熱門論文
最新論文
人臉識別門禁系統基于樹莓派4b
發布時間：2022-04-30 10:22
緒論
生物識別技術是目前最流行的課題之一，人臉識別技術是最受歡迎的課題之一，應用廣泛，對該課題技術研發所需的知識領域也有廣泛的要求，需要涉及函數、生物技術、軟件編程等學科的內容。目前在這一領域取得了很大的進展和成就，但這一技術在實際應用中仍面臨著許多嚴重的問題，因為人臉有一定的相似性，人臉本身有很多肌肉，可以做出很多表情，環境對識別結果有很大的影響，比如光線。這些因素直接影響人臉識別的結果，帶來相當大的麻煩。而且，識別的可靠性和快速性必須得當。可靠性太強意味著算法太復雜，操作時間太長。如果對快速度要求太高，必然會閹割算法，從而降低準確性。因此，算法的優化是該技術應用的難題。幸運的是，人工智能技術的興起在算法優化中發揮了積極的作用。同時，雖然硬件技術的進步比軟件慢，但設備的計算能力也比以前有所提高，因此算法對該技術的阻礙可以在不久的將來得到解決。可以想象，人臉識別技術在門禁安全中的應用將大大提高人類安全水平，充分保障人民的人身和公共財產安全。
目前人臉識別的主要方法有：
1.基于模板的人臉識別方法：基于模板的匹配方法是編碼原模型庫中的人臉，提前存儲編碼圖像。當收到圖形信息進行比較時，以同樣的方式編碼圖形信息，然后比較兩個代碼，以獲得識別結果。該設計采用了基于haar-like特征的haar級聯分類器識別方法。
2.基于幾何特征的人臉識別方法:這種方法是通過提取樣本圖形中的幾何特征來創建人臉特征模型，并定位幾何特征，然后構建人臉的特征向量，然后將構建的特征向量與模型庫中的特征向量進行比較。如果比較結果大于一定閾值，以認為識別成功。因此，人臉特征模型的質量直接關系到最終識別的準確性。常見的典型模型有AAM(主動外觀模型)[1]。
3.基于神經網絡的人臉識別方法：本質上是基于人臉特征的識別方法，但不同于傳統的特征提取方法。通過多層網絡卷積降維獲得神經網絡特征的提取。神經網絡的主要作用是輸入樣本圖形，形成特征提取器和分類器，然后構建適合面孔檢測和識別的模型，其中常用的是CNN（卷積神經網絡）、RNN（遞歸神經網絡）和DNN（深度神經網絡）。
第一章關于樹莓派4B。
1.1樹莓派4B簡介及基本參數。
覆盆子4B是由英國慈善組織PasperyPi基金會于2019年6月24日在北京時間發布的微型計算機[2]，為初學者或電子愛好者學習計算機編程教育。覆盆子的功能非常強大，甚至可以在文本處理、電子表格、視聽娛樂等方面取代日常的個人桌面電腦，但只有一張身份證大小，可以攜帶完整的Linux系統和windowLot系統。覆盆子學校也被稱為單板電腦，其硬件結構完全建立在信用卡大小電路板上，這意味著覆盆子學校與傳統的普通個人電腦相比，雖然性能不足，降低了功耗要求和學習成本，因此覆盆子學校廣泛應用于教育領域，受到教育工作者和初學者的追捧和喜愛。
圖1.1樹莓派的外觀尺寸規格。
樹莓派4B配備了一個基于ARMCortex-A72的四核CPU，主頻為1，5GHz，內存為1/2/4GBLPDDDR4三種規格，可以滿足不同的開發要求。樹莓派有四個標準USB接口，其中兩個是高速USB3.0接口，兩個是USB2.0接口，具有豐富的擴展性能。樹莓派在視頻輸出方面有兩個micHDMI輸出接口，最多支持兩個4K30Hz視頻輸出。樹莓派不僅配備了千兆以太網口，還配備了支持5Ghz和2.4GHz雙頻WIFI的無線網卡，以確保藍牙通信。樹莓派配備了支持藍牙5.0標準的藍牙模塊。同時，樹莓派4B還配備了DSI顯示接口，可以連接DSI顯示輸出。為了保證供電的可靠性，樹莓派4B將原來的microusb供電接口改為TypeC類型的供電接口。一方面，供電電流得到改善，保證了各硬件高速運行時的電流，另一方面避免了人為因素造成的插座損壞，因為TypeC類型的接口可以插入接口，無論正面還是背面。樹莓派還有40pinGPIO引腳。我們將GPIO引腳設置為輸入或輸出狀態。通過這些引腳，我們可以實現樹莓派與其他硬件的數據交互，控制工作，讀取其他硬件的工作狀態。
表1.1樹莓派4B硬件參數表。
Soco
CPU
GPoco
藍牙
2*USB
HDCII接口(最高雙支持雙30Hz輸出)
網絡規則
供電
圖1.2樹莓派硬件接口圖。
圖1.3樹莓派40Pin引腳對照表。
1.2樹莓派4B系統的安裝配置過程。
覆盆子開發板上沒有專門的存儲芯片作為硬盤，只提供了一個SD卡接口，插入TF卡作為覆盆子硬盤，所以我們購買的覆盆子沒有配備任何操作系統。因此，使用覆盆子的第一步必須為覆盆子安裝操作系統。覆盆子官方網站提供的官方系統是基于直播的Raspbian系統。由于官方系統的穩定性和可靠性得到了保證，Ubuntumate等其他第三方系統的安裝幾乎相同。
我們需要一臺PC機從官網下載官方Raspbian系統鏡像。下載后，下載的系統鏡像通過ImageUSB等鏡像寫入軟件寫入事先準備好的TF。TF的存儲尺寸應大于16GB，讀寫速度越快越好。
當系統鏡像寫入時，我們將TF卡插入覆盆子，覆盆子供電后，覆盆子將自動進入TF系統。如果所有正常的覆盆子都將進入系統的初始化指導界面，并在進入桌面操作前根據實際情況正確填寫信息。
為了方便遠程軟件的編寫和調試，進入桌面后可以配置VNC服務。配置VNC服務后，可以通過PC機通過網絡遠程連接覆盆子桌面服務。VNC服務配置流程如下:
在終端中輸入sudoraspi-config打開配置界面，進入后依次選擇：interfacingoptions→VNC→YES，以正確啟用樹莓派VNC服務。
圖1.4樹莓派系統配置界面。
使用PC從VNC官員下載相應系統的客戶端。在VNC客戶端輸入覆盆子學校的IP地址并連接。此時，覆盆子學校需要有公共網絡IP或覆盆子學校和PC機身，然后輸入覆盆子學校的賬戶密碼。如果網絡暢通，VNC客戶端將能夠顯示和操作覆盆子學校圖形系統。
圖1.5PC機通過VNC服務遠程連接樹莓派。
高校學術論文網提供專業的碩士畢業論文寫作、博士論文寫作發表、碩士論文寫作發表、SCI論文寫作發表、職稱論文寫作發表、英文論文潤色的服務網站，多年來,憑借優秀的服務和聲譽贏得了社會的廣泛認可和好評，為畢業生解決寫論文的煩惱
關于OpenCV的第二章。
2.1openCV簡介。
OpenCV是Intel于1999年建立的計算機視覺項目。OpenCV是一個開源項目，可以跨平臺運行。換句話說，它可以在Windows系統、Linux和Macos上運行[3]，甚至現在也可以在Android和IOS移動終端系統上運行。OpenCV具有重量輕、效率高的特點。OpenCV主要由C++和C函數編寫，并為其他語言提供接口，如Python語言。OpenCV擁有并實現了大量關于圖像處理和計算機視覺的通用算法。
圖2.1openCV在Github上給出的開發日志。
樹莓派4B安裝配置2.2openCV。
打開樹莓派系統配置菜單，進入后依次選擇:Advancedoptions-ExpandFilesystem-YES，擴大文件系統，分配使用SD卡中未分配的空間。
擴展系統文件后，首先安裝OpenCV所依賴的操作庫和相關工具。安裝操作庫和相關工具后，在用戶文件夾下創建一個空文件夾，可以使用終端命令或文件操作軟件創建。
創建文件夾后，進入文件夾，使用gitclone命令克隆Opencv項目和Opencvcontrib項目的存儲庫。
GitHub上的圖2.2openCV代碼倉庫。
克隆后，進入opencv文件夾，再次創建一個空文件夾并進入，使用cmake命令設置編譯參數。
命令執行后，輸入執行make命令，OpenCV正式開始編譯，在編譯過程中占用大量的系統硬件資源，不要用覆盆子派做其他操作。make命令執行后使用:sudomakeinstall，開始安裝編譯后產生的程序。
圖2.3克隆OpenCV過程。
安裝完成后可輸入：python3-c“importcv2；print(cv2.___version__)“命令檢查opencv版本，如果安裝成功，將有版本號返回。
圖2.4openCV配置成功，版本號為4.3.0。
2.3關于OpenCV預設的人臉分類器。
如果我們想進行人臉識別，我們必須在第一步中通過檢測攝像頭傳輸的圖像來正確捕捉人臉。因此，檢測和捕捉人臉是最基本的任務。目前，最常用的檢測方法是使用Haar級聯分類器進行檢測。這種方法是保羅·維奧和麥克爾·鐘斯在他們的論文《基于簡單特征增強級聯的快速目標檢測》中提前提出的。該方法使用基于Haar特征的級聯分類器來檢測人臉[4]。使用Haar級聯分類器需要訓練大量的正負圖像，然后找到共性并提取特征。
Haar級聯分類器實際上使用了Boosting算法中的特殊AdaBoost算法，然后將訓練后獲得的強分類器級聯起來，在計算底層特征時，采用矩形特征和積分圖方法，使這個過程更加高效。
2.3.1關于Haar-like特征。
Har-like的特征包括四個部分:線性特征、邊緣特征、中心特征和對角線特征。為了簡單描述人臉的一些特征，我們需要知道圖像的灰度變化。例如，對于人眼來說，它的顏色深度必須大于人眼睛周圍的部分。為了描述圖形灰度的變化，我們需要建立一個基于Har-like特征的模板。該模板應具有黑白矩形像素。黑白像素的數量可以反映該區域的灰度值。因此，我們可以將該模板的特征值定義為所有白色像素的差異，并減去所有黑色像素的差異，使該特征值能夠描述該區域的灰度值。通過比較兩個模板的特征值，我們可以知道該區域的顏色更深。在實際應用過程中，計算機將相機捕捉到的圖像分為幾個區域，每個區域都需要Haar特征值，然后計算機可以從捕獲的圖像中獲得有價值的信息集合。由于計算機可以在圖像中的任何位置和大小區域獲取，因此特征值實際上是特征類別、區域大小和位置的函數。當位置、區域和大小發生變化時，Har-like的特征值會發生變化，這使得即使是一個小的檢測窗口也含有巨大的矩形特征。例如，在一個小的24px×24px區域，矩形特征超過10萬。因此，更高效地獲取圖像中的矩形特征及其關鍵。
上一篇：公司員工培訓體系優化設計方案
相關標簽:
