热门论文
最新论文
人脸识别门禁系统基于树莓派4b
发布时间：2022-04-30 10:22
绪论
生物识别技术是目前最流行的课题之一，人脸识别技术是最受欢迎的课题之一，应用广泛，对该课题技术研发所需的知识领域也有广泛的要求，需要涉及函数、生物技术、软件编程等学科的内容。目前在这一领域取得了很大的进展和成就，但这一技术在实际应用中仍面临着许多严重的问题，因为人脸有一定的相似性，人脸本身有很多肌肉，可以做出很多表情，环境对识别结果有很大的影响，比如光线。这些因素直接影响人脸识别的结果，带来相当大的麻烦。而且，识别的可靠性和快速性必须得当。可靠性太强意味着算法太复杂，操作时间太长。如果对快速度要求太高，必然会阉割算法，从而降低准确性。因此，算法的优化是该技术应用的难题。幸运的是，人工智能技术的兴起在算法优化中发挥了积极的作用。同时，虽然硬件技术的进步比软件慢，但设备的计算能力也比以前有所提高，因此算法对该技术的阻碍可以在不久的将来得到解决。可以想象，人脸识别技术在门禁安全中的应用将大大提高人类安全水平，充分保障人民的人身和公共财产安全。
目前人脸识别的主要方法有：
1.基于模板的人脸识别方法：基于模板的匹配方法是编码原模型库中的人脸，提前存储编码图像。当收到图形信息进行比较时，以同样的方式编码图形信息，然后比较两个代码，以获得识别结果。该设计采用了基于haar-like特征的haar级联分类器识别方法。
2.基于几何特征的人脸识别方法:这种方法是通过提取样本图形中的几何特征来创建人脸特征模型，并定位几何特征，然后构建人脸的特征向量，然后将构建的特征向量与模型库中的特征向量进行比较。如果比较结果大于一定阈值，以认为识别成功。因此，人脸特征模型的质量直接关系到最终识别的准确性。常见的典型模型有AAM(主动外观模型)[1]。
3.基于神经网络的人脸识别方法：本质上是基于人脸特征的识别方法，但不同于传统的特征提取方法。通过多层网络卷积降维获得神经网络特征的提取。神经网络的主要作用是输入样本图形，形成特征提取器和分类器，然后构建适合面孔检测和识别的模型，其中常用的是CNN（卷积神经网络）、RNN（递归神经网络）和DNN（深度神经网络）。
第一章关于树莓派4B。
1.1树莓派4B简介及基本参数。
覆盆子4B是由英国慈善组织PasperyPi基金会于2019年6月24日在北京时间发布的微型计算机[2]，为初学者或电子爱好者学习计算机编程教育。覆盆子的功能非常强大，甚至可以在文本处理、电子表格、视听娱乐等方面取代日常的个人桌面电脑，但只有一张身份证大小，可以携带完整的Linux系统和windowLot系统。覆盆子学校也被称为单板电脑，其硬件结构完全建立在信用卡大小电路板上，这意味着覆盆子学校与传统的普通个人电脑相比，虽然性能不足，降低了功耗要求和学习成本，因此覆盆子学校广泛应用于教育领域，受到教育工作者和初学者的追捧和喜爱。
图1.1树莓派的外观尺寸规格。
树莓派4B配备了一个基于ARMCortex-A72的四核CPU，主频为1，5GHz，内存为1/2/4GBLPDDDR4三种规格，可以满足不同的开发要求。树莓派有四个标准USB接口，其中两个是高速USB3.0接口，两个是USB2.0接口，具有丰富的扩展性能。树莓派在视频输出方面有两个micHDMI输出接口，最多支持两个4K30Hz视频输出。树莓派不仅配备了千兆以太网口，还配备了支持5Ghz和2.4GHz双频WIFI的无线网卡，以确保蓝牙通信。树莓派配备了支持蓝牙5.0标准的蓝牙模块。同时，树莓派4B还配备了DSI显示接口，可以连接DSI显示输出。为了保证供电的可靠性，树莓派4B将原来的microusb供电接口改为TypeC类型的供电接口。一方面，供电电流得到改善，保证了各硬件高速运行时的电流，另一方面避免了人为因素造成的插座损坏，因为TypeC类型的接口可以插入接口，无论正面还是背面。树莓派还有40pinGPIO引脚。我们将GPIO引脚设置为输入或输出状态。通过这些引脚，我们可以实现树莓派与其他硬件的数据交互，控制工作，读取其他硬件的工作状态。
表1.1树莓派4B硬件参数表。
Soco
CPU
GPoco
蓝牙
2*USB
HDCII接口(最高双支持双30Hz输出)
网络规则
供电
图1.2树莓派硬件接口图。
图1.3树莓派40Pin引脚对照表。
1.2树莓派4B系统的安装配置过程。
覆盆子开发板上没有专门的存储芯片作为硬盘，只提供了一个SD卡接口，插入TF卡作为覆盆子硬盘，所以我们购买的覆盆子没有配备任何操作系统。因此，使用覆盆子的第一步必须为覆盆子安装操作系统。覆盆子官方网站提供的官方系统是基于直播的Raspbian系统。由于官方系统的稳定性和可靠性得到了保证，Ubuntumate等其他第三方系统的安装几乎相同。
我们需要一台PC机从官网下载官方Raspbian系统镜像。下载后，下载的系统镜像通过ImageUSB等镜像写入软件写入事先准备好的TF。TF的存储尺寸应大于16GB，读写速度越快越好。
当系统镜像写入时，我们将TF卡插入覆盆子，覆盆子供电后，覆盆子将自动进入TF系统。如果所有正常的覆盆子都将进入系统的初始化指导界面，并在进入桌面操作前根据实际情况正确填写信息。
为了方便远程软件的编写和调试，进入桌面后可以配置VNC服务。配置VNC服务后，可以通过PC机通过网络远程连接覆盆子桌面服务。VNC服务配置流程如下:
在终端中输入sudoraspi-config打开配置界面，进入后依次选择：interfacingoptions→VNC→YES，以正确启用树莓派VNC服务。
图1.4树莓派系统配置界面。
使用PC从VNC官员下载相应系统的客户端。在VNC客户端输入覆盆子学校的IP地址并连接。此时，覆盆子学校需要有公共网络IP或覆盆子学校和PC机身，然后输入覆盆子学校的账户密码。如果网络畅通，VNC客户端将能够显示和操作覆盆子学校图形系统。
图1.5PC机通过VNC服务远程连接树莓派。
高校学术论文网提供专业的硕士毕业论文写作、博士论文写作发表、硕士论文写作发表、SCI论文写作发表、职称论文写作发表、英文论文润色的服务网站，多年来,凭借优秀的服务和声誉赢得了社会的广泛认可和好评，为毕业生解决写论文的烦恼
关于OpenCV的第二章。
2.1openCV简介。
OpenCV是Intel于1999年建立的计算机视觉项目。OpenCV是一个开源项目，可以跨平台运行。换句话说，它可以在Windows系统、Linux和Macos上运行[3]，甚至现在也可以在Android和IOS移动终端系统上运行。OpenCV具有重量轻、效率高的特点。OpenCV主要由C++和C函数编写，并为其他语言提供接口，如Python语言。OpenCV拥有并实现了大量关于图像处理和计算机视觉的通用算法。
图2.1openCV在Github上给出的开发日志。
树莓派4B安装配置2.2openCV。
打开树莓派系统配置菜单，进入后依次选择:Advancedoptions-ExpandFilesystem-YES，扩大文件系统，分配使用SD卡中未分配的空间。
扩展系统文件后，首先安装OpenCV所依赖的操作库和相关工具。安装操作库和相关工具后，在用户文件夹下创建一个空文件夹，可以使用终端命令或文件操作软件创建。
创建文件夹后，进入文件夹，使用gitclone命令克隆Opencv项目和Opencvcontrib项目的存储库。
GitHub上的图2.2openCV代码仓库。
克隆后，进入opencv文件夹，再次创建一个空文件夹并进入，使用cmake命令设置编译参数。
命令执行后，输入执行make命令，OpenCV正式开始编译，在编译过程中占用大量的系统硬件资源，不要用覆盆子派做其他操作。make命令执行后使用:sudomakeinstall，开始安装编译后产生的程序。
图2.3克隆OpenCV过程。
安装完成后可输入：python3-c“importcv2；print(cv2.___version__)“命令检查opencv版本，如果安装成功，将有版本号返回。
图2.4openCV配置成功，版本号为4.3.0。
2.3关于OpenCV预设的人脸分类器。
如果我们想进行人脸识别，我们必须在第一步中通过检测摄像头传输的图像来正确捕捉人脸。因此，检测和捕捉人脸是最基本的任务。目前，最常用的检测方法是使用Haar级联分类器进行检测。这种方法是保罗·维奥和麦克尔·钟斯在他们的论文《基于简单特征增强级联的快速目标检测》中提前提出的。该方法使用基于Haar特征的级联分类器来检测人脸[4]。使用Haar级联分类器需要训练大量的正负图像，然后找到共性并提取特征。
Haar级联分类器实际上使用了Boosting算法中的特殊AdaBoost算法，然后将训练后获得的强分类器级联起来，在计算底层特征时，采用矩形特征和积分图方法，使这个过程更加高效。
2.3.1关于Haar-like特征。
Har-like的特征包括四个部分:线性特征、边缘特征、中心特征和对角线特征。为了简单描述人脸的一些特征，我们需要知道图像的灰度变化。例如，对于人眼来说，它的颜色深度必须大于人眼睛周围的部分。为了描述图形灰度的变化，我们需要建立一个基于Har-like特征的模板。该模板应具有黑白矩形像素。黑白像素的数量可以反映该区域的灰度值。因此，我们可以将该模板的特征值定义为所有白色像素的差异，并减去所有黑色像素的差异，使该特征值能够描述该区域的灰度值。通过比较两个模板的特征值，我们可以知道该区域的颜色更深。在实际应用过程中，计算机将相机捕捉到的图像分为几个区域，每个区域都需要Haar特征值，然后计算机可以从捕获的图像中获得有价值的信息集合。由于计算机可以在图像中的任何位置和大小区域获取，因此特征值实际上是特征类别、区域大小和位置的函数。当位置、区域和大小发生变化时，Har-like的特征值会发生变化，这使得即使是一个小的检测窗口也含有巨大的矩形特征。例如，在一个小的24px×24px区域，矩形特征超过10万。因此，更高效地获取图像中的矩形特征及其关键。
上一篇：公司员工培训体系优化设计方案
相关标签:
