摘 要

随着科技的进步，人们对视频监控不仅仅满足于实时监测，还希望它能有更多的功能，在视频监控中进行人脸识别就是需求之一。传统视频监控通过对视频进行一段时间的回放来寻找线索，在此期间观察人员偶尔会分散注意力，错过一些细节，效率低下，而且传统的视频监控存储也会占据大量内存。

前文介绍了视频监控的发展历程，并提出了传统视频监控存在的缺陷，而在视频监控中运用人脸识别技术则是必然趋势，之后列举了近年来国内外的研究现况，联系实际需求对视频监控人脸识别系统的设计提出了方案。接着就是系统各模块的功能实现工作，本文基于Window平台，介绍了Anaconda Open CV 的配置以及使用，选择Python语言作为opencv的接口语言，通过调用OpenCV指令，实现图像采集，并设计相应算法实现图像的预处理功能，利用 AdaBoost 算法和ORB特征算法脸实现人脸检测和特征点提取，并进行人脸比对，输出结果，最终实现人脸识别。

关键字：视频监控；人脸识别；Anaconda；Open CV

Abstract

With the progress of science and technology, people are not only satisfied with real-time video surveillance, but also hope that it can have more functions. Face recognition in video surveillance is one of the requirements. Traditional video surveillance searches for clues by playback of video for a period of time, during which the observer will occasionally distract attention, miss some details, inefficient, and traditional video surveillance storage will occupy a large amount of memory.

The paper introduces the development of video surveillance, and points out the shortcomings of traditional video surveillance. It is an inevitable trend to use face recognition technology in video surveillance. Then, it lists the research status at home and abroad in recent years, and puts forward a scheme for the design of video surveillance face recognition system based on actual needs. Next is the function realization of each module of the system. This paper introduces the configuration and use of Anaconda OpenCV based on windows platform. Python language is chosen as the spoken language of opencv. By calling OpenCV instructions, image acquisition is realized, and corresponding algorithms are designed to realize image preprocessing. Face detection and features are realized by using AdaBoost algorithm and ORB feature algorithm. Point extraction, face comparison, output results, and finally achieve face recognition.

Key words: video surveillance; face recognition; Anaconda; Open CV

目录

第一章 绪论 1

1.1研究背景及意义 1

1.2 国内外研究现况 2

1.2.1国外研究现况 2

1.2.2国内研究现况 2

1.3 本文章节安排 3

第二章 图像预处理与人脸检测 4

2.1人脸图像预处理 4

2.1.1图像灰度化 4

2.1.2 图像尺寸归一化 5

2.2人脸检测与校准 6

2.2.1人脸检测与校准的基本原理 6

2.2.2基于Haar特征的AdaBoost人脸检测与校准 6

2.2.3基于形状索引特征的联合层叠模型 8

2.3本章小结 9

第三章 基于ORB特征算法的人脸特征点提取 10

3.1特征点检测 10

3.2特征点描述 11

3.3特征点匹配 13

3.4本章小结 14

第四章 基于视频监控的人脸识别系统设计 15

4.1系统流程 15

4.2人脸识别系统配置 16

4.3系统测试 17

4.3.1图像采集模块 17

4.3.2图像预处理模块 19

4.3.3人脸检测模块 20

4.3.4人脸比对模块 22

4.4本章小结 23

第五章 总结与展望 24

5.1论文总结 24

5.2研究展望 24

参考文献 26

致谢...............................................................................................................................27

第一章 绪论

本章首先在第一节中介绍了视频监控中人脸识别的研究背景及意义，在第二节中介绍了国内外研究现况并进行了分析，最后在第三节中对全文结构与章节安排进行了说明。

1.1研究背景及意义

近年来随着科技的发展，以及社会的需要，视频监控设备已经十分普及。据IHS Markit2017年数据，目前我国在共装有1.76亿个监控摄像头，包括公共场所和私人场所。在三年内，可能会增加到6.26亿个。利用视频监控进行人脸识别的技术相对于传统技术，大大提高了效率，并且不易被目标察觉，其用途也十分广泛，可用于警方寻人，门禁系统，获取交通事故驾驶员信息等等。因此，研究人员对视频监控中人脸识别技术的研究逐渐看重。

人脸识别技术是一种新兴的生物识别技术，它包含了数字图像处理，模式识别，人工智能，模型理论等多种专业技术，利用分析比较的计算机技术来识别人脸。传统的人脸识别技术主要基于静态图像的人脸识别，因此当环境光照强度和角度变化时，人脸识别效果很差，缺陷十分明显。之后出现的三维图像人脸识别，热成像人脸识别等技术，也是为了解决光照影响而发起的，但改善效果并不明显。视频监控中的人脸识别相对于静态图像人脸识别，面临的任务更加艰巨，监控设备每天都会记录大量图像数据，但只有部分图像有我们想要的人物片段。而且视频中的人很少处于静止状态，人脸不会主动对准镜头，很难提取出高清完整的人脸图像，更不用说随时变化的环境光照条件了。2002年，美国NIST举办了FRVT（Facce Recognition Vendor Test），对人脸识别技术在静态图像和视频中的识别性能进行了测试。结果表明人脸识别系统对于光照、姿态、角度等变量依然十分敏感，视频人脸识别效果远不如静态图像识别。在这方面反映出的问题说明将人脸识别应用于视频监控中仍需要研究人员的进一步努力。

本设计使用深度学习的方法来训练人脸模型，深度学习源于人工神经网络，它在机器视觉、语音识别和语言处理等方面都表现出色。而使用高性能的CPU和GPU，能进一步提升深度学习处理事件的能力，这为监控视频中的事件和对象检测提供了可能性。因此，利用深度学习的方法来分析视频监控设备采集的图像数据，并对人脸模型进行训练能有效提高人脸识别的效率。

1.2 国内外研究现况

1.2.1国外研究现况

国外人脸识别的研究始于20世纪 60 年代，分为以下四个阶段：