人工智能综合项目开发- 课件 项目二 智能安防监控系统.pptx

人工智能综合项目开发;;;;种形式表示，第一种是关键点的位置相对于整张图像，第二种是关键点的位置相对于人脸框（标识出人脸在整个图像中的位置）。通常把第一种形状称作绝对形状，它的取值一般介于0到worh（宽或高），第二种形状称作相对形状，它的取值一般介于0到1。这两种形状可以通过人脸框来做转换。

在face recognition识别中，需要用到KNN（K-NearestNeighbor）分类器，KNN通过测量不同特征值之间的距离进行分类。它的思路是：如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。;图2.1人脸识别关键点特征

如图2.1所示，基于深度学习的人脸识别流程主要包括人脸预处理（检测、对齐、标准化、数据增强等）、特征学习、特征比对等步骤，本小节主要描述人脸识别模型的部署功能实现。;图2.2人脸识别模型流程图

1、人脸预处理

基于深度学习的人脸识别方法预处理流程如图2.3所示，通常包括人脸检测、关键点位、人脸姿态及灰度标准化、人脸数据裁剪及增强。

图2.3人脸预处理流程;人脸检测：人脸检测指检测出人脸图像中人脸的具体位置，通常用矩形框框出人脸，人脸检测技术是人脸识别不可或缺的重要环节。

人脸对齐：检测出人脸在图像中的位置后需要进行人脸对齐操作，人脸对齐指检测人脸特征点，如眉眼、鼻子、嘴角以及其他轮廓点。人脸对齐方法可分为判别式方法和生成式方法：生成式方法根据形状和外观构建人脸生成模型；判别式方法通常学习独立的局部检测器或回归器来定位每个面部关键点。人脸对齐的难点在于人脸尺度、光照、遮挡、姿态、复杂表情等带来的影响。

人脸标准化：为了算法的稳定性，一般会对图像进行一些数值标准化的处理，对不同光强、不同光源方向下得到的人脸图像进行补偿，以减弱由于光照变化造成的图像信号变化。

人脸数据增强：数据增强是基于深度学习的人脸识别方法常用的预处理步骤，目的是增加数据量。需要说明的是，基于深度学习的人脸识别模型在训练阶段使用数据增强，;而测试阶段则不使用。数据增强的方式多种多样，常见的方法是随机裁剪和镜像翻转。随机裁剪将图片随机裁剪成不同的图像块，镜像翻转指水平镜像翻转图片，全部翻转或以一定的概率翻转。

2、人脸图像深度特征学习

深度卷积神经网络的网络结构和损失函数是影响人脸深度特征学习及识别性能的两个关键因素。2012年，Hinton和其学生Krizhevsky首次将深度卷积神经网络成功应用于解决计算机视觉领域的关键问题，之后，VGGNet，GoogLeNet以及ResNet这三类网络相继被提出并成功被应用于物体识别和人脸识别。在经典的多分类损失函数Softmaxloss基础上，损失函数的设计问题受到广泛关注，通过引入分类间隔及度量学习等机制使得人脸深度特征学习具有强的判别性，人脸识别的性能不断得到提高。

深度学习的最大优势在于由训练算法自行调整参数权重，构造出一个准确率较高的f(x)函数，给定一张照片则可以获取到特征值，进而再归类。有3个关键指标：;检测率：存在人脸并且被检测出的图像在所有存在人脸图像中的比例；;;;任务一智能安防监控系统构建

智能门锁是指区别于传统机械锁的基础上改进的，在用户安全性、识别、管理性方面更加智能化简便化的锁具。智能门锁是门禁系统中锁门的执行部件。

当人去开锁时，摄像头会自动去识别人的面部图像，并将读取到的图像传输给人脸识别模型进行图片比对分析，通过WiFi通信功能，将识别结果信息发送给智能节电核心控制板，智能节电核心控制板将信息进行判断处理，如果相似度高，则通过串口向智能门锁执行器发送开锁指令；如果相似度低，则通过串口向智能门锁执行器发送报警指令。

人脸识别门禁开锁流程如图2.5所示：;;;;;;Thankyoufor

watching.