—基于机器学习的人脸识别算法的设计与实现.docxVIP

—基于机器学习的人脸识别算法的设计与实现

基于机器学习的人脸识别算法的设计与实现承诺人签名：日

期：年月日基于机器学习的人脸识别算法的设计与实现摘要人脸识别技术是一种新型的生物特征认证技术。人脸识别技术也是一个非常活跃的研究领域，涵盖了许多领域，例如数字图象处理。随着人们对应用程序需求的增长，面部识别技术趋向于大量使用，使用微芯片和标准化。人脸检测是快速准确识别人脸的先决条件。其目的是检测图象背景下的人脸，并将其与数据中的人脸进行比较，以实现人脸识别。

本文以python为开辟技术，前端实时检测摄像头人脸，人脸识别主要是使用mtcnn做人脸提取，使用facenet做人脸特征提取，通过余弦相似度分类进行人脸识别。系统界面简洁、识别迅速、使用方便。

本文首先介绍了人脸识别系统的现状及其发展背景，然后讨论了系统设计目标，系统要求和总体设计计划，并详细讨论了人脸识别系统的详细设计和实现。

系统最后进行面部识别。

并对系统进行特定的测试。

人脸识别，顾名思义就是在图片和视频中检测有没有人脸。当发现一个人的脸时，会获取其他面部特征(眼睛，嘴巴，鼻子等)，并根据此信息将该人与已知人脸的数据库进行比较。标识一个人的身份。人脸检测是使用计算机确定输入图象中所有人脸的位置和大小的过程。面部识别系统是由面部识别系统引入的，该系统可以包括面部图象，输出是面部和面部图象的存在之和，描述了位置，大小，参数化位置Do和方向信息[1]。假定检测面部的问题始于识别面部的研究。全自动面部识别系统包括与两项

主要技术的链接：面部检测和提取以及面部识别。完成自动面部识别的第一个要求是确定一个人的面部。人脸识别是自动人脸识别过程的第一步，它基于自动人脸识别技术。自动人脸识别系统的速度和准确性起着重要作用。

人脸识别系统可以应用于考勤、安全、金融等领域，应用广泛，大大提高了工作效率，提高了服务水平，身份认证变得更加科学、规范、系统、简单。

1.2国内外研究现状面部识别的研究始于1960年代末和1970年代初。第一个研究人员是布莱索，他建立了一个人脸识别系统，但这个系统是半自动的，识别的主要依据是坐位识别的主要特征，如人脸特征点的距离和比例。20世纪90年代，计算机软硬件发展迅速，人们对人脸识别的要求越来越高，对人脸识别的鲁棒性也提出了更高的要求[2]。许多学者开始研究基于整体的识别方法，并成为当时人脸识别研究的趋势。最具代表性的特征脸方法和弹性图匹配方法。在1990年代中期，整体识别和成份分析相结合的面部识别方式开始涌现。研究人员也开始认识到，他们不仅必须充分利用来自各种面孔的面部识别信息，而且还必须融合诸如形状拓扑特征，局部灰度功能和全局比例分布之类的特征。

当时，许多新的算法开始浮现，但都是将一些原有的算法拼接在一起，对算法本身并没有提升和优化。在1990年代后期，面部识别技术得到发展并开始商业化，许多产品开始投放市场。但是，由于算法的单一和落后，其识别的误差还是很大，并且运行速度还有待提高。直到来到2000年，才有所进步，但是与人们的需求相比存在一些差异，这主要是由于外部环境的影响，例如光照，姿式和距离的影响。识别效果差。当前，面部识别技术只能在不需要高识别精度的某些情况下使用。

总的来说，这项工作的面部识别涵盖了各个领域，例如计算机视觉，数字图象处理和人工智能，但是根据这项研究，无论实际计算机的类型如何，在现代网络和计算机通信中它都可以满足也需要快速的系统开辟。从一种观点看，研究的价值很高。随着计算机网络的扩散，诸如计算机信息的图片和视频之类的多媒体信息的比例不断增加，这项研究将不可避免地导致快速，长期的发展。

1.3本课题主要工作本文主要分为五个章节，具体结构如下：第一

章节为概述部份。主要分析了该课题的研究背景以及研究意义。了解了现阶段国内外的人脸识别的发展情况。提出本文主要的工作内容。

第二章是对开辟的环境进行分析，以及对于采用的人脸识别方式进行分析第三章人脸识别开辟的可行性分析和对需求分析第四章是对人脸识别系统开辟流程的说明。

第五章对人脸识别功能实现的测试总结以及对后续改进的展望。

第二章系统开辟环境2.1python技术Python是一种开辟语言，一种用于计算机程序设计的开辟语言，并且允许面向对象的编程。

Python由GuidovanRoum开辟。

Python具有许多功能，例如简洁的语法，免费的源代码和种类不少的数据库和第三方库[5]。由于这些优点，您可以非常快速地与其他语言结合以实现各种功能模块。许多人都被昵称为“胶水”。使用Python快速编程