界面，将疑似病例录入进人脸库，对其进行训练。测试的时候，采集一张全身照人脸图片，进行人脸定位，分割，和库内人脸进行对比，如果是库内人脸，则判定为疑似病例，GUI进行报警，包括文字和语音报警。如果不是库内人脸，则说明非疑似人员，可放行。

摘 要

作为数字图像处理和计算机视觉领域的一个重要组成部分，利用摄像机对图像进行采集，从图像中检测人脸并进行识别，有着非常重要的研究意义和应用价值。面对突如其来的新型肺炎疫情，人们生活秩序被严重打乱。跟普通流感不同，此次疫情可以通过人体唾沫传播，感染他人能力很强。近期面对疫情，国家层面的人员进出管控显得尤为迫切，可以直接从源头把关，防止疑似人员流窜，有效地保护了自己和他人，不给病毒以传播的机会。而往往，就有一些人不响应国家和党的号召，面对此次病毒不以为然，依然我行我素，自由行走，给病毒有机可乘，给自己和他人的生命安全造成重大安全隐患。如果有一套疫情防护门禁系统，可以通过数字图像的采集识别，判别出该人是否是疑似人员，并且做出相应警示报警等，显得尤为重要和迫切。随着计算机视觉技术的逐年精进,基于图像的门禁识别迅速吸引了人们的视线。

首先介绍人脸识别的相关背景、意义及现状，并对目前的几种主要人脸识别技术的方法，如子空间算法、支持向量机、神经网络分类和稀疏编码分类等进行介绍。另外对人脸识别实验中常用的数据库进行介绍。我们运用数理统计的知识，将PCA原理进行详细的解释，并进行仿真。然后根据仿真的结果，抽取了其中一个测度，然后将其进行总结，然后匹配。

关键词：人脸识别，PCA算法，特征提取，欧氏距离

1.1 人脸识别的背景和意义

人脸识别是近年来研究领域的热门话题，是生物识别的一个重要分支和组成部分。生物识别技术是通过人体本身具有的生物特征对人的身份进行鉴定的方法。这些特征包括人脸、指纹、虹膜、语音、步态以及笔迹等。生物识别在安全保障等众多领域应用广泛，具有不易伪造、方便快捷、防伪性能好等优点。本设计为基于人脸识别的门禁系统，可以将疑似病人设置为库内人员，当小区里面有人需要外出时，进行人脸采集，人脸定位，跟库里面的人脸进行比对，当识别为库内人员的时候，进行疑似病例不可外出的警示，否则则可以放开门禁给以通行。

---

第二章 人脸识别技术综述

2.1 人脸识别技术的流程

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像，并自动在图像中检测人脸，进而对检测到的人脸进行脸部的一系列相关技术。

因此，机器对人脸进行识别的过程与人类视觉识别人脸的过程类似，大致可分为四个步骤，如图2-1 所示。

图2-1 人脸识别流程图

1. 图像采集：不同的人脸图像都能通过摄像镜头采集下来，静态图像、动态图像、不同表情都可以采集。但是受人脸采集的影响因素，这一步骤不是很容易实现，因此，许多著名的实验室，通过严格控制摄像机的位置，来创建一些规范的人脸库（包括姿态、面部表情的变化），通过建立成熟的人脸数据库来供研究者实验。
2. 人脸检测：人脸检测主要用于人脸识别的预处理，它能将图像中人脸的位置准确的标出来。人脸图像中包含的特征十分丰富，人脸检测就是挑选其中有用的信息，利用这些特征来实现人脸检测。人脸识别的预处理是服务于特征提取的。但是，系统获取的原始图像受到各种条件的限制和随机干扰，不能直接使用，必须对原始图像进行图像预处理。图像预处理的方法有中值滤波、灰度拉伸、归一化处理以及锐化等[6]。
3. 特征提取：人脸特征提取就是针对人脸的某些特征进行的。特征提取从原始模式信息中提取出最有利于分类的特征，同时达到了降维的目的。其本质是在适当降维的同时，保留最有效的特征。
4. 分类识别：将提取的人特征数据与数据库中存储的数据进行搜索匹配，当相似度超过一个阈值，则把匹配得到的结果输出。人脸识别就是将采集到的人脸特征与数据库里的人脸特征进行比较，根据相似程度来判断人脸的身份信息。这一过程分为两类：一类是确认，一对一的图像对比；另一类是辨认，一对多的图像匹配对比。

第三章 PCA的人脸特征提取

3.1 PCA算法

3.1.1 PCA算法的基本原理

将其缩写展开以后就是（Principal Component Analysis）[22]。利用统计学原理，可以按照一定的原则，找到他们之间的不同进行分类。这样就能大大简化我们的计算步骤，进而提高计算机的运行速率。将图形进行息处理主要就是为了降维，也就是将三维立体的人体图像特征转换到二维当中。而且正是由于它的这个功能，这项技术也被广泛的运营在图像压缩的处理当中。其最主要的依据上一小节我们讲到的kl变换。这样就可以达到合并数据简化数据的效果。

在整个前期图像输入过程当中，都是以灰度值来进行统计的。就是给其变成0-255灰度范围内的像素点。当把所有的像素点进行分类统计以后，其会构成一个矩阵，输入到之前已经创建好的一个坐标空间当中，然后经过kl，就可以很容易的找到我们需要的一些信息，这就为之后的从图像处理简便化奠定了基础。因为在我们此时已经收集到的数据其实施三维的，然后经过统计学，保留最主要区别的特征，降维就可以实现我们想要的结果。在这个党总，我们做了几组对照样、一种是利用不一样的被测人员，一种是利用同一个被测人员的不同表情进行测试。前者对其太阳光的影响，后者则是对其表情姿势的影响。在这个中间 人脸的一些最基本的特点就是人。在PCA中，我们主要利用这个构成的向量做基地。最终得到的效果不是很好。

经过这项处理之后，我们就能得到特征空间了。接下来的任务就是旋转l.zhege处理也能使得维数降低。唯独的不同对应分类也不同。

3.2 基于PCA的特征提取

4.3 程序仿真及调试结果

4.3.1人脸库采集

在一开始进行模板库的创建的时候我们一般使用的都是ORL人脸数据库。他们在创建的时候都参照了一定的标准。如果这些库里面都没有适合你的需求，那么在这个时候我们就必须自己创建自己合适的数据库了。就需要我们自己去拍照自己去创建。但是前提是我们要对其进行预处理。本片论文设计的系统都是从网上找的一些ORL图片和AR图片，这样可以更好的实现格式的一致性。

图：4-4 部分人脸图像截图

这8幅图只是我从整个模板库里面找出的几张。整个数据库有两部分组成，一部分是模板库，一部分则是被测人脸库。在被测库里面有十个人的鱼片，每个人的不同表情各两张。格式大小完全是一样的。我们按序号将其编号，方便接下来的比对。

4.3.2特征提取仿真分析

（1）特征值分布图

特征提取之前，最重要的先要把模板库里面的图像导入到matlab里面。然后把图片航变换，组成协方差矩阵。在这个里面，我们要把每一个点的特征值和特征向量计算出来。这以前那个就构成了我们所谓的特征分布图。根据上面的一张图，我们可以很明显的看的出来，即每个图像的特征值差别非常大，但是在这个过程当中我们必须将其对应到子空间，这样才能大大降低我们的计算，也可以减少时间。对后续过程当中优化也是一个非常有优势的一个举措。

图:4-5 特征值分布图

4.3.3库外判别分析

首先将疑似病例人员进行采集人脸，入库，训练，得到每个人的人脸特征值。本设计为提取人脸特征值，特征值跟样本库里面的人脸特征值进行一一对比，设置一个判断阈值，当符合阈值内，则判定为库内人员，即是疑似病例，否则，为非疑似病例，提示可以放行。

4.3.4 模板匹配及识别的仿真分析

图:4-6 库内疑似病例人脸匹配效果

图:4-7 库内疑似病例人脸匹配效果

参考文献

1. 何春. 人脸识别技术综述[J]. 智能计算机与应用，2016, 6(5):112-114.
2. 赵士伟,张如彩,王月明,等. 生物特征识别技术综述[J]. 中国安防.,2015, 29(7):79-86.
3. Perronnin F, Dugelay J L. An Introduction To Biometrics and Face Recognition[C]// IMAGE:e-Learning, Understanding, Information Retrieval and Medical. Cagliari, Italy: The First Interna-tional Workshop. 2014:1-20.
4. 章毓晋编著. 基于子空间的人脸识别[M]. 北京市：清华大学出版 2009 10.
5. 吴鹏著. MATLAB高效编程技巧与应用 25个案例分析[M].北京市：北京航空航天大学出版社.2010.
6. 龚声蓉. 数字图像处理与分析[M]. 北京：清华大学出版社，2014.
7. 胡丽乔. 复杂条件下人脸识别特征提取算法的研究[D]. 上海：东华大学，2016.
8. Yuille A L, Cohen D S, Halinan P W. Feature Extraction From Faces Using Deformable Templates[C]. IEEE International Conference on Computer Vision and Pattern Recognition. Washington,DC: IEEE Computer Soc, 1989, 104-109.
9. 卢小玲. 基于半监督学习的人脸识别算法研究[D]. 成都市:电子科技大学,2015.

Sirovich L, Kirby M. Low-Dimensional Procedure for the Characterization of Human Faces[J].Journal of the Optical Society of America A Optics & Image Science, 1987,4(3):519-24.