1. 研究目的与意义

在科学技术快速发展的今天，智能手机作为互联网的主要载体之一，它同互联网一起快速兴起并且覆盖到了我们生活的每一方面，成为我们日常生活中必不可少的一种工具传统的实物钥匙和电子门禁卡容易被丢失和被不发份子盗用，手机软件的账号和密码容易被人们遗忘。所以传统的身份认证手段会逐步退出历史的舞台，而通过使用生物特征的方式进行个人身份验证和识别的方法将会取代传统的方法而登上新舞台。个体的生物学特性技术在最近几十年取得了非常快速的发展，人脸图像作为我们人类所具有的特殊生物属性，带有很强的生物个体差异性和自我稳定性不易受一般环境所影响。人脸的生物学特性已成为人脸自我识别最理想的基础然而基于移动终端上网有一个突出的问题摆在我们面前，那就是如何有效的保护用户自身的身份安全。

本课题拟完成基于安卓系统的人脸识别方法的设计与实现，以解决安卓系统的人脸的问题。本课题采用cnn作为人脸检测的算法。该人脸识别系统可在身份认证中应用

2. 课题关键问题和重难点

基于安卓系统的人脸识别方法:整个系统需要在pc端完成数据处理、模型训练的任务，在移动端进行实时人脸识别系统的构建，这就需要采取训练与界面开发相分离的机制。通常深度学习模型的训练手庞大且网络的参数规模和参数量都很大，由于移动端处理能力不够，所以网络的训练模型不能在移动端完成。所以需要在pc端利用gpu对网络进行训练，然后将训练好的模型部署于移动端。最后再移动端进行界面开发，加载训练好的模型。

本课题的关键：

3. 国内外研究现状（文献综述）

人脸识别的发展史主要上还是人脸特征表示方法的变迁史,，从最初的几何特征,到经验驱动的“人造特征”，最后到数据驱动的'表示学习'，人脸识别已历经了近60年的发展历程。

英国心理学家galton于1888年和1920年便在《nature》上发表了两篇关于人脸识别的论文，他将不同人脸的侧面特征用一组数字代表,但并未涉及afr问题。1965年，bledsoe等在panoramic research lnc上发表了第一篇afr的报告，他们用脸部器官间的间距(如两眼之间)、比率等参数作为特征，构建了一个半自动人脸识别系统,开始了真正意义上的人脸识别研究。1965年至1990年的人脸识别研究主要基于几何结构特征的方法以及基于模板匹配的方法。基于几何结构特征的方法一般通过提取人眼、口、鼻等重要特征点的位置，以及眼睛等重要器官的直观几何形状作为分类特征，计算量小。但当受光照变化、外物遮挡、面部表情变化等内外在因素影响时，所需特征点将无法精确定位，进而造成特征急剧变化。而基于模板匹配的方法则通过计算模板和图像灰度的自相关性来实现识别功能，但忽略了局部特征,造成部分信息丢失。这一阶段可以称为人脸识别的初级阶段,该阶段的研究只适用于人脸图像的粗略识别，无法在实际中应用。1992年brunelli等通过实验得出基于模板匹配的方法优于基于几何结构特征的方法的结论。

1991年到1997年是人脸识别研究的第二阶段，尽管时间短暂，却是非常重要的时期。大量的人力物力投入其中，如美国国防部发起的feret(face recognition technology test)资助了多项人脸识别研究，并创建了著名的feret人脸图像数据库，该项目极大地促进了人脸识别算法的改进及实用化，许多经典的人脸识别算法也都在这个阶段产生。具有里程碑意义的研究是麻省理工学院的turk等提出特征脸eigenface，该方法是后来其他大多数算法的基准。还有基于子空间分析的人脸识别算法fisherface，它首先通过主成分分析方法pca (principalcomponent analysis)将人脸降维，之后采用线性判别分析lda (linear discriminantanalysis)期望获得类间差异大且类内差异小的线性子空间，但正因如此，它无法对复杂的非线性模型进行建模。基于弹性图匹配的方法是一种将几何特征与对灰度分布信息的小波纹理分析相结合的识别算法，它利用人脸的基准特征点构造拓扑图，使其符合人脸的几何特征，然后获取人脸关键点的特征值进行匹配。该算法能够在局部结构的基础上保留全局结构，且能自动定位面部特征点，因此对角度变化具有一定的鲁棒性。其缺点是时间复杂度高，实现复杂。基于模型的方法如主动表观模型aams (active appearance models)是人脸建模方面的一个重要贡献。aams将人脸图像的形状和纹理分别用统计的方法进行描述，然后通过pca将一者融合来对人脸进行统计建模，该算法常用在人脸对齐上。另外比较经典的还有svd分解、人脸等密度线分析匹配、隐马尔可夫模型(hidden markovmodel) 以及神经网络等方法。总的来说，这这一阶段的人脸识别研究发展迅速，所提出的算法直接采用人脸图像中所有像素的颜色或灰度值作为初始特征，然后通过在训练数据上学习得到更具区分力的人脸表示。从技术方案上看， 2d人脸图像线性子空间判别分析、统计模式识别方法是这一阶段的主流技术。这这一阶段的人脸识别系统在较理想图像采集条件、用户配合、中小规模数据库上的情况下较为适用。

4. 研究方案

1. 系统总体设计系统总体设计如图1所示整个系统首先在pc端完成数据处理训练模型的任务，在移动端进行实时人脸识别系统的构建，采用孙连与界面开发相分离的机制。深度学习的模型的训练数据庞大且网络的参数规模和参数量都很大，由于移动端训练能力不够，所以神经网络模型的训练不能在移动端完成。系统在pc端利用gpu对网络进行训练，然后将训练好的模型，部署于移动端。在移动端进行用户界面开发、完成交互设计，并且完成前向传输开发，加载训练好的模型参数，提取图像特征，最终在移动端的人脸库中检索出目标。如图2所示，移动端设备首先通过调用摄像头进行图像数据采集，对采集到的图像进行预处理，加载人脸检测 模型，如果最终判定图像中没有人脸区域则不进行人脸识别的过程。如果判定图像中有任丽娜，则提取出人脸堆砌，最终得到的图像是一章只有一章人脸区域和少量背景的图像。最后加载训练好的卷积神经网络参数，将预处理之后的图像输入进网络进行前向传输，得到人脸特征，然后再移动端的人脸库中进行检索，如果检索成功则得到目标，否则提示在数据库中未检索到目标。2.核心功能图

5. 工作计划

2022-2023-1学期：

第15-16周：完成选题，查阅相关中英文资料。

第17周：与导师沟通进行课题总体规划。