基于matlab的人臉檢測及識別技術研究報告畢業(yè)設計開題報告書

1、-. z畢業(yè)設計論文開題報告題目名稱：基于matlab的人臉檢測與識別技術研究 院系名稱：電子信息學院 班 級：測控 學 號： 學生： 指導教師：2021年2月-. z目錄TOC o 1-3 h z uHYPERLINK l _Toc390189807目錄 PAGEREF _Toc390189807 h IHYPERLINK l _Toc390189808第一章選題背景 PAGEREF _Toc390189808 h 1HYPERLINK l _Toc390189809第二章國外的開展現(xiàn)狀 PAGEREF _Toc390189809 h 3HYPERLINK l _Toc3901898102.

2、1近年來國外的臉譜識別技術的開展 PAGEREF _Toc390189810 h 3HYPERLINK l _Toc3901898112.2近年來臉譜識別技術在國的開展 PAGEREF _Toc390189811 h 3HYPERLINK l _Toc390189812第三章課題研究的意義 PAGEREF _Toc390189812 h 5HYPERLINK l _Toc390189813第四章課題研究的主要容 PAGEREF _Toc390189813 h 6HYPERLINK l _Toc390189814五、課題研究的實現(xiàn)方法即方案論證 PAGEREF _Toc390189814 h 7

3、HYPERLINK l _Toc3901898155.1人臉的檢測與定位 PAGEREF _Toc390189815 h 7HYPERLINK l _Toc3901898165.2人臉的識別算法 PAGEREF _Toc390189816 h 8HYPERLINK l _Toc3901898175.3特征提取算法 PAGEREF _Toc390189817 h 9HYPERLINK l _Toc3901898185.4算法的選擇 PAGEREF _Toc390189818 h 10HYPERLINK l _Toc390189819六、設計難點 PAGEREF _Toc390189819 h 1

4、2HYPERLINK l _Toc390189820七、進程安排 PAGEREF _Toc390189820 h 14HYPERLINK l _Toc390189821參考文獻 PAGEREF _Toc390189821 h 15-. z第一章 選題背景智能移動設備的迅速普及以及拍攝功能的不斷提升，為面部識別技術創(chuàng)造出了眾多全新的應用場景，并且正在賦予它新的生命。嚴格意義上講，面部識別技術并不是一項十分新穎的技術，它的歷史可以追溯到20世紀60年代。在安防領域，面部識別技術這幾十年來已經(jīng)有不少應用出現(xiàn)。不過這項技術在過去半個世紀的時間里一直沒能大紅大紫，普通民眾對它的了解更多是來自好萊塢的電影

5、FBI和CIA通過遍布全球各個角落的攝像頭，利用先進的面部識別系統(tǒng)能夠在很短的時間鎖定犯罪嫌疑人的位置。當然，這些更多只是藝術的夸，在現(xiàn)實世界中，面部識別技術遠遠沒有它在大銀幕上則酷。多年來，面部識別技術的應用被“困在了安防領域，難有突破。不過，隨著最近幾年互聯(lián)網(wǎng)和IT公司的介入，這門技術正在迎來自己的“第二春。索尼在E3游戲大會上發(fā)布了面部識別軟件SOEmote，它能夠通過攝像頭實時捕捉玩家的面部表情并且同時反應到游戲角色的臉上；6月18日，F(xiàn)acebook以約6000萬美元的價格完成了對以色列面部識別公司Face.的收購。而此前，蘋果和谷歌已經(jīng)分別于2021年和2021年收購了面部識別技術

6、公司Polar Rose 和PittPatt。在中國，6月4日，網(wǎng)易開場對網(wǎng)易的人臉識別登陸系統(tǒng)進展公測；同期，盛大也發(fā)布了基于人臉識別技術的App“智能相冊。短短半年時間，國外已經(jīng)有多家IT互聯(lián)網(wǎng)企業(yè)推出了有關面部識別技術的產(chǎn)品和效勞。面部識技術是基于人的臉部特征信息進展身份識別的一種生物識別技術。它先利用攝像頭采集含有人臉的圖像或視頻，接著利用計算機圖像處理技術從畫面中提取人像特征點，利用生物統(tǒng)計學原理分析建模，即人臉特征模板。最后對被測者的面部圖像進展特征分析，到達辨識身份的目的。在經(jīng)歷了20世紀90年代的大爆發(fā)后，面部識別技術卻在最近十幾年間遇到了瓶頸：不僅是因為技術本身一直沒有實質(zhì)性

7、的突破，更重要的是，由于僅僅局限在安防領域，因此一直沒有革命性的產(chǎn)品問世。雖然近幾年在民用市場上也開場能見到使用面部識別技術產(chǎn)品的身影，但是根本還是集中在門禁、考勤和監(jiān)控系統(tǒng)，仍舊擺脫不了平安領域的束縛。唯一的創(chuàng)新來自于數(shù)碼相機行業(yè)，2006年，尼康公司率先將面部識別技術運用到了自己產(chǎn)品當中，使用面部識別技術的相機可以在拍攝時自動搜尋人臉并進展優(yōu)先對焦。在尼康的引領下，面部識別技術也被其他廠商普遍采用，成為了數(shù)碼相機的標配。近年來互聯(lián)網(wǎng)的飛速開展，為臉譜識別技術的快速開展提供了廣闊的開展空間?；ヂ?lián)網(wǎng)和IT技術行業(yè)正在日益改變著臉譜識別技術的開展方向。臉譜識別可以和網(wǎng)絡結(jié)合，形成各種物聯(lián)網(wǎng)技術。

8、互聯(lián)網(wǎng)巨頭近兩年的一系列對面部識別技術公司的收購，正在讓面部識別技術重獲新生。智能移動設備在過去幾年當中的迅速普及為面部識別技術帶來了新的時機，手機和電腦上像素愈來愈高的攝像頭幫助面部識別技術在傳統(tǒng)的平安效勞之外，開拓出眾多新的應用場景。第二章 國外的開展現(xiàn)狀2.1近年來國外的臉譜識別技術的開展當前很多國家展開了有關人臉識別的研究，主要有美國，歐洲國家，日本等，著名的研究機構(gòu)有美國MIT的Media lab，AI lab，CMU的Human-puter Interface Institute, Microsoft Research,英國的 Department of Engineering i

9、n Uni versity of Cambridge等。對于面部識別的研究始于20世紀60年代，不過在誕生的最初30年中，這項技術除了一些根底性的研究，始終沒有重大的成果產(chǎn)生。20世紀90年代以后，隨著計算機技術的迅速開展，面部識別技術終于迎來了春天。整個90年代，面部識別技術有眾多理論上的突破，而且美國軍方也出于反恐的需要，開場資助相關的研究，這也使得面部識別技術得以迅速轉(zhuǎn)化到實際應用。美國國防部資助的FERET工程分別在1994年、1995年和1996年組織了3次面部識別評測，幾種知名的面部識別算法都參加了測試，這3次測評直接推動了面部識別算法的改良?！?11事件發(fā)生后，為了遏制恐懼襲擊，

10、美國對面部識別技術更加重視，并且在安防領域被更加廣泛的推廣應用。2.2近年來臉譜識別技術在國的開展國關于人臉自動識別的研究始于二十世紀80年代，主要的研究單位有淸平大學，工業(yè)大學，中科院計算所，中科院自動化所，復旦大學，科技大學等，并都取得了一定的成果。國的研究工作主要是集中在二大炎方法的研究：*于幾何特征的人臉正面自動識別方法、基于代數(shù)特征的人臉正面自動識別方法和基于跡接機制的人臉正面自動識別方法。周激流實現(xiàn)了具有反應機制的人臉正面識別系統(tǒng)，運用積分投影法提取面部特征的關鍵點并用于識別，獲得了比擬滿意的效果。他同時也嘗試了“穩(wěn)定視點特征提取方法，即為使識別系統(tǒng)中包含3D信息，他對人臉側(cè)面剪影

11、識別做了一定的研究，并實現(xiàn)了正，側(cè)面互相參照的識別系統(tǒng)。輝、長水等對“特征臉的方法做了進一步的開展，提出釆用類間散布矩陣作為產(chǎn)生矩陣，進一步降低了產(chǎn)生矩陣的維數(shù)，在保持識別率的情況下，大大降低了運算堂。程永淸，莊等對同類閣像的平均灰度閣進展SVD分解得到特征臉空間，每一幅閣像在特征臉空間上的投影作為其代數(shù)特征，然后利用層次判別進展分類。輝，周洪祥，何振亞釆用對稱主元分析神經(jīng)網(wǎng)絡，用去冗余和權值正交相結(jié)合的方法對人臉進展特征提取和識別。該方法所用特征數(shù)據(jù)量小，特征提取運算罱也較小，比擬好地實現(xiàn)了大莆人臉樣本的存儲和人臉的快速識別。科技大學的王志良教授主要研究人工心理，建立了以數(shù)學公式為根底的心理

12、學模塑。第三章 課題研究的意義隨著物聯(lián)網(wǎng)的興起以及圖像處理、模式識別、人工智能、生物心理學等科學技術的研究和開展，機器與人溝通是生物特征識別系統(tǒng)開展的必然趨勢，可以預測到在不遠的將來，人臉識別具有更加廣闊的應用前景。本論文就是基于這樣一個背景，運用數(shù)字圖像處理技術，結(jié)合人臉檢測與識別的應用課題，通過研究如何用圖像處理方法完成人臉檢測與識別的問題，進展圖像處理算法的研究。第四章 課題研究的主要容人臉識別(Face Recognition)的研究大致包括以下5個方面的容：(1) 人臉檢測(Face Detection)：即從不同場景中檢測出人臉存在與否同時確定其位置。這一任務主要受面部傾斜度、光照

13、、噪聲以及各種各樣遮擋的影響。(2) 人臉表征(Face Representation)：即采取*種表示方式表示檢測出的人臉和數(shù)據(jù)庫中的人臉。通常的表示法包括幾何特征(如歐氏距離、曲率、角度)代數(shù)特征(如矩陣特征矢量)、固定特征模板、特征臉、云紋圖等。(3) 人臉鑒別(Face Identification)(通常所說的“人臉識別)：即將待識別人臉與數(shù)據(jù)庫中的己知人臉比擬，得出相關信息。這一過程的核心是選擇適當?shù)娜四槺碚鞣绞脚c匹配策略，系統(tǒng)構(gòu)造與人臉表征方式密切相關。(4) 表情/姿態(tài)分析(E*pression/Gesture Analysis)：即對待識別人臉的表情或姿態(tài)信息進展分析，并對其

14、加以歸類。(5) 生理分類(Physical Classification)：即對待識別人臉的生理特征進展分析，得出其年齡、性別、等相關信息。由于人臉鑒別通常被稱作“人臉識別，如無特別指明，本文中的“人臉識別即是指待識別人臉與數(shù)據(jù)庫中人臉之間的匹配問題。人臉識別系統(tǒng)的主要問題是包含人臉的檢測和人臉的識別問題，在所有的問題中這兩個是關鍵。人臉識別系統(tǒng)的構(gòu)造流程圖如圖4-1所示：圖形和圖像序列人臉的定位與檢測人臉的識別結(jié)果的輸出圖4-1人臉檢測與識別的流程圖在人臉檢測和識別的關鍵在于一個好的算法，目前國外對于人臉的檢測和識別分別有很多種不同的算法。本課題研究的主要任務在于選取一個較優(yōu)的人臉檢測算法

15、和人臉識別算法，使系統(tǒng)能夠快速準確的進展臉譜的檢測。五、課題研究的實現(xiàn)方法即方案論證人臉檢測與定位在理論上是分開的，但是在實際應用中可以合并。人臉檢測的目的是檢測圖像中有沒有人臉，人臉的定位是將人臉從背景中分割出來，讓“系統(tǒng)知道人臉或人臉上的*些器官在圖像上的位置。在很多算法中，人臉檢測的同時就完成了定位。假設要實現(xiàn)系統(tǒng)的要求，應該將人臉的識別系統(tǒng)分為兩個過程：人臉的檢測和定位、人臉的識別。因此，對于人臉的完整檢測識別是兩種算法的結(jié)合。5.1人臉的檢測與定位人臉的檢測與定位的常用算法有：基于面部特征的人臉檢測算法、基于統(tǒng)計的人臉檢測方法、基于模板匹配的人臉檢測方法、基于膚色模型的人臉檢測方法。

16、如下逐一介紹其優(yōu)缺點。1基于面部特征的人臉檢測算法：是利用了人臉的先驗知識導出的規(guī)則來進展人臉檢測。人臉各個器官的分布總是存在著一定的規(guī)律性，例如人的兩個眼睛總是對稱分布在人臉的上半局部，鼻子和嘴唇中心點的連線根本與兩眼之間的連線垂直，嘴巴絕對不會超過眼睛的兩端點等。人們可以根據(jù)這些描述人臉局部特征分布的規(guī)則來進展人臉檢測。這種方法存在的問題有：檢測率不高，如果背景區(qū)域中存在類人臉區(qū)域，則必然導致誤檢；用于描述人臉特征之間的關系的規(guī)則不易設計，規(guī)則制定的過高或者過低會造成拒識或誤識。2基于統(tǒng)計的人臉檢測方法：這種方法不是針對人臉的*一特征，而是從整個人臉出發(fā)，利用統(tǒng)計的原理，從成千上萬人臉圖像

17、中提取出人臉共有的規(guī)律，利用這些規(guī)律來進展人臉識別。此類方法將人臉區(qū)域看作一類模式，使用大量的“人臉與“非人臉樣本，構(gòu)造并訓練分類器，通過判別圖像中所以可能區(qū)域?qū)儆谀念惸Ｊ降姆椒▽崿F(xiàn)人臉檢測。由于人臉圖像的復雜性，顯式地描述人臉特征具有一定的困難，因此基于統(tǒng)計的方法越來越受到重視，是解決復雜人臉檢測問題的有效途徑。3基于模板匹配的人臉檢測方法：早期基于模板匹配的方法首先建立一個標準的人臉模板，由包含局部人臉特征的子模板構(gòu)成，然后對一幅輸入圖像進展全局搜索，對應不同尺度大小的圖像窗口，計算標準人臉模板中不同局部的相關系數(shù)，通過預先設置的閾值判斷該圖像窗口中是否包含人臉。Yullie 等人提出基于

18、彈性模板的方法用于人臉檢測。彈性模板是由一個根據(jù)被測物體形狀而設定的參數(shù)的可調(diào)模板和與之相對應的能量函數(shù)所構(gòu)成，能量函數(shù)要根據(jù)圖像的灰度信息、被測物體輪廓等先驗知識設計。這種方法的優(yōu)點在于，由于使用的彈性模板可調(diào)，能夠檢測不同的大小、具有不同偏轉(zhuǎn)角度的物體。但是其缺點是檢測前必須根據(jù)待測人連的形狀來設計彈性模板的輪廓，否則會影響收斂的效果；對圖像進展全局搜索時，要動態(tài)地調(diào)整參數(shù)和計算能量函數(shù)，計算時間過長。4基于膚色模型的人臉檢測方法：在彩色圖像中，顏色是人臉外表最為顯著的特征之一，利用顏色檢測是很自然的想法。Yang等人在考察了不同種族、不同個體的膚色后，認為人類的膚色能在顏色空間中類聚成單

19、獨的一類，而影響膚色值變化的最主要因素是亮度變化。此方法首先尋找到膚色區(qū)域，在根據(jù)“顏色相近、“位置相鄰、“尺度相近等規(guī)則進展類膚色區(qū)域歸并，最后用模板匹配，神經(jīng)網(wǎng)絡驗證等手段確定區(qū)域是否是人臉。5.2人臉的識別算法人臉識別方法主要可分為三類：靜態(tài)圖像的人臉識別，視頻序列的人臉識別和三維人臉識別方法。結(jié)合本設計實際情況，在這里我們只對靜態(tài)圖像的人臉識別作簡要介紹。靜態(tài)圖像人臉識別是通過簡單設備獲取人臉圖像后再進展人臉識別。由于其操作簡單，計算復雜度低，所以大多數(shù)人臉識別算法的研究都是基于靜態(tài)圖像。從識別方法上可以大致分為三類：1基于幾何特征的方法：基于幾何特征的方法是在抽取人臉圖像上顯著特征的

20、相對位置及其參數(shù)的根底上進展識別。這種方法的缺點在于對獲得的圖像要求很高，特征點的定位非常重要，人臉的傾斜或是裝飾物會在很大程度上影響識別的準確性。2基于模版的方法：基于模板的方法可以分為基于相關匹配的方法、特征臉方法、線性判別分析方法、奇異值分解方法、神經(jīng)網(wǎng)絡方法、動態(tài)連接匹配方法等。3基于模型的方法：基于模型的方法是通過統(tǒng)計分析和匹配學習找出人臉和非人臉以及不同人臉之間的聯(lián)系，該方法的模版是通過樣本學習獲得而非人為設定，在原理上較為先進合理?；谀Ｐ偷姆椒ㄓ谢陔[馬爾柯夫模型HMM，主動形狀模型和主動外觀模型的方法等。其中，隱馬爾可夫模型作為一種統(tǒng)計分析模型，創(chuàng)立于20世紀70年代，80年

21、代得到了傳播和開展，現(xiàn)已成功用于語音識別，行為識別等領域，在人臉識別領域還有較大開展空間。5.3特征提取算法特征提取的過程就是根據(jù)各類可分性判據(jù)，運用迭代或智能進化的方法，找出一組變換矩陣，將樣本從原始分布空間有效映射到新的特征空間的過程。因此特征提取的實質(zhì)是一個尋求最正確映射變換的過程，同時也是一個數(shù)據(jù)壓縮的過程。1.按歐式距離度量的特征提取方法假設表示的第個樣本與的第個樣本之間的距離，這樣的特征集，使個各樣本之間的平均距離為最大，即： (5-1) 為最優(yōu)的特征集。這種方法的特征提取過程為：設為各原始特征集，為原始空間離散度矩陣，為映射后離散矩陣，為待求的變換矩陣，變換后的可分性判據(jù)： (5

22、-2)對各分量求偏導，可以唯一確定一組值。設矩陣的本征值，取前個本征值對應的本征向量作為，即即可求出特征變換矩陣，則新的特征集為： (5-3)2Karhunen-Loeve (KL)變換方法在模式識別領域，KL變換被公認為是特征提取最有效的方法之一，KL展開應用于特征提取，形成了子空間模式識別的根底4。這種方法的根本思想是：假設數(shù)據(jù)庫里有M幅人臉圖像，其灰度均值為F，將每一幅圖與之相減構(gòu)成一組向量，用于主分量分析：找出M個正交向量及特征值描述數(shù)據(jù)的分布，將特征向量從大到小排列，其特征向量將圖像投影到一個由特征向量組成的子空間。由于這些圖像很像人臉，所以叫“特征臉。利用KL變換提取特征，具有穩(wěn)定

23、性、位移不變性、轉(zhuǎn)置不變性，具有很好的抽取效果。3奇異特征值分解方法奇異特征值Singular Value Deposition，簡稱SVD算法是一種有效的代數(shù)特征提取方法。由于它的最優(yōu)逼近性，SVD變換具有很好的信息壓縮特性，并且圖像陣列可以有效地用幾個奇異值表示。此外采用奇異值向量作為觀察序列，具有以下性質(zhì)：1)穩(wěn)定性，也就是說圖像灰度值的微小變化不會引起奇異值大的變化。2)奇異值向量與對應圖像亮度成比例變化。3)奇異值向量具有轉(zhuǎn)置不變性和位移不變性。因此，奇異特征值可以作為圖像的一種有效的代數(shù)描述。SVD技術已經(jīng)成為解決分類中特征生成和特征選擇問題的一種有效工具，在圖像數(shù)據(jù)壓縮和存儲、信

24、號處理和模式分析中得到了廣泛的應用。4獨立分量分析ICA方法獨立分量分析Independent ponent Analysis，簡稱ICA方法是近年來才開展起來的一種新的統(tǒng)計方法，目的是將觀察到的數(shù)據(jù)進展*種線性分解成為統(tǒng)計獨立的成分。目前ICA主要應用于特征提取，圖象處理和人臉識別。在特征提取中的一般過程為：設表示為一幅人臉圖像，訓練矩陣： (5-4)設訓練集由個未知獨立分量表示，則，為特征矩陣。從式(5-4)中可以看出, 每個圖像由與的線形組合來表示，因此，混合矩陣也稱為特征矩陣，可看作是所有訓練圖像的特征。5.4算法的選擇在人臉檢測與識別技術中，正確檢測識別率是研究人臉檢測與識別算法的重

25、要性能指標。另外，由于計算機人臉檢測識別技術的實際應用實時性要求比擬強，因此計算時間是計算機人臉檢測識別技術中的一個重要指標。計算時間主要有兩方面：一是設計階段，系統(tǒng)訓練需要的時間；另一個是檢測和識別階段系統(tǒng)需要的時間。通常情況下，系統(tǒng)設計階段需要的時間可以不考慮，但檢測與時間卻相當重要，它直接影響人臉檢測識別系統(tǒng)的實用性，對系統(tǒng)是否能用于實踐起決定性作用。綜合人臉識別系統(tǒng)每個環(huán)節(jié)以及各種算法分析與性能指標的要求，在人臉檢測階段，應該選用一種對外界干擾因素(比方光照、人臉角度等)適應性強，檢測率高，識別速度快的方法，因此我們選擇了一種基于統(tǒng)計的人臉檢測方法Adaboost算法；在人臉識別階段，

26、我們選用了隱馬爾可夫模型方法，后來的實驗也證實了這是一種識別率高，識別速度快的方法。5.5系統(tǒng)的整體方案設計流程制定任務書根據(jù)任務書選定方案并進展方案論證軟件設計及MATLAB仿真系統(tǒng)的算法修改完善系統(tǒng)移植運行于調(diào)試檢測圖5-1系統(tǒng)的總體方案設計流程圖六、設計難點對于一個人臉的檢測系統(tǒng)其主要的性能指標有如下幾點：(1)檢測率：被正確檢測到的人臉數(shù)目與原圖像包含的人臉數(shù)目的比值。檢測率越高，說明檢測系統(tǒng)對人臉的承受能力越強。(2)誤識率(或虛警率、誤報率、誤檢率)：被誤檢為人臉的非人臉子窗口的數(shù)目與原圖像被檢測的所有非人臉子窗口數(shù)目的比值。檢測率無法反映系統(tǒng)對非人臉的排除能力，有可能所有人臉都被

27、檢測到的同時有大量的非人臉也被誤檢為人臉。因此，引入誤識率來衡量系統(tǒng)對非人臉樣本的排除能力。誤識率越低，說明檢測系統(tǒng)對非人臉的排除能力越強。(3)檢測速度：大局部應用領域需要在線實時地檢測人臉，如人臉識別、人臉跟蹤和可編程視頻監(jiān)控等。通常，提高速度往往是以降低檢測率為代價的。因此，在檢測率和誤檢率到達滿意的前提下，檢測速度越快越好。(4)魯棒性：反映了檢測系統(tǒng)在各種條件下的適應能力。這四個標準有些是相互制約的。例如，誤檢率會隨著檢測率的提高而提高，檢測率隨著誤檢率的降低而降低；或檢測率和誤檢率都很理想，但檢測速度很慢，如神經(jīng)網(wǎng)絡方法；又或檢測速度雖快，但魯棒性較差。根據(jù)以上幾個性能指標所以本次

28、設計最大值難點在于一下幾個方面：1人臉的檢測是設計中必須注重的問題，對于不同背景、不同亮度、不同環(huán)境的圖像中篩選出人臉是人臉識別的首要的問題。對于此問題的解決方案是：首先，選取一個較為適宜的算法，這是最根本的。怎么能從背景中提取出人臉的圖像，如前所述我們選用了基于統(tǒng)計的人臉檢測方法，通過adaboost算法對系統(tǒng)不斷的進展“人臉和“非人臉的訓練，一次來提高系統(tǒng)的人臉檢測能力；其次，對于系統(tǒng)要進展大量的訓練，該系統(tǒng)算法的設計特點是通過學習，其人臉的檢測能力能不斷的提高，因此大量的臉譜訓練是解決問題的關鍵。2系統(tǒng)實現(xiàn)后其識別的準確度問題，即系統(tǒng)的識別率和錯誤識別率的大小。此問題它存在于識別和檢測兩

29、個方面，對于檢測方面如前所述，這里不再贅述。我們注重考慮一下識別方面的問題。首先，假設到達高的識別率，當然一個好的數(shù)據(jù)庫建立是必不可少的。3系統(tǒng)的識別速度問題，一個好的系統(tǒng)不僅要具有較高的識別精度，同時其識別速度也必須的到達要求。此問題要求的是整個系統(tǒng)的配合問題，一個好的系統(tǒng)，不僅檢測要快，識別的速度也必須跟的上。這就要求我們能夠選擇較為快速的臉譜識別和檢測算法。我們所選的算法能夠較好的兼容。4系統(tǒng)的人臉數(shù)據(jù)庫建立也是一個很重要的問題，數(shù)據(jù)庫建立需要對每一臉譜進展相應的特征分析，然后根據(jù)算法建立模型。這項工作繁瑣復雜，是很需要耐心的一項工作了。擬采取基于模型的臉譜識別算法隱馬爾可夫模型。這種模

30、型被廣泛的應用，不僅具有較高的識別率，并且識別速度也是很可觀的。七、進程安排前期準備：查閱資料，學習、熟悉相關理論和技術，論證系統(tǒng)的總體方案以及系統(tǒng)各局部的具體實現(xiàn)方法，確定出最正確方案；譯文。第一周：開題報告的撰寫，開題；第二到四周：方案確定，認真的學習相關的MATLAB軟件第五到六周：學習各種算法，深入的理解adaboost算法和隱馬爾可夫算法第七到十周：系統(tǒng)的程序編寫，軟件設計。第十一到十二周：完成系統(tǒng)并開場進展系統(tǒng)的學習與訓練第十三周：系統(tǒng)的優(yōu)化與調(diào)試，并行系統(tǒng)移植，使系統(tǒng)能夠完好的工作第十四到十五周：整理材料，撰寫論文準備辯論。參考文獻1 程雪紅，人臉檢測與定位及識別技術研究D，電子

31、科技大學碩士論文，2006。2 Yang M H,Kriegman D, Ahujia N. Detection Faces in Images： A Survey J.IEEE Transaction.Pattern Analysis and Machine Intelligence. 2002, 24(1): 34-58.3 薛斌黨,嵌入式隱Markov 模型和神經(jīng)網(wǎng)絡人臉識別D。理工大學博士學位論文,2002,7-19.4 宋春雷，王龍，學習理論與魯棒控制J，控制理論與應用，2000-17(5): 633-636.5 Valiant L G. A Theory of the Learna

32、ble J, munications of the ACM, 1984, 27(11):1134-1142.6 Kearns M. The putational ple*ity of Machine Learning J Cambridge: MIT Press, 1990.7 Kearns M ,Valiant L GCryptographic Limitations on Learning Boolean Formulae and Finite Automata J.Journal of the ACM, 1994,41(1):67-95.8Schapire R EThe Strength