1. 研究目的与意义
随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。
作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。
当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。
2. 课题关键问题和重难点
人脸识别系统是由人脸检测、人脸校正、特征提取、特征匹配。
人脸检测对拍到的图像处理使人脸从背景中初步提取出来。
人脸校正进一步对人脸图像进行精确定位校正。
3. 国内外研究现状（文献综述）
在Ａｄａｂｏｏｓｔ训练时使用的是Ｗ ｉｎｄｏｗｓ系统下兼容性较好的ＪＰＧ图像格式，所以需要把ｐｇｍ图像转化为ＪＰＧ图像．转化完成以后，由于人脸样本宽度较小，不利于正样本打包处理，本研究再将１９１９的ＪＰＧ图像转化为４０４０的ＪＰＧ图像．样本制备成功以后，需要生成样本描述文件．样本描述文件是在训练过程开始之前，把样本的列表生成一个文件保存起来，以备训练时调用．一般情况下，正样本的样本描述文件中记录了样本图片的文件名和样本的选择区域，负样本的样本描述文件只是文件名列表．正样本和负样本的列表描述文件均为ｔｘｔ格式． ＭＩＴ人脸库的样本为灰度图像，且分辨率较低，可能会影响训练的效果．本研究自建了人脸样本库，自建人脸库包括：个人收集的部分生活照和网上搜索得到的部分明星图片，利用ｉＳｅｅ图片专家从图片中进行人脸区域的选取．自建的人脸样本需要手动添加到正样本文件列表中，得到融合的样本列表文件之后，对正样本进行打包，得到Ｖｅｃ．ｖｅｃ文件．Ａｄａｂｏｏｓｔ训练之前还需要初始化大量的参数，包括４类：与样本相关的参数、 与特征相关的参数、与训练类型相关的参数和与控制相关的参数．至此，训练的全部准备工作已经完成． 样本的训练过程是按照Ａｄａｂｏｏｓｔ算法选择弱分类器，形成强分类器，再由强分类器级联成为１个有效的分类器．训练程序在后台执行训练操作。
人脸检测与跟踪的本质是确定输入图象中某一小窗口图象是否为人脸。
设训练样本图象尺寸为 n n ， 输入图象尺寸 N N ，N > n 。
5. 工作计划
2022/1/11之前：上传任务书至毕设系统2022/1/12-2022/1/25：学校负责人审核任务书2022/2/1：确认外文翻译文章 2022/1/1-2022/3/27：开题报告 2022/3/2-2022/3/27(第1周第4周)：开题、外文翻译 2022/4/6-2022/4/7(第5周-第9周)：实现两个模块：a.摄像头模块：通过摄像头拍摄人物头像照片 b.人脸识别模块：对照片进行识别，找出人脸特征。
使用的算法中将实现分为两步：第一步是用所有训练样本表示出测试样本，可以用SVD来计算出系数阵，但在这之前要通过PCA或者LDA的方法给特征向量降维；第二步获得ORL数据库中每个人物的PCA特征脸后，就是用训练样本表示出测试样本，从而找到M近邻样本；c.搜索（匹配）模块：对特征进行搜索并且匹配，完成识别功能。
2022/5/4-2022/5/22（第10周-第12周）：返校。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
