부산대학교 도서관

최근 몇 년간, 과학기술과 인터넷기술의 급격한 발전과 함께, 안면인식기술은 빠르게 발달되어왔다. 이는 안면검출 그리고 인식기능이 정보보안, 결제시스템, 그리고 일상생활에 널리 이용되기 때문이다. 다른 전통적인 인식방법에 비해, 안면인식은 더 안정적이고, 빠르며 위조에 덜 취약하다. 또한, 이 시스템의 비 침습성과 비접속성 때문에 얼굴인식기술은 사람들의 삶을 좀 더 안전하고 편리하게 만들어준다. 얼굴인식기술을 더욱 발전시키고 얼굴인식의 효율성을 향상시키며 인식시간을 단축시키는 것이 현재 시급한 연구 과제이므로, 이 논문의 목표이자 근거이기도 하다. 이미지 획득 및 감지, 이미지 사전 처리, 특징 추출 및 분류 인식은 얼굴인식시스템의 핵심적인 네 단계이다. 본 논문의 주요연구는 이 4 가지 단계의 연구이다. 이논문에서는 안면인식을 하는데 BP 신경망이 사용되었다: 일정 수의 초기 얼굴 이미지가 안면데이터베이스에서 선택되고 사전 처리된다. 각각의 단계들은 다음과 같은 것을 포함되며: 그레이 스케일 처리, 노이즈 제거 처리, 수정 처리 및 정규화 처리가 포함된다. 특징 추출 단계에서, LBP, PCA, 제안한 개선된 PCA 알고리즘을 사용하였다. 일련의 비교를 통해, 본 논문에 제시된 개선된 PCA 알고리즘이 더 높은 인식효율을 가진것을 확인할 수 있다. 일치 인식 단계에서, 전반적인 시스템의 효율을 향상시키기 위해, BP 신경망의 결함적인 관점에 입각하여 이 연구는 안면인식기술 분야에 탄력적인 운동량에 기초한 개선된 알고리즘을 제안했다. PCA 알고리즘에 의해 추출된 특징 부분 공간은 훈련을 하기위해서, 향상된 BP 신경망에 입력된다. 그리고 이 연구는 예상되는 필요조건들이 충족되는지 확인하기 위해 안면이미지들을 향상된 BP 신경망에 입력한다. 마지막으로 이 연구는 신경망 안면인식시스템을 개발하기 위해 MATLAB 과 OpenCV 데이터베이스를 검증하였다. 본 연구를 통해 제안한 개선된 PCA 알고리즘을 구현하였고, 제안된 알고리즘의 인식률과 인식시간의 성능 개선을 확인하였다.
In recent years, with the rapid development of science technology and the Internet technology, face recognition technology has been rapidly developed and improved. The reason is that face detection and recognition are widely used in information security, financial payment，and daily life. Compared with other traditional recognition methods, face recognition is more stable, faster, and less susceptible to counterfeiting. At the same time, because of its non-invasiveness and non-contact, face recognition makes people feel more comfortable and safety, all those reasons make it has great application value. Further developing the face recognition technology, improving the recognition efficiency of face recognition and shorten the recognition time is the current urgent need for research, so it is also the goal and basis of this paper. Image acquisition and detection, image preprocessing, feature extraction and classification recognition are four key steps in the face recognition system. And those are what this paper mainly research. In this paper, BP neural network is used for face recognition: a certain number of original face images are selected from the face database and be pre-processed. The specific steps include: grayscale processing, de-noise processing, correction processing, and normalization processing. In the feature extraction stage, I used LBP, PCA and the improved PCA algorithm that I proposed. Through comparison, it can be found that the improved PCA algorithm proposed in this paper has higher recognition efficiency. In the matching recognition stage, in view of the shortcomings of BP neural network, I proposed an improved algorithm based on elastic momentum to improve the overall efficiency of the system. The feature subspace extracted by the PCA algorithm is input into the improved BP neural network to have the training. Then, put the facial images that had the same preprocessing methods into the trained neural network for recognition to see if the expected requirements are met. Finally, this paper uses MATLAB and OpenCV database to build a neural network face recognition system, so that the improved algorithm can be realized, the recognition efficiency is improved, and the interaction experience is good.