基于android的人臉識別系統(tǒng)研究

基于android的人臉識別系統(tǒng)研究摘要國內外有不少的公司提供了人臉識別的各個平臺下的API服務。例如FACE++、百度、科大訊飛人、漢王云等公司都提供了相關的API。Facebook，騰訊的QQ空間這些社交網(wǎng)絡平臺也都有人臉識別功能服務，幫助用戶找到可能認識的人。面對于Android本身的API中，Google就提供了人臉檢測的API，小米公司的MIDI系統(tǒng)、華為的部分機型均集成了人臉解鎖功能。本文主要的內容是研究了人臉識別的算法，以及研究的算法在Android平臺下的具體實現(xiàn)。主要的關鍵問題就是人臉特征的提取和混合核函數(shù)的SVM人臉識別方法。關鍵詞：android系統(tǒng)；人臉識別系統(tǒng)；人臉檢測；圖像處理 AbstractManycompaniesathomeandabroadalsoprovidethefacerecognitionofthevariousplatformsundertheAPIservices.Forexample,face++，Baidu,Hkustflying,HanWangyunandothercompanieshaveprovidedrelatedApioFaeebook,TencentQQspaceThesesocialnetworkplatformalsohavefacerecognitionfunctionservicestohelpusersfindpossiblepeople.AndforAndroid'sownAPI,GoogleprovideshumanfacedetectionAPI,milletCompany'sMIDIsystem,Huawei'spartofthemodelareintegratedwithfaceunlockfunction.Themaincontentofthispaperistostudythealgorithmoffacerecognition,andtheimplementationofthealgorithmundertheAndroidplatform.ThemainkeyproblemsaretheextractionoffacefeatureandthemethodofSVMfacerecognitionwithmixedkernelfunction.Keywords:androidsystem;facerecognitionsystem;facedetection;imageprocessing 目錄TOC\o"1-5"\h\z\u1緒論 11.1研究目的 11.2研究意義 12人臉圖像預處理 12.1灰度歸一化 22.2直方圖均衡化 22.3圖像平滑 43人臉檢測與特征提取 43.1人臉檢測技術 43.2基于Adaboost的人臉檢測方法 53.3人臉特征提取技術 64系統(tǒng)設計與實驗結果 74.1設計目的 74.2功能實現(xiàn) 74.2.1Gabor小波變換 74.2.2主成分分析法 94.2.3最近鄰法 104.2.4支持向量機 114.3工作流程圖 124.4不同實驗結果分析 134.4.1不進行預處理 144.4.2進行預處理 154.5存在的問題和不足 155Android平臺人臉辨識實現(xiàn)以及開發(fā)環(huán)境 165.1Android系統(tǒng)介紹 165.2Android上的運行效果圖 175.3硬件環(huán)境 175.4軟件環(huán)境 185.5運行環(huán)境 186結論 18參考文獻 20致謝 241緒論1.1研究目的當前，人工智能理論的研究已經應用于智能搜索、博弈、自然語言處理、機器視覺等多個方面，隨著近幾年移動互聯(lián)網(wǎng)的爆發(fā)，身份識別的需求也越來越普及，網(wǎng)絡銀行業(yè)務辦理、互聯(lián)網(wǎng)相關業(yè)務帳號的注冊、校園卡業(yè)務辦理，甚至各大商場的優(yōu)惠卡的業(yè)務辦理，無一例外需要各種身份驗證，由于這類身份驗證的需求量過大，尤其表現(xiàn)在互聯(lián)網(wǎng)上各種網(wǎng)絡帳號的申請，原始的帳號密碼呈現(xiàn)出了很大的弊端，各種不同的帳號密碼讓用戶產生了混淆，可能一些帳號一段時間不使用就會忘記密碼甚至帳號，給用戶帶來了極大的不便，增加了無意義的記憶負擔；而所有帳號全部使用相同的密碼存在很大的安全隱患，例如之前的12306，CSDN帳號密碼泄漏事件，一旦帳號密碼被不法份子獲取，會給用戶的錢財和隱私帶來威脅。因此尋找一種更簡便、快捷、安全的身份驗證方式成為了各大高校實驗室、研究所、知名互聯(lián)網(wǎng)研究院等研究機構的研究熱點。1.2研究意義從身份識別的趨勢以及移動互聯(lián)網(wǎng)發(fā)展趨勢考慮，基于AndroidOS的人臉識別系統(tǒng)的研究很有前景，例如，這幾年的時間，很多電商、020平臺興起，移動互聯(lián)網(wǎng)上的身份驗證應用場景越來越多，例如支付寶、微信支付、美團、餓了么、大眾點評、滴滴打車等應用已經滲入人們衣食住行的方方面面，給人們的生活帶來的極大的方便，同時也帶來了相應的安全隱患，因此，考慮通過人臉識別的方式來取代傳統(tǒng)帳號密碼的必要性不言而喻。同時這項工程也具有很大的挑戰(zhàn)性，首先人臉識別一直存在拍攝時光線干擾、被拍攝者的表情姿態(tài)、樣本的殘缺等難點問題需要解決；另一方面，基于AndroidOS的終端性能雖然在不斷提高，但是相比傳統(tǒng)PC的CPU，性能上仍然有不小差距，因此在識別效率上相比傳統(tǒng)PC會慢一點，尤其是在大規(guī)模識別的應用場景下，例如警方對嫌疑人的照片進行識別，以及一些人臉搜索系統(tǒng)等，效率會成為一個比較重要的參考因素；最后，人臉識別具有很高的理論研究價值，它涉獵的知識范圍到較廣，有一定的深度。綜上所述，基于Android平臺下的人臉識別應用具有較大的研究意義。2人臉圖像預處理圖像預處理，是將每一個文字圖像分檢出來交給識別模塊識別，這一過程稱為圖像預處理。在圖像分析中，對輸入圖像進行特征抽取、分割和匹配前所進行的處理。圖像預處理的主要目的是消除圖像中無關的信息，恢復有用的真實信息，增強有關信息的可檢測性和最大限度地簡化數(shù)據(jù)，從而改進特征抽取、圖像分割、匹配和識別的可靠性。2.1灰度歸一化使圖像的某些特征在給定變換下具有不變性質的一種圖像標準形式。圖像的某些性質，例如物體的面積和周長，本來對于坐標旋轉來說就具有不變的性質。在一般情況下，某些因素或變換對圖像一些性質的影響可通過歸一化處理得到消除或減弱，從而可以被選作測量圖像的依據(jù)。例如對于光照不可控的遙感圖片，灰度直方圖的歸一化對于圖像分析是十分必要的?；叶葰w一化、幾何歸一化和變換歸一化是獲取圖像不變性質的三種歸一化方法。2.2直方圖均衡化灰度直方圖（histogram）統(tǒng)計了圖象中各個灰度級的象素的個數(shù)。計算：若圖象具有L級灰度（通常L=256，即8位灰度級），則大小為m*n的灰度圖象f（x，Y）的灰度直方圖H[k]，k=0…L-1，可按如下步驟計算獲得：1)初始化：for（k=0；k<L；k++）H[k]=0；2)統(tǒng)計：for（x=0；x<m；x++）for（y=0；y<n；y++）H[f（x，y）]++；3)規(guī)格化：for（x=0；x<m；x++）for（y=0；y<n；y++）H（f(x，y）)/=float（m(n）)；直方圖均衡化：直方圖均衡化是通過灰度變換將一幅圖象轉換為另一幅具有均衡化的直方圖，即在每個灰度級上都具有相同的象素點數(shù)的過程。直方圖均衡化變換：設灰度變換s=f（r）為斜率有限的非減連續(xù)可微函數(shù)，它將輸入圖象Ii（x，y）轉換為輸出圖象Io（x，y），輸入圖象的直方圖為Hi（r），輸出圖象的直方圖為Ho（s），則根據(jù)直方圖的含義，經過灰度變換后對應的小面積元相等：Ho（s）ds=Hi（r）dr變換函數(shù)f（r）必須滿足下列2個條件：（1）f（r）（O(r(1）是單值函數(shù)、且單調增加；（2）O（f(r）（1，(O(r(1）。上面第一個條件保證了灰度級從黑到白的次序，第二個條件保證了變換后象素的灰度級仍然在容許的范圍之內。r=f-l（s）為逆變換函數(shù)，同樣也要滿足上述條件。直方圖修正的例子假設有一幅圖像，共有64（64個象素，8個灰度級），試進行直方圖均衡化處理。根據(jù)公式可得：s2=0.19+0.25+0.2l=0.65，s3=0.19+0.25+0.2l+0.16=0.8l，s4=0.89，s5=0.95，s6=0.98，s7=1．00。由于這里只取8個等間距的灰度級，變換后的s值也只能選擇最靠近的一個灰度級的值。因此，根據(jù)上述計算值可近似地選取：sO"1/7，s1¨3/7，s2¨5/7，s3"6/7，s4¨6/7，s5¨1，s6¨l，s7¨1?？梢?，新圖像將只有5個不同的灰度等級，于是我們可以重新定義其符號：s'O=l/7，s’1=3/7，s'2=5/7，s’3=6/7，s’4=l。因為由rO=O經變換映射到sO=1/7，所以有n0=790個象素取sO這個灰度值；由rl=3/7映射到sl=3/7，所以有1023個象素取s1這一灰度值；依次類推，有850個象素取s2=5/7這一灰度值；由于r3和r4均映射到s3=6/7這一灰度值，所以有656+329=985個象素都取這一灰度值；同理，有245+122+81=448個象素都取s4=1這一灰度值。上述值除以n=4096，便可以得到新的直方圖。離散情況下不可能作到絕對的一致。2.3圖像平滑消除圖像中隨機噪聲的技術。對平滑技術的基本要求是在消去噪聲的同時不使圖像輪廓或線條變得模糊不清。常用的平滑方法有中值法、局部求平均法和k近鄰平均法。局部區(qū)域大不可以是固定的，也可以是逐點隨灰度值大小變化的。此外，有時應用空間頻率域帶通濾波方法。3人臉檢測與特征提取3.1人臉檢測技術人臉檢測的英文名稱是FaceDetection，人臉檢測問題最初來源于人臉識別（FaceRecognition）。人臉識別的研究可以追溯到上個世紀六、七十年代，經過幾十年的曲折發(fā)展已日趨成熟。人臉檢測是自動人臉識別系統(tǒng)中的一個關鍵環(huán)節(jié)。早期的人臉識別研究主要針對具有較強約束條件的人臉圖象（如無背景的圖象），往往假設人臉位置一直或者容易獲得，因此人臉檢測問題并未受到重視。隨著電子商務等應用的發(fā)展，人臉識別成為最有潛力的生物身份驗證手段，這種應用背景要求自動人臉識別系統(tǒng)能夠對一般圖象具有一定的識別能力，由此所面臨的一系列問題使得人臉檢測開始作為一個獨立的課題受到研究者的重視。今天，人臉檢測的應用背景已經遠遠超出了人臉識別系統(tǒng)的范疇，在基于內容的檢索、數(shù)字視頻處理、視頻檢測等方面有著重要的應用價值。人臉檢測是一個復雜的具有挑戰(zhàn)性的模式檢測問題，其主要的難點有兩方面，一方面是由于人臉內在的變化所引起：（1）人臉具有相當復雜的細節(jié)變化，不同的外貌如臉形、膚色等，不同的表情如眼、嘴的開與閉等（2）人臉的遮擋，如眼鏡、頭發(fā)和頭部飾物以及其他外部物體等；另外一方面由于外在條件變化所引起：（1）由于成像角度的不同造成人臉的多姿態(tài)，如平面內旋轉、深度旋轉以及上下旋轉，其中深度旋轉影響較大（2）光照的影響，如圖像中的亮度、對比度的變化和陰影等。（3）圖像的成像條件，如攝像設備的焦距、成像距離，圖像獲得的途徑等等。這些困難都為解決人臉問題造成了難度。如果能找到一些相關的算法并能在應用過程中達到實時，將為成功構造出具有實際應用價值的人臉檢測與跟蹤系統(tǒng)提供保證。每個人都有一張臉，而且是一個人最重要的外貌特征。這種技術最熱門的應用領域有三個方面：第一，身份認證與安全防護。在這個世界上，只要有門的地方幾乎都帶有一把鎖。當然，在許多安全級別要求較高的區(qū)域，例如金融機構、機關辦公大樓、運動場館、甚至重要設施的工地，都需要對大量的人員進行基于身份認證的門禁管理。手機、筆記本電腦等個人電子用品，在開機和使用中經常要用到身份驗證功能。第二，媒體與娛樂。人們的許多娛樂活動都是跟臉部有關的。最著名的娛樂節(jié)目之一就是川劇的變臉。在網(wǎng)絡虛擬世界里，通過人臉的變化，可以產生大量的娛樂節(jié)目和效果。手機、數(shù)碼相機等消費電子產品中，基于人臉的娛樂項目越來越豐富。QQ、MSN等即時通信工具以及虛擬化身網(wǎng)絡游戲也是人臉合成技術的廣闊市場。第三，圖像搜索。傳統(tǒng)搜索引擎的圖像搜索其實還是文字搜索?；谌四槇D像識別技術的搜索引擎將會具有廣泛的應用前景。而且大部分以圖片作為輸入的搜索引擎，例如tineye（2008年上線）、搜狗識圖（2011年上線）等，本質上是進行圖片近似拷貝檢測，即搜索看起來幾乎完全一樣的圖片。2010年推出的百度識圖也是如此，在經歷兩年多的沉寂之后，百度識圖開始向另一個方向探索。與之前的區(qū)別在于，如果用戶給出一張圖片，百度識圖會判斷里面是否出現(xiàn)人臉，如果有，百度識圖在相似圖片搜索之外，同時會全網(wǎng)尋找出現(xiàn)過的類似人像。新增加的技術簡而言之，首先是人臉檢測并提取出特征表達，隨后再據(jù)此進行數(shù)據(jù)庫對比，最后按照相似度排序返回結果。其實，人臉檢測并不是新技術，相關研究已有三十年歷史，然而直到去年底，百度才決定推動這一技術付諸實施。3.2基于Adaboost的人臉檢測方法對人臉檢測的研究最初可以追溯到20世紀70年代，早期的研究主要致力于模板匹配、子空間方法，變形模板匹配等。近期人臉檢測的研究主要集中在基于數(shù)據(jù)驅動的學習方法，如統(tǒng)計模型方法，神經網(wǎng)絡學習方法，統(tǒng)計知識理論和支持向量機方法，基于馬爾可夫隨機域的方法，以及基于膚色的人臉檢測。目前在實際中應用的人臉檢測方法多為基于Adaboost學習算法的方法。Viola人臉檢測方法是一種基于積分圖、級聯(lián)檢測器和AdaBoost算法的方法，方法框架可以分為以下三大部分：第一部分，使用Harr-like特征表示人臉，使用“積分圖”實現(xiàn)特征數(shù)值的快速計算；第二部分，使用Adaboost算法挑選出一些最能代表人臉的矩形特征（弱分類器），按照加權投票的方式將弱分類器構造為一個強分類器；第三部分，將訓練得到的若干強分類器串聯(lián)組成一個級聯(lián)結構的層疊分類器，級聯(lián)結構能有效地提高分類器的檢測速度。Adaboost算法是一種用來分類的方法，它的基本原理就是“三個臭皮匠，頂個諸葛亮”。它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。3.3人臉特征提取技術表情特征提取是指對人臉的器官特征、紋理區(qū)域和預定義的特征點進行定位和提取。它是人臉表情識別中的核心步驟，是識別技術的關鍵，它決定著最終的識別結果，直接影響識別率的高低。人臉特征提取算法需要對人臉的器官特征、紋理區(qū)域和預定義的特征點進行定位和提取。人臉表情識別分為三個核心環(huán)節(jié)：人臉檢測、人臉表情特征提取、人臉表情的情感分類。人臉被檢測定位后，根據(jù)人臉描繪方法不同采用不同的特征提取方法進行面部表情信息的提取，然后根據(jù)提取的表情信息進行表情分類。人臉特征提取是人臉表情識別中的核心步驟，是識別技術的關鍵，它決定著最終的識別結果，直接影響識別率的高低。國內外在人臉檢測方面已做了大量的研究，且已有相關的有效方法及成果報道，面對于表情特征提取算法的研究還處于探索之中。雖然國內外研究人員已經提出了一些特征提取的方法，但由于影響人臉表情識別性能的因素很多，如環(huán)境、光照、年齡、姿態(tài)、圖像分辨率和成像噪聲等因素，因此特征提取的方法亟待改進。表情特征提取主要是采用數(shù)學方法，依靠計算機技術對人臉表情的數(shù)字圖像進行數(shù)據(jù)的組織和處理，提取表情特征，去除非表情噪聲的方法。在某些情況下，特征提取算法提取了圖像的主要特征，客觀上降低了圖像的維數(shù)，因此這些特征提取算法也具有特征降維的作用。人臉表情的產生是一個很復雜的過程，如果不考慮心理和環(huán)境因素，呈現(xiàn)在觀察者面前的就是單純的肌肉運動，以及由此帶來的面部形體和紋理的變化。靜態(tài)圖像呈現(xiàn)的是表情發(fā)生時單幅圖像的表情狀態(tài)，動態(tài)圖像呈現(xiàn)的是表情在多幅圖像之間的運動過程。因此根據(jù)表情發(fā)生時的狀態(tài)和處理對象來區(qū)分，表情特征提取算法大體分為基于靜態(tài)圖像的特征提取方法和基于動態(tài)圖像的特征提取方法。其中基于靜態(tài)圖像的特征提取算法可分為整體法和局部法，基于動態(tài)圖像的特征提取算法又分為光流法、模型法和幾何法。4系統(tǒng)設計與實驗結果4.1設計目的通過對每個算法的實現(xiàn)，分別對兩種特征提取算法和分類算法的性能進行研究分析，再比較實驗數(shù)據(jù)得出結論，便于最后在人臉識別系統(tǒng)的集成上結合需求選擇較優(yōu)的算法。4.2功能實現(xiàn)4.2.1Gabor小波變換算法描述：修改Gabor函數(shù)的sigma參數(shù)和theta參數(shù)，來獲取Gabor濾波器，這樣在提取到不同局部細節(jié)的紋理特征的同時，還能夠提取到全局性比較強的特征，同時又能減少噪聲的干擾。核心代碼：Matkernel_re(width,height,ktype);//實部Matkernel_im(width,height,ktype);//虛部Matkernel_mag(width,height,ktype);//模doubletmp1,tmp2,tmp3;for(intj=-half_height;j<=half_height;j++){for(inti=-half_width;i<=half_width;i++){tmp1=exp(-(Kv*Kv*(j*j+i*i))/(2*sqsigma));tmp2=cos(Kv*cos(Qu)*i+Kv*sin(Qu)*j)-postmean;tmp3=sin(Kv*cos(Qu)*i+Kv*sin(Qu)*j);if(ktype==CV_32F)kernel_re.at<float>(j+half_height,i+half_width)=(float)(Kv*Kv*tmp1*tmp2/sqsigma);elsekernel_re.at<double>(j+half_height,i+half_width)=(double)(Kv*Kv*tmp1*tmp2/sqsigma);if(ktype==CV_32F)kernel_im.at<float>(j+half_height,i+half_width)=(float)(Kv*Kv*tmp1*tmp3/sqsigma);elsekernel_im.at<double>(j+half_height,i+half_width)=(double)(Kv*Kv*tmp1*tmp3/sqsigma);}}//gabor濾波響應的模magnitude(kernel_re,kernel_im,kernel_mag);if(kernel_pare("real")==0)returnkernel_re;elseif(kernel_pare("imag")==0)returnkernel_im;else{printf("Invalidkernelname!\n");returnkernel_mag;}運行結果：本文使用AR人臉數(shù)據(jù)庫里的人臉圖像對程序進行測試，原始圖像如下圖4.1所示；Gabor特征提取結果如下圖4.2所示，Gabor不同方向、不同頻率的濾波器效果圖和4.3所示：圖4.1原始圖像圖4.2Gabor特征提取圖4.3Gabor濾波器4.2.2主成分分析法算法描述：先對數(shù)據(jù)進行初始化處理，然后再PCA處理,計算出平均向量pMean、高維度數(shù)據(jù)的主要特征值pEigVals和特征向量pEigVecs。核心代碼：PCApca(data,Mat(),CV_PCA_DATA_AS_ROW,num_components);Matmean=pca.mean.clone();//原始數(shù)據(jù)的均值Mateigenvalues=pca.eigenvalues.clone();//協(xié)方差矩陣的特征值Mateigenvectors=pca.eigenvectors.clone();//特征向量運行結果：本文使用AR人臉數(shù)據(jù)庫對程序進行測試，PCA特征臉如下圖4.4所示：圖4.4PCA特征臉4.2.3最近鄰法算法描述：近鄰算法是一種分類和識別方法，它直接根據(jù)樣本提供的信息進行決策。假設有一組n個樣本，每個樣本都已經有類別標志。如果待分類樣本X有和這n個樣本中相距最近的一個樣本，就把X分到這個樣本中。核心代碼：CvKNearestknn(&d1,&d2,0,false,K);//調用帶訓練的構造函數(shù)CvMat*nearests=cvCreateMat(1,K,CV_32FC1);//一個樣本的k個鄰居的響應intret=knn.find_nearest(&d3,K,0,0,nearests,0);

運行結果：最近鄰算法識別結果如下圖4.5所示：圖4.5最近鄰人臉識別效果圖4.2.4支持向量機算法描述：對于多分類識別的問題，一般采用的方式有“一對多”和“一對一”等。這次我的畢業(yè)設計則是采用了“一對多”的方式來進行分類識別。先構造分類器，然后再訓練第i個分類器，方便用來區(qū)別第i個樣本和其他樣本，分類的時候，如果只有第i個分類器的輸出是+1，那么這個樣本的類別就和第i個分類器相同；如果所有分類器的輸出是-1的話，那么這個樣本就是一個新的樣本。核心代碼：//訓練CvSVMsvm=CvSVM();CvSVMParamsparam;CvTermCriteriacriteria;//迭代器模型criteria=cvTermCriteria(CV_TERMCRIT_EPS,1000,FLT_EPSILON);param=CvSVMParams(CvSVM::C_SVC,CvSVM::RBF,10.0,8.0,1.0,10.0,0.5,0.1,NULL,criteria);svm.train(data,res,Mat(),Mat(),param);svm.save("SVM_DATA.xml");CvSVMsvm=CvSVM();svm.load("SVM_DATA.xml");svm.predict(m);//對樣本向量m檢測運行結果：本文對該程序進行了測試，使用支持向量機方法對人臉進行識別，結果如下圖4.6所示：圖4.6支持向量機人臉識別效果圖4.3工作流程圖開始開始人臉檢測結果人臉預處理Gabor小波變換PCA降維最近鄰分類器圖像識別SVM分類器圖像識別結束圖4.7人臉預處理和識別工作流程圖4.4不同實驗結果分析本文主要采用AR人臉數(shù)據(jù)庫對所有算法進行實驗。AR人臉數(shù)據(jù)庫是經典的人臉庫,主要用于人臉檢測與識別。人臉庫中圖片都是bmp格式的，由50位男性和50位女性的組成，一共1400張。其中Gallery數(shù)據(jù)庫中有700張，Test數(shù)據(jù)庫中有700張，都采集了每個人不同光照情況、不同表情下的人臉作為測試。在進行實驗時，我主要使用了Test數(shù)據(jù)庫中的20個人的圖像，共140張人臉圖像進行訓練測試。進行歸一化處理后圖片大小都是50*60。AR人臉數(shù)據(jù)庫如下圖4.8所示：圖4.8AR人臉數(shù)據(jù)庫4.4.1不進行預處理在沒有預處理的情況下各種算法的人臉識別。實驗結果數(shù)據(jù)統(tǒng)計如表4.1和表4.2所示：表4.1實驗結果數(shù)據(jù)統(tǒng)計PCA+NNPCA+SVMGabor+NNGabor+SVM識別率86.7%88.9%87.1%88.6%表4.2實驗結果數(shù)據(jù)統(tǒng)計Gabor+PCA+NNGabor+PCA+SVM識別率89.5%90.2%從表4.1可以看出，最近鄰的識別速度比支持向量機的識別速度快,但是支持向量機的識別率要高一些。從表4.2可以看出，分別使用Gabor小波、主成分分析法和支持向量機3者相結合和Gabor小波、主成分分析法和最近鄰算法3者相結合的算法，相較而言，前者的識別速度快一些，但是后者的識別效果好一些。再對比與表4.1，Gabor小波提取特征后，使用PCA降維，分類的識別率并沒有下降，相反識別時間減少了。這是因為經過PCA的處理后，雖然特征向量的維數(shù)大大降低，計算量也大大減少。但是我們保留下了人臉圖像中那些最明顯的、差異最大的特征，并且我們丟棄的那些特征相對來說都是一致的、區(qū)分力較差的。而通過PCA降維丟失的那些特征所損失的信息，可以通過在低維空間中更加精確地映射得以補償[26]。4.4.2進行預處理先對圖像進行直方圖均衡化，再使用各種算法的人臉識別。實驗結果數(shù)據(jù)統(tǒng)計如表4.3所示：表4.3實驗結果數(shù)據(jù)Gabor+PCA+NNGabor+PCA+SVM識別率91.1%91.9%根據(jù)表4.3的實驗數(shù)據(jù)，再與表4.2進行對比分析，可以看出圖像在進行直方圖均衡化后在進行識別分類，識別時間雖然略有增加，但是識別率方面有顯著提高，說明了圖像的預處理是很有必要的，不但能夠提高識別率，還能夠提高系統(tǒng)性能。面對這么多人臉識別分類的問題上，本次畢業(yè)設計在系統(tǒng)的集成上面，就主要是采用了直方圖均衡化進行預處理，然后在Gabor小波特征提取的基礎上，采用主成分分析（PCA）算法進行特征降維，然后再使用支持向量機（SVM）方法進行分類識別。融合了Gabor小波變換的良好的多尺度特征表達能力、以及PCA運算量小的特點和SVM方法良好的識別能力，所以，將三者結合具有很好的可行性和實際意義。4.5存在的問題和不足在設計時由于考慮不全，自己的編碼能力不強以及涉及到的各種算法的局限性，對圖像的識別率不是很高。相應算法的不足指出如下：直方圖均衡化雖然可以自動增強整個人臉圖像的對比度，但它不容易控制其具體的增強效果，所以預處理之后我們得到的都是全局均衡化的直方圖。PCA方法需要計算協(xié)方差矩陣的特征向量，所以當數(shù)據(jù)集的維數(shù)很高時，特征向量的計算會成為很大一個問題，會影響對整個系統(tǒng)的性能。同時，PCA是一種線性的特征提取技術，對于處理復雜的非線性數(shù)據(jù)效果不是很好。此外，經過變換后的像素改變了數(shù)據(jù)原始的物理特性，這樣不利于高光譜圖像的自動識別，所以PCA對光照變化圖像識別效果很差。Gabor濾波不能夠旋轉，而且它沒有利用像素之間空間的相互關系，而是對每個像素進行小波分解，并且小波系數(shù)的本身也是存在冗余的，因此，降維后得到的波段之間仍然存在很多冗余信息。最近鄰和支持向量機分類器也存在錯誤率。5Android平臺人臉辨識實現(xiàn)以及開發(fā)環(huán)境5.1Android系統(tǒng)介紹Android是Google于2007年11月05日發(fā)布的基于Linux平臺的開源移動操作系統(tǒng)的名稱，該平臺由操作系統(tǒng)、中間件、用戶界面和應用軟件組成。它采用堆棧式軟件架構，實現(xiàn)了從底層操作系統(tǒng)和頂層核心應用在內的豐富的功能集合。她主要分為三部分，底層是以Linux內核工作為基礎，由C語言開發(fā)，只提供基本功能；中間層包括函數(shù)庫Library和虛擬機VirtualMachine，由C++開發(fā)。最上層是各種應用軟件，包括通話程序，短信程序等，應用軟件則由各公司自行開發(fā)，以Java作為編寫程序的一部分。不存在任何以往阻礙移動產業(yè)創(chuàng)新的專有權障礙，號稱是首個為移動終端打造的真正開放和完整的移動軟件。5.2Android上的運行效果圖經過多次的測試，該程序在人臉識別方面，都能夠基本實現(xiàn)任務書要求的功能，基本能夠滿足人臉識別系統(tǒng)的整體要求，軟件界面運行結果如圖5.1，人臉識別運行結果如圖5.2和5.3。圖5.1軟件界面運行結果圖5.2人臉識別運行結果圖5.3人臉識別運行結果5.3硬件環(huán)境處理器：Intel(R)Core(TM)i3-2350MCPU@2.30GHz2.30GHz內存(RAM)：2G5.4軟件環(huán)境操作系統(tǒng)：Windows7/xpAndroid手機系統(tǒng)類型：32位操作系統(tǒng)編程語言：C++，Android，JAVA開發(fā)工具：VisualStudio2010，eclipse-androidOpenCVforwindows，OpenCVforandroid5.5運行環(huán)境軟件要求：Windows7（Microsoft.NETFrameworkSDK），Android2.3及以上硬件要求：CPU：IntelPentiumIV（或更高） 內存：512MB（或更高）6結論通過對本系統(tǒng)進行的多次的測試，系統(tǒng)正確實現(xiàn)了對程序加鎖，對私人信息加密，實現(xiàn)了用戶對私人信息的保護。在測試過程中對程序細節(jié)上出現(xiàn)的漏洞進行修補，系統(tǒng)運行的穩(wěn)定性基本達到要求，運行結果比較良好。在整個工程的構思方面還存在著不足，這些問題還需要今后逐一解決。與此同時，這個軟件還可以進一步擴展，帶給用戶更好的體驗與生活的便捷。在系統(tǒng)開發(fā)過程中，對Android的學習比想象的要困難的多，為了在短時間內投入到開發(fā)，完成系統(tǒng)。需要大量的時間去學習，我在圖書館借閱了相關開發(fā)的書籍，照著上面去學習，以最快的速度學習Android，掌握開發(fā)中的各種控件的使用。本文主要研究了Android平臺的架構以及在Android平臺上手機通訊錄功能的實現(xiàn)。本文在Android平臺以及在該平臺上開發(fā)手機通訊錄上做了大量的工作，但因個人能力有限，還有很多問題需要實現(xiàn)和解決，現(xiàn)對未來可以進行的工作做出以下幾點展望：（1）本文實現(xiàn)的加密解密是基于Android平臺進行開發(fā)的，但是還未能真正解析Android的精髓，系統(tǒng)的界面設計也不是很完善，對Android平臺進一步研究能夠使系統(tǒng)在設計方面更加快捷和完善。（2）本文所開發(fā)的系統(tǒng)目前還只是在模擬器上進行運行，還有待移植到真機上進行進一步研究。相信隨著研究的進一步深入，這些問題會逐步得到解決，相信基于Android程序鎖類和加密應用軟件會有很好的應用前景。這次系統(tǒng)的開發(fā)對我來說是一個挑戰(zhàn)，對于從來沒接觸過Android的我經過努力，現(xiàn)在程序運行良好，基本功能得以實現(xiàn)。這一次的系統(tǒng)開發(fā)讓我受益匪淺，我相信它會對我以后的人生和工作都起到很好的促進作用，有著積極的影響。參考文獻[1]馬國峻，周海東.輕量級智能終端人臉識別系統(tǒng)研究與實現(xiàn)[J].通信學報，2015，36（S1）：149-156.[2]張三友，王磊.基于Android的人臉識別系統(tǒng)設計與實現(xiàn)[J].軟件導刊，2016，15（04）：87-89.[3]錢柯橋.人臉識別在Android平臺下的研究與實現(xiàn)[J].現(xiàn)代工業(yè)經濟和信息化，2016，6（06）：102+107.[4]梁永睿.基于谷歌眼鏡的人臉識別系統(tǒng)設計與實現(xiàn)[J].物聯(lián)網(wǎng)技術，2016，6（06）：28-29+33.[5]馮麗，梁衛(wèi)，下慶凱.基于云平臺的移動尋人系統(tǒng)研究[J].青島大學學報（工程技術版），2016，31（03）：54-58.[6]劉亮.基于Android平臺的人臉識別系統(tǒng)設計與實現(xiàn)[J].電子技術與軟件工程，2016（20）：76-77.[7]陳梓嘉，鄭紫微.基于Android智能移動終端平臺的實時ORB人臉識別[J].數(shù)據(jù)通信，2017（02）：39-42.[8]黃玲.Android平臺上的CAMSHIFT人臉跟蹤算法改進設計[J].電腦編程技巧與維護，2017（06）：39-40+44.[9]倪迎花.人臉識別在Android平臺下的研究與實現(xiàn)[J].電腦知識與技術，2015，11（02）：158-159+162.[10]李永成，羅凱耀，劉凱，王紅紅，姜代紅.基于Android的防盜追蹤與隱私保護系統(tǒng)[J].軟件導刊，2015，14（07）：189-191.[11]趙峰.基于Android平臺人臉識別技術的應用[J].自動化與儀器儀表，2015（08）：226-229.[12]王少華，謝軍，雷露，戴國勇.人臉識別在智能手機安全保護中的應用[J].浙江樹人大學學報（自然科學版），2015，15（02）：11-14.[13]鄂生強，南琳.基于LBP的移動環(huán)境下的人臉識別研究[J].機械設計與制造，2012（11）：171-173.[14]吳美香，鄧園園，裴楓華，余松森，潘家輝.基于人臉識別的移動課堂考勤系統(tǒng)的設計與實現(xiàn)[J].軟件，2018，39（01）：5-8.[15]董雷剛，崔曉微，張丹，張華.基于人臉識別技術的學生考勤系統(tǒng)[J].大慶師范學院學報，2014，34（03）：15-18.[16]文成玉，金欣，董良.基于人臉識別的應用程序登錄助手設計[J].微型機與應用，2014，33（12）：95-98.[17]董雷剛，崔曉微，張丹，張華.基于人臉識別技術的學生考勤系統(tǒng)[J].大慶師范學院學報，2014，34（03）：15-18.[18]蔡芷鈴，林柏鋼，姜青山.基于人臉識別技術的Android平臺隱私保護系統(tǒng)設計[J].信息網(wǎng)絡安全，2014（09）：50-53.[19].新產品&新技術[J].中國信息安全，2014（07）：118.[20]楊帆，孫琨，丁永菲.基于FACE++和Android平臺的考場人臉識別系統(tǒng)[J].電子技術與軟件工程，2014（17）：92-94.[21]周明亮，朱一群，岑寶周.基于安卓的幼兒園監(jiān)控系統(tǒng)設計與實現(xiàn)[J].電子技術與軟件工程，2014（21）：102-105.[22]楊毅，徐淑正，喬飛，王靖淇，王生進.媒體認知實驗課程改革與實踐[J].計算機教育，2015（05）：103-106.[23]倪迎花.人臉識別在Android平臺下的研究與實現(xiàn)[J].電腦知識與技術，2015，11（02）：158-159+162.[24]夏戀嬛.人臉識別系統(tǒng)的設計與實現(xiàn)[J].電腦編程技巧與維護，2015（11）：77-78.[25]李永成，羅凱耀，劉凱，王紅紅，姜代紅.基于Android的防盜追蹤與隱私保護系統(tǒng)[J].軟件導刊，2015，14（07）：189-191.[26]趙峰.基于Android平臺人臉識別技術的應用[J].自動化與儀器儀表，2015（08）：226-229.[27]王少華，謝軍，雷露，戴國勇.人臉識別在智能手機安全保護中的應用[J].浙江樹人大學學報（自然科學版），2015，15（02）：11-14.[28]黃初指，李銘劍，陳斌.一種電力零散作業(yè)現(xiàn)場安全監(jiān)控方法[J].自動化應用，2015（10）：105+108.[29]馬國峻，周海東.輕量級智能終端人臉識別系統(tǒng)研究與實現(xiàn)[J].通信學報，2015，36（S1）：149-156.[30]李翊，陳星，嚴華.基于多疲勞信息融合的車載疲勞檢測系統(tǒng)的研究和實現(xiàn)[J].計算機測量與控制，2016，24（01）：16-19+27.[31]李霖西，劉國梁，王鏡涵，鄧密文，楊利嬌，喬波.基于Android平臺的網(wǎng)絡口令管家的設計與實現(xiàn)[J].電腦與信息技術，2016，24（01）：34-36.[32]黃初指，李銘劍，陳斌.電力小型作業(yè)現(xiàn)場安全監(jiān)控方法[J].電工技術，2016（01）：68-69.[33]孫偉，劉曉敏，王浩宇，楊海群.基于三重人臉識別身份驗證的門禁管理系統(tǒng)設計[J].計算機測量與控制，2016，24（02）：225-227+231.[34]張三友，王磊.基于Android的人臉識別系統(tǒng)設計與實現(xiàn)[J].軟件導刊，2016，15（04）：87-89.[35]王雅婷.指紋解鎖安全嗎[J].計算機與網(wǎng)絡，2016，42（08）：5