Android环境下基于人脸识别的手机解锁技术研究与软件开发

摘要

近年来，随着互联网技术和移动智能终端的迅速发展，手机上涉及个人隐私方面的应用越来越多，信息安全问题也日益突出。在众多生物特征识别技术中，人脸识别具有自然性、方便性和非接触性等特点，使其成为身份验证技术领域中的应用热点。由于手机使用者所处环境的随机性，人脸识别手机解锁系统获取到的入脸图像往往受到光照和复杂背景等因素的影响，而且手机自身在存储和运算能力等方面也有一定的性能局限性。本文是针对Android手机使用者进行的基于人脸识别的解锁技术研究和软件开发，主要的研究内容如下:
　　(1)人脸检测算法的研究。本文研究了基于YCrCb颜色空间的肤色人脸检测算法和基于Haar特征的Adaboost人脸检测算法，在进行详细的分析比较后将两个算法相结合形成一个新的人脸检测方法。该方法先建立肤色模型对肤色进行过滤以降低肤色对光照变化的敏感程度，然后采用Adaboost算法训练出弱分类器，并在这基础上进行进一步的训练及选取，从而构成强分类器，最后将分类器级联用于人脸检测。实验表明，该算法对于处于光照变化和复杂背景下的人脸图像具有更好的检测效果。
　　(2)人脸图像特征提取算法的研究。首先对传统的PCA和LDA特征提取方法的基本原理进行分析后，研究了将两者结合的PCA+LDA两阶段法。该方法解决了PCA样本不完全可分问题以及LDA类内散度矩阵奇异问题。但是上述方法不能解决人脸图像处理中因光照、表情等因素造成的类判别不确定的问题，针对此问题进一步研究了基于模糊线性判别分析的人脸特征提取方法。该算法先采用PCA方法将高维信息进行降维并进行初次特征提取，然后计算类别隶属程度，最后采用LDA方法进行人脸图像的二次特征提取，实验表明，该算法提取到的人脸特征对最终的人脸识别有较好的效果。
　　(3)人脸识别算法研究。在分析了最近邻分类器(NN)以及支持向量机（SVM）分类器算法的基本原理后，在此基础上研究了将两者相结合的一种新的分类器方法(NN-SVM)，该方法先使用最近邻算法进行第一次处理，接着再采用支持向量机算法进行精确分类。通过实验验证了该分类器比单独使用最近邻分类器算法及单独使用支持向量机算法在人脸识别方面的性能优势。
　　(4)Android手机解锁系统设计与实现。在进行系统需求分析后，根据Android系统特点，结合软件工程思想对系统进行详细设计与编程实现。在Android平台上完成了系统框架的搭建，并用Java语言实现了人脸检测、人脸图像特征提取、人脸识别、手机解锁等核心模块的编写，实现了基于人脸识别的手机解锁功能。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 人脸识别技术发展现状

1．2．2 Android系统上人脸识别技术发展现状

1．3 本文主要内容及组织结构

第二章 人脸检测

2．1 概述

2．2 基于YCrCb颜色空间的肤色人脸检测

2．2．1 YCrCb颜色空间转换

2．2．2 肤色分割

2．2．3 基于OTSU的图像二值化

2．2．4 人脸区域筛选

2．2．5 人脸位置标记

2．3 基于Haar特征的Adaboost人脸检测

2．3．1 Haar特征与积分图

2．3．2 弱分类器的训练及选取

2．3．3 强分类器的训练及选取

2．3．4 级联分类器

2．4 基于肤色和Adaboost算法相结合的人脸检测算法

2．5 实验结果与分析

2．6 本章小结

第三章 人脸特征提取

3．1 概述

3．2 人脸图像的标准化处理

3．2．1 图像灰度化

3．2．2 几何归一化

3．3 基于主成分分析(PCA)的人脸特征提取方法

3．3．1 K-L变换

3．3．2 基于PCA的特征提取

3．4 基于模糊线性判别分析的人脸特征提取方法

3．4．1 基于LDA的特征提取

3．4．2 基于LDA和PCA相结合的两阶段法

3．4．3 基于模糊线性判别的特征提取

3．5 实验结果与分析

3．6 本章小结

第四章 人脸识别

4．1 概述

4．2 最近邻分类器

4．3 支持向量机

4．3．1 线性可分情况下的最优分类面

4．3．2 线性不可分情况下的广义最优分类面

4．3．3 SVM的核函数

4．4 最近邻和支持向量机相结合的分类算法

4．5 实验结果与分析

4．6 本章小结

第五章 软件系统设计与实现

5．1 概述

5．2 系统功能及软件架构

5．3 软件开发环境

5．4 核心软件模块设计与实现

5．4．1 数据库设计

5．4．2 检测模块

5．4．3 解锁模块

5．5 系统测试

5．5．1 系统功能测试

5．5．2 系统性能测试

第六章 总结与展望

致谢

参考文献