人脸识别技术是一种新型的识别技术。它是一种生物识别技术。人脸识别技术也是一个非常活跃的研究领域，涉及数字图像处理等许多领域。随着人们应用需求的不断深入，人脸识别技术将呈现出主流化，芯片化和标准化的趋势。将人脸识别技术应用于车站安全检查可以解决假冒，不一致以及试图持有虚假证书蒙混过关的现象。因此,基于人脸识别技术的智能安检技术无疑是当下热门的研究领域之一。

脸部识别系统主要由检测和定位，特征提取和识别的。这两个部件的基础上，还包括预处理步骤。对于自动站智能检票软件系统，整个识别处理可以概括为面部检测和定位，特征提取和识别。目前，用于面部检测的方法主要包括：改变皮肤颜色和灰度，一个复杂的统计学习方法，和类似的方法。本文扩展哈尔特征，并使用Adaboost算法准确地检测基于该特征面。哈尔特征是一种在Adaboost算法规定的标准矩形功能。通过计算简单的矩形特征和其扩展的功能，所需的图像可以快速，准确地发现。如眼、眉、鼻、嘴的位置以及轮廓线或关键点。

第1章　绪  论........................................................................................ 1

1.1 课题背景................................................................................................ 1

1.1.1 课题来源................................................................................................................ 1

1.1.2 生物特征识别的意义............................................................................................ 1

1.2  人脸识别技术的研究意义.................................................................... 2

1.2.1具有挑战的课题..................................................................................................... 2

1.2.2面部感知系统的重要内容..................................................................................... 3

1.2.3实际应用广泛......................................................................................................... 3

1.3  人脸识别的难点.................................................................................... 4

第2章　系统的需求分析和技术选型................................................. 5

2.1人脸识别技术.......................................................................................... 5

2.2人脸特征................................................................................................. 5

2.2.1 肤色特征................................................................................................................ 5

2.2.2 灰度特征................................................................................................................ 6

2.2.3 PCA人脸识别技术................................................................................................. 6

2.3 MVC技术模型......................................................................................... 6

2.4 开发环境的选择...................................................................................... 7

2.5 身份证阅读仪......................................................................................... 7

第3章 系统设计...................................................................................... 8

3.1系统设计概述......................................................................................... 8

3.2 数据采集................................................................................................ 9

3.3 特征匹配............................................................................................... 10

3.3.1 Adaboost算法......................................................................................................... 10

3.3.2 KNN匹配算法........................................................................................................ 11

3.4 身份证匹配........................................................................................... 11

3.4.1 身份证信息提取.................................................................................................... 12

3.4.2 信息匹配................................................................................................................ 12

第4章　系统实现................................................................................. 13

4.1 人脸匹配............................................................................................... 13

4.1.1 图像预处理............................................................................................................ 13

4.1.2 直方图均衡............................................................................................................ 14

4.1.3 人脸图像识别模块总体结构................................................................................ 14

4.1.4 仿真实验................................................................................................................ 14

4.1.5 阈值分割技术........................................................................................................ 15

4.1.6 Blob分析技术........................................................................................................ 16

4.1.7 边缘提取技术........................................................................................................ 17

4.1.8 面部区域分割结构图............................................................................................ 18

4.1.9 面部区域分割算法................................................................................................ 18

4.2身份信息匹配........................................................................................ 20

4.2.1 Adaboost算法......................................................................................................... 20

4.2.2 KNN匹配算法....................................................................................................... 20

随着安全门户控制和金融交易应用需求的快速增长，生物识别技术受到了新的关注。微电子和视觉系统的新进展使得在现场实施高性能自动识别技术的成本达到了可接受的水平。人脸识别是所有生物识别方法中使用最广泛的技术之一。人脸识别技术是最近的一次兴起。一种新型的身份识别技术，它是生物识别技术的一种。随着人们应用需求的不断深入，人脸识别技术将呈现出主流化、芯片化、标准化发展趋势。近年来受到了各国研究人员的普遍关注，主要用于安全保密等领域。在很多科幻电影中我们经常看到各种各样吸人眼球的技术和工具：在任意的场景中警察通过提取嫌疑人的面部特征，传输到计算机中，与公安系统中的人脸数据库进行对比，从而找到该目标人物的具体个人信息和相关的犯罪纪录，而这些事情并不是虚构的，在国外，人脸识别技术已广泛应用于军警等安全部门和国家重要部门。在我国，人脸识别技术的研究始于20世纪90年代，目前主要应用于网络安全、物业管理、考勤等领域。根据不同的信息源，人脸识别可以分为两类:基于静态人脸图像的识别和基于动态信息的识别。

随着人们生活质量的不断提高和国家交通的快速发展，人们对于生活效率的提高和日常出行的体验也越来越重视，所以在生活、旅游、工作等各种公共场景如何提高人们的生活效率是一个未来发展的重要课题。如果我们运用身份证人脸识别二合一进站，那么这样既保障了我们的安全也提高了我们本次出行的效率。

生物识别技术是一种使用认证的生物识别技术。每个生物特征都是独一无二的，每个人都是独一无二的，可以被测量或识别并自动验证为生理特征或行为，分为生理特征和行为特征。生物识别系统提取生物特征，提取它们独特的特征，并验证它们的身份。

许多当前的计算机系统，包括许多非常机密的系统，使用“用户ID +密码”方法进行用户认证和访问控制。实际上，这个程序意味着一些问题。例如，密码很容易被忘记，很容易被其他人窃取。而且，如果用户忘记了密码，他就无法进入系统。当然，系统管理员可以重置密码以重新启动工作，但是一旦系统管理员忘记密码，他只能重新安装整个系统。工作。各机构的调查表明，忘记密码已经成为IT供应商最常见的问题之一。

静态面部识别是模式识别的经典问题。传统的面部识别方法是，完整的匹配方法，最具代表性的是混合算法，作为主要的组件分析方法。大多数人类面部识别系统都依赖于人类面部特征的精确组合(例如眼睛的中心位置)，以使人类的脸正常化，从而提取出人类面部的描述性特征。静态面部识别系统主要由三个组成部分组成，检测和定位、特征提取和识别。

美国FERET数据库是人类面部识别最常用的实验数据库，包括多个人的图像、多个年龄、面部表情的各种变化、灯光的变化和姿势的变化。图像的数量和实验人员的数量也很大，这使得面部识别算法得到了适当的验证。没有图像库用于人类面孔的检测和定位。如图1.2所示是面部感知系统结构图。

目前人脸识别的难点主要存在于以下几个方面：

（1）照明的变化是影响人脸识别的性能的最重要的因素。这个问题的解决程度是相关的人脸识别过程的成功或失败。在面部图像预处理或正常化的阶段，它被补偿尽可能。消除其对识别性能的影响。

（2）成像角度和成像距离等因素的影响，即面部姿势的变化，使垂直于图像平面的两个方向的深度旋转，这导致面部信息的部分损失。

（3）不同年龄的面貌差异很大。每个人都会拍摄身份证，公安机关也会保留逃犯的照片。因此，在公安部门的实际应用中，年龄问题是最突出的问题之一。

（4）存在许多用于收集图像的设备，主要包括扫描仪，数码相机，相机等。类似于不同成像机制的面部图像的识别率高，并且面部图像的识别率不同。随着人脸识别技术的发展，这个问题将逐步得到解决。

（5）面部图像中的数据量很大。目前，由于大量的计算，大多数面部定位和识别算法使用小尺寸的灰度图像。256级灰度的64像素的图像具有4096个数据，并且每个数据具有256个可能的值。定位和识别算法通常非常复杂。在大型人脸数据库的情况下，计算量非常大，并且在许多情况下，速度是无法忍受的。灰度数据实际上会丢失有用的信息，例如颜色和运动。如果使用所有有用信息，计算量会更大。

在开始检测到之前，需要首先处理图像的外部环境从而确保图像不受光线等因素的干扰。紧接着，使用Adaboost算法的面部检测算法来检测面部图像并提取检测到的面部区域。最后，介绍人脸识别的方法。 人脸检测主要使用ORB特征检测算法。匹配检测到的面部图像的特征点主要使用KNN算法。通过比例测试、交互验证测试和随机抽样一致性测试进行错误匹配点的剔除。通过实验测试确定了人脸特征匹配中的阈值参数，根据阈值等参数来判定人脸图像是否为同一人。