面向移动智能终端的人脸识别算法优化与实现开题报告

1. 研究目的与意义（文献综述）

人脸识别作为计算机图像分析与处理最成功的应用之一，在近年来获得了极大的关注^[1]。一方面，人脸识别的商业应用和司法应用越来越多，需求强劲。典型的应用包括扫描人脸进行手机解锁和电脑账号登陆，安防监控系统通过人脸识别阻止不法分子进入防护区域，大型超市通过“刷脸”进行支付等等^[2]。另一方面，国家政策的大力支持也极大地促进了人脸识别研究的发展。近些年来，平安城市、智慧城市在全国各个城市进行大力推广，我国安防市场的需求也随之迅速升温，人脸识别已经开始被列为平安城市、智慧城市使用过程中的强制标准^[3]。无论是学术界还是工业界，都对人脸识别的研究抱以极大的热情。所有的这些因素都在推进人脸识别的快速发展。

随着移动智能终端的计算速度不断提升，存储容量不断增大，在移动智能终端上进行人脸识别成为了可能，由此给人脸识别技术带来了更为广阔的应用前景。例如，支付宝已经率先推出了“刷脸”服务，通过手机扫一下人脸就可以完成支付^[4]；atm取款机通过扫描人脸就可以完成身份认证，用户无需输入密码即可提取现金^[5]；企业和单位安装人脸考勤机，通过“刷脸”完成日常的考勤工作。然而，与传统的pc机相比，移动智能终端的处理速度尚且不能满足复杂应用的需求，人脸识别的速度成为限制其广泛应用的最大瓶颈之一^[6]。

国外对人脸识别的研究始于20世纪60年代^[7]，经过50多年的发展，已取得了大量的研究成果。主成分分析（pca）是一种经典的人脸识别方法，由于计算量大，识别率不高，因而未能广泛使用^[8]。局部二值模式（lbp）是基于人脸局部特征的一种人脸识别方法，计算简单，识别率较高，然而对于姿势和表情非常敏感^[9]。弹性束图匹配（ebgm）是基于人脸特征点的一种人脸识别方法，计算量较小，识别率高，对于光照和表情都有较好的鲁棒性，因而具有较大的研究价值^[10]。在标准ebgm中，我们提取人脸中的25个特征点，并提取每个特征点处的gabor小波系数，构建一张人脸束图。通过比较本地人脸束图库和待测人脸的人脸束图，寻找最相似的人脸图片，完成待测人脸的识别。国内对人脸识别的研究开始于20世纪80年代，虽然起步较晚，但是同样取得了令人瞩目的成就，各种实用的人脸识别技术已经开始走进大众的生活中。

2. 研究的基本内容与方案

基本内容：

1）阅读相关文献，了解现有的主流人脸识别算法，分析并比较各种算法的识别率和识别速度，并重点研究弹性图匹配（ebgm）算法，了解其算法原理和优缺点。

2）在安卓平台上实现ebgm算法，研究安卓多核并发编程技术，加速ebgm算法的执行。

3. 研究计划与安排

第一阶段（第1周—第3周）：查阅有关的参考资料并完成开题报告；翻译英文资料（不少于5000汉字），并交予指导教师检查。

第二阶段（第4周—第9周）：了解人脸识别领域的主流算法，分析并比较各算法的识别率、识别速度和适用范围，重点研究ebgm算法。

第三阶段（第10周—第13周）：在安卓平台实现ebgm算法，并采用cpu多核编程技术和gpu辅助计算技术提升算法的识别速度。

4. 参考文献（12篇以上）

[1] ahonen t, hadid a, pietik inen m. facerecognition with local binary patterns [m]. computer vision-eccv 2004.springer. 2004: 469-81.

[2] bhat f, wani m a. elastic bunch graphmatching based face recognition under varying lighting, pose, and expressionconditions [j]. elastic, 2015, 1(8):

[3] chen x, zhang c, dong f, et al.parallelization of elastic bunch graph matching (ebgm) algorithm for fast facerecognition; proceedings of the signal and information processing (chinasip),2013 ieee china summit amp; international conference on, f, 2013 [c].