Application of face recognition technology based on CA algorithm in intelligent residential property management
Abstract
The research of face recognition began in the 70s of last century. With the rapid development of science and technology and computer technology, it has been used in the application of property management, which has become a new research direction. Based on this, the research status of intelligent property and face recognition at home and abroad was investigated. On this basis, the concept and principle of face recognition technology were analyzed, and PCA algorithm was proposed for face recognition. According to the basic theory of PCA algorithm, it was applied to face recognition technology. The principle of PCA algorithm was proposed, and the principal component analysis method was deduced and applied to face recognition. According to the performance of PCA algorithm in face recognition technology, a new wavelet transform method was used in face recognition algorithm. After extracting the facial feature vector, the wavelet transform method combined with PCA algorithm was obtained. Finally, the proposed algorithm was applied to intelligent residential property management system. The results show that the algorithm can effectively improve the recognition accuracy and can meet the design requirements, which provides a theoretical basis for the subsequent system research.
Keywords PCA；Algorithm；Face recognition；Intelligent property
- Introduction
With the improvement of the economy and the progress of society, peoplersquo;s pursuit of living conditions has also undergone tremendous changes. Where housing is located and housing safety are also top priorities. And whether housing security depends on its access control system, housing security measures and residential security measures is studied [1]. In our country, access control types mainly include magnetic card equipment, fingerprint identification and password input. Although the discriminant method is different, it is necessary to make people to do the appropriate operations access to the access control system. If people do not have the space to do this series of actions, this access control system is not enough humanized [2]. Then, the loss of access control card, password forgotten and even the risk of theft reveal the security problems of this access control system. In view of fingerprint identification system, according to the spread of information on the Internet, there is a set of software to crack fingerprint lock, which makes this access control device users very uneasy [3]. The research and development of access control system which can really guard against theft and simple intelligence is expected by people, which is the promotion of this demand. A new entrance guard system “face recognition system” comes into being. Its emergence has solved a considerable part of the security problems [4]. Face recognition is a new biometric technology, which uses human face feature information to determine whether to make the next move. The uniqueness of the face and the inability to replicate allow this biometric to become a good discriminant system. This technology is applied to the access control system, which calls it the face recognition access control system. This new biometric technology uses face recognition to judge whether to perform the act of opening the door or not. It does not require any external media. It can be said that this greatly reduces losses caused by the theft of keys or key risks and also objectively reduces the manufacturing cost [5].
At present, many research institutions in the world are studying face recognition technology, and have established a lot of professional face recognition research institutions. Through decades of in-depth research, face recognition has been widely used in intelligent image recognition and intelligent image analysis field. A large number of experiments and simulations have been carried out by relevant researchers, and more recognition algorithms have been proposed. Many of these algorithms are gradually used in commercial markets, such as BioIDrsquo;s face recognition products. In the world, the research of face recognition technology can be divided into the following research directions: Method of face recognition based on geometric features, face recognition method based on template matching, a method of feature face based on K-L transform, method based on hidden Markov model, Identification method based on neural network, elastic graph matching method based on dynamic link structure and method of face recognition based on dynamic image sequence number using motion and color information. Domestic research is mainly focused on the study of three major methods: Human face automatic recognition method based on geometric features, automatic face recognition method based on Algebraic Features and face automatic recognition method based on connection mechanism. So far, these research units have made some achievements in face recognition technology.
-
Face recognition technologies
- Face recognition technology
The process of face recognition technology can be roughly divided into two aspects and stages. (1) Recognition. When a human face image appears within the recognition range, the recognition system will extract the facial features of the face image, and process, transform and store these features.(2) Discrimination. In view of the facial features acquired by the previous person, it is compared with the “correct” information identified to judge whether to perform the next operation [6]. This is a simple basic process of face recognition system for human identification. To sum up, it is divided into the following sections. (1) To find the personrsquo;s face within the scope of the identification an
剩余内容已隐藏，支付完成后下载完整资料
基于CA算法的人脸识别技术在智能住宅物业管理中的应用
摘要：人脸识别的研究始于上世纪70年代。随着科学技术和计算机技术的飞速发展，人脸识别在物业管理中的应用已经成为一个新的研究方向。基于此，对智能物业与人脸识别在国内外的研究现状进行了调研。在此基础上，分析了人脸识别技术的概念和原理，并且提出了用于人脸识别的PCA算法。根据PCA算法的基本原理，将其应用于人脸识别技术。另外还提出了主成分分析算法的原理，推导了主成分分析方法，并将其应用于人脸识别。根据PCA算法在人脸识别技术中的应用，在人脸识别算法中采用了一种新的小波变换方法。在提取了人脸特征向量后，得到了与PCA算法相结合的小波变换方法。最后，将该算法应用于智能住宅物业管理系统。结果表明，该算法能有效提高识别精度，满足设计要求，为后续系统研究提供了理论依据。
关键词：PCA；算法；人脸识别；智能住宅
1.介绍
随着经济的改善和社会的进步，人们对生活条件的追求也发生了巨大的变化。住房所在地和住房安全也是最优先事项。另外还对住宅安全是否取决于其门禁系统、住宅安全措施和住宅安全措施进行了研究[1]。在我国，门禁类型主要包括磁卡设备、指纹识别和密码输入。虽然判别方法不同，但有必要使人们做适当的操作来访问访问控制系统。如果人们没有足够的空间来做这一系列的动作，那么这个访问控制系统是不够人性化的[2]。然后，门禁卡的丢失、密码的遗忘甚至被盗的风险都暴露了这个门禁系统的安全问题。针对指纹识别系统，根据信息在互联网上的传播，存在着一套破解指纹锁的软件，这套软件使得这个门禁设备的用户非常不放心[3]。真正能够防盗并且简单智能的门禁系统的研发是人们所期待的，也正是这一需求的推动，一种新的门禁系统“人脸识别系统”应运而生。它的出现解决了相当一部分的安全问题[4]。人脸识别是一种利用人脸特征信息来确定下一步行动的新型生物识别技术。面部的独特性和无法复制的特性使得这种生物识别成为一个很好的识别系统。该技术应用于门禁系统，并称之为人脸识别门禁系统。这种新的生物识别技术利用人脸识别来判断是否要开门。它不需要任何外部媒体。可以说，这大大降低了因钥匙被盗或钥匙风险带来的损失，也客观上降低了制造成本[5]。
目前，世界上许多研究机构都在研究人脸识别技术，并建立了许多专业的人脸识别研究机构。经过几十年的深入研究，人脸识别已广泛应用于智能图像识别和智能图像分析领域。相关研究人员进行了大量的实验和仿真，并提出了更多的识别算法。这些算法中有许多逐渐被应用于商业市场，例如BioID的人脸识别产品。在世界范围内，人脸识别技术的研究可以分为以下几个研究方向:基于几何特征的人脸识别方法,基于模板匹配的人脸识别方法,基于K-L变换的特征脸方法，基于隐马尔科夫模型的方法,基于神经网络的识别方法,基于动态链接结构的弹性图匹配方法和基于使用运动和颜色信息动态图像序列的人脸识别方法。国内的研究主要集中在基于几何特征的人脸自动识别方法、基于代数特征的人脸自动识别方法和基于连接机制的人脸自动识别方法三种主要方法的研究上。到目前为止，这些研究单位已经在人脸识别技术方面取得了一定的成果。
2.人脸识别技术
2.1人脸识别技术
人脸识别技术的发展过程大致可以分为两个方面和阶段。(1)识别。当人脸图像出现在识别范围内时，识别系统将提取人脸图像的面部特征，并对这些特征进行处理、变换和存储。(2)区分。根据前一个人获得的面部特征，与识别出的“正确”信息进行对比，以判断是否进行下一个操作[6]。这是人脸识别系统进行人体识别的一个简单的基本过程。综上所述，它分为以下几个部分。(1)在人脸信息的识别定位范围内查找人脸。(2)采集面部相应区域的特征。(3)将收集到的特征翻译成计算机语言。(4)确定采集信息是否在“正确”范围内，并判断是否进行下一个操作[7]。
图1 人脸识别
就人脸识别系统而言，有三种识别方法。(1)针对人脸图像特征的识别，这方面主要采用弹性图匹配法、线性子空间类法和相关法。(2)对采集到的信息进行逐级分类，主要使用贝叶斯方法和人工神经网络方法。(3)人脸图像重建的主要原理是人脸特征方法[8]。但无论采用何种方法和原理，人脸识别都是基于灰度信息采集的。也就是说，在识别系统中对人脸的反馈图像进行处理，可以得到易于识别但与普通图像不同的灰度信息。一方面，它可以减少人脸器官对判别结果的影响。一方面，它可以加快识别速度[9]。
图2 人脸识别流程图
2.2PCA算法
主成分分析(PCA)是一种在计算机视觉中进行降维和特征提取的技术。它被认为是一种有效的人脸识别方法。Sirovish和Kirby首先提出了KarhunenLoeve变换在人脸表达中的应用。也就是说，人脸是由人脸向量构成的，它是加权特征向量的线性组合。PCA算法以人脸图像为随机向量，利用K-L变换得到所有人脸空间样本的正交变换基础。这些基本矢量具有与人脸相似的形状，并且代表了人脸不同于其他物体的特征。因此，它们被称为面部向量。PCA不采集眼睛、鼻子、嘴巴等器官的个体特征，而对整个人脸图像进行编码、分析和采集的方法是PCA方法(也称为特征脸方法)。整体识别大大降低了识别的难度[10]。然而，目前还没有快速求解特征的计算方法。因此，每次识别和获取都是一个非常大的计算过程，这是非常耗时的。但是面部方法的优点也很突出。这是因为它是对灰色数据的分析，所以可以直接利用初始采集的灰色数据进行识别，其主要优点是不需要进行数据处理。同样，PCA方法不需要使用空间维数、几何反射等知识[11]。鉴于这些缺点，科学家们提出了减少光线对面部各个部位影响的想法，以减少计算量。
3.人脸识别功能的实现
3.1主成分分析法的基本原理
在二维空间mtimes;n中，将采集到的人脸图像I(x, y)放入灰度图像中。向量X表示为N = mtimes;N，则人脸特征集为{Xi|i = 1，hellip;，m}。其中M为总数。并且构造了基于向量特征的Ntimes;N分布矩阵St。
(1)
mu;代表均值向量。
(2)
omega;1···omega;d设置为投影轴。其算术意义是使函数积值成为极值，另外它的物理意义是投影量的最大值。
(3)
它也可以表示为:
(4)
利用上式计算了雷利格熵及其极值原理。因此，可以选择最优投影轴作为与St的最大特征值对应的正交向量。
其计算过程是首先计算小矩阵Mtimes;M的特征向量vl(l = 1，···，M)。
(5)
(6)
通过差分图像X1-mu;（l=1，···，M）和Vl（l=1，···，M）的线性组合，得到了矩阵St的特征向量mu;l（l=1，···，M）。
(7)
最大特征值的特征向量d在计算L之前被计算，并且d由阈值偶差theta;lambda;决定。
(8)
图3 平均人脸
3.2基于主成分分析的人脸识别
一个简单的人脸识别系统由4个过程组成。(1)读写人脸数据库，记录特征向量和特征值。(2)将采集到的样品与原始样品进行对比。(3)分析各特征对比的数据。(4)判断结果，判断是否执行下一步操作[12]。具体流程如下。
读写人脸数据库。本设计使用ORL人脸数据库(剑桥大学图书馆人脸数据库)，人脸库共记录40人的数据。每个人记录10个图像[13]。获取要求如下。在不同的时期，脸部的细节是不同的，比如眼睛是否睁开，人们是否戴眼镜，人们的面部表情等等。另外，拍摄角度不同，旋转角度在10 - 20度之间。剑桥大学人脸数据库图像的分辨率为112times;92。在图书馆的400张图片中，每个人的前五张图片都被设置为我们的训练图片。这些图片构成了一组训练图片。剩下的200张图片是测试图片，形成一个测试集[14]。计算得到这些图像形成的向量值为10304并不困难，因此训练矩阵为10304times;200。
规定矩阵St取训练样本的总体分布矩阵。
(9)
其中，xi表示样本集中第一个i图像的向量，mu;表示样本集中的平均向量..由于样本总数太大，当求解特征向量时，计算复杂度呈指数增长，因此如下所示使用SVD定理（奇异值分解定理）。
利用奇异值分解定理求解特征值和特征向量。SVD定理的定义如下。
如果存在一个A isin; Rmtimes;n矩阵，那么则存在正交矩阵U = {mu;1, mu;2, ··· , mu;m} isin; Rmtimes;n，V = {v1, v2, ··· , vn} isin; Rmtimes;n，使UT AV = diag(sigma;1, sigma;2, ··· , sigma;p) = W，p = min(m, n)。这是A = UWVT，并且A被称为奇异值分解。其中，sigma;1 ge; sigma;2 ge;···ge; sigma;p ge; 0, sigma;i(i = 1, 2, ··· , p) 为A的奇异值，并且AAT 或者 AT A 特性值的平方根是。
稳定性好是奇异值向量的一个主要特征，而这个特征使得由灰度变化引起的图像噪声和光照差异对结果影响很小[15]。
这种方法被称为特征人脸法，这意味着系统使用特征向量来表示一个对应的面。因此，训练图像在第一维空间中构成一个特征向量图。当测试图像的特征向量与训练特征向量图一致时，就可以认为它是成功的，这是人脸识别的基本原理。特征值和特征向量的计算方法如下:(1)根据原始灰度数据构建矩阵。(2)计算矩阵的特征值和特征向量。(3)整理计算出的特征值和特征向量。
选择30张人脸，如图4所示。
图4 30张特征脸
特征样本的投影及其识别:将每组得到的特征值和特征向量放入特征维度空间。每个图像的特征值和特征向量可以根据坐标系数形成一个特征点和线组合图[16-18]。K-L变换系数是它的加权系数。
人脸构造图识别:最简单的比较法是比较哪个特征值、特征向量图最接近原始灰度特征值和特征向量图。该对象的距离用于标识和确定对象的标识[19]。在距离测量中，常用的方法有:明测量法、欧洲测量法、马尔科夫测量法和绝对值测量法[20]。在特征空间中，比较识别出的特征与原始特征之间的距离，找出距离最小的样本。在各种测量方法的选择中，使用大量的样本来计算每种测量方法的平均值，以判断哪种方法是最准确和可靠的。实验步骤如下。选取k个样本，分别用欧式法、绝对值法、马尔科夫测量法和明法测量每个样本的特征距离。需要找出结果中最相似的样本，并根据该方法比较每组特征值与特征向量之间的距离。
图5 肖像重建图
3.3提取面部特征向量
人脸特征提取有三个主要过程。(1)为了消除不必要的干扰因素，因此计算结果十分准确。为了改进分析中的计算过程，在采集时进行有效的区域分析和采集标定。(2)根据收集到的人脸图像，它包含了无数的人脸向量。为了获得特征值和特征向量，可以在不需要人脸普及的情况下从人脸特征中获得人脸特征，并且可以得到关于特征值和特征向量的平面维图。(3)通过对尺度平面图不同维数的比较，选取较小的变化值作为原始灰度数据。
根据科学家对人脸几何特征的研究，人脸主要特征的比例如图6所示。在图6中，o点是人眼的中点。设该点到图像的下边界为1.5 d，该点到图像左右边界的距离为d，到上边界的距离为0.5 d。图像被切割成方格（2d，2d）。这些简单的规则和程序允许计算机减少后期数据的计算时间。对人脸结构比例的切割也减少了对人脸原始数据的提取，客观上减少了外界因素对采集的数据的影响。在一项关于生物特征面部识别的调查中，发现面部有三个不太清晰的灰色特征，包括眼睛、鼻子和嘴巴。因此，在采集数据时，鼻子部分不做相应的特征向量提取，而是对眼睛和嘴巴区域作为分析样本进行相应的数据采集和分析。面部比例图如图6所示。根据灰度熵和灰度值等相关理论知识，对采集到的眼口特征进行收集和分析。
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[414159]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
