本文是一篇软件工程论文，软件体系结构是具有一定形式的结构化元素，即构件的集合，包括处理构件、数据构件和连接构件。处理构件负责对数据进行加工，数据构件是被加工的信息，连接构件把体系结构的不同部分组组合连接起来。（以上内容来自百度百科）今天为大家推荐一篇软件工程论文，供大家参考。
第一章 绪论
1.1课题研究背景和意义
近年来，随着科学技术的飞速发展，基于传统识别方式的身份认证产品，已经无法满足人们对于更智能、更便捷的身份认证产品的需求。生物特征识别技术作为一种新型的身份认证技术，由于具有不易丢失、不易仿冒、便于携带等优点，逐渐受到消费者的青睐[1]。目前，已被广泛应用于身份认证产品的生物特征识别技术主要有虹膜识别、指纹识别、视网膜识别、静脉识别以及人脸识别等技术。与其他生物特征识别技术相比，人脸识别技术不仅具有使用方便、识别精确度高、不易仿冒等特点，而且符合人类通过眼睛以脸辨人的生活习惯，受到很多用户的欢迎[2]。另外，人脸识别技术不需要特定的采集设备，整个系统成本比较低，它还可以在待识别用户不受干扰的前提下，获得待识别用户的人脸图像，因而对待识别用户无任何心理障碍。正是由于这些优势，使得人脸识别技术的应用前景十分广泛。目前，人脸识别技术已在道路交通、安检、监控、金融等领域展现了巨大的应用价值。如：铁路交通系统对出入站乘客的身份认证；公安系统利用监控视频对逃犯进行识别；银行、政府等重要安全机构的身份认证等。2017年2月21日，著名科技评论杂志《麻省理工科技评论》（MIT Technology Review）将“刷脸支付”技术列为“年度十大突破技术”之一[3]。人脸识别技术作为计算机视觉领域的热门研究课题之一，已被科研人员研究了多年，在理论研究方面虽然取得了一系列的突破，但在某些应用场景中，该技术还不够成熟，相关人脸识别产品的性能表现还无法满足市场的需求。目前，大多数的人脸识别系统主要是基于单角度视频，侧重于简单应用场景下的识别算法性能的提升，但在实际的应用场景中，基于单角度视频的人脸识别系统由于监控的范围有限，无法从多个角度对目标进行监控，并且需要用户以正面姿态近距离的面对摄像头。基于多角度视频的人脸识别系统可实现更大范围的多角度监控，能够克服基于单角度视频的局限性。但是使用多角度视频需要考虑更多的因素，包括多摄像头的安装位置、如何将多个摄像头采集的视频进行融合等。基于多角度视频的人脸识别系统是一个具有挑战性的研究课题，具有巨大的应用前景。
............
1.2课题研究现状
从Galton[4]等人发表的人脸识别论文至今，人脸识别技术的研究已经进行了多年。在此期间，大量的与人脸识别相关的核心技术和算法纷纷涌现，许多高质量的论文也相继被发表。Galton首先使用人工提取人脸轮廓上的点，然后根据这些点的形状和几何关系来构造人脸的特征向量，实现对人脸的描述，最后进行人脸识别。Kirby[5]等人首次将主成分分析（Principle Component Analysis，PCA）技术引入到人脸识别领域，对人脸进行了有效的描述。Pentland[6]等人以PCA为基础，提出了一种名为Eigenface的人脸特征描述技术。近年来，大量的人脸特征表示技术如LBP特征[7]、Gabor小波特征[8]以及SURF特征[9]等被成功的应用于人脸识别领域。随着深度学习的不断发展，基于深度学习的方法也被成功的运用到了人脸识别领域。2014年，Facebook提出了DeepFace[10]，使用深度卷积神经网络在440万张图像上进行训练，在人脸公开测试数据集LFW[11]上获得了97.35%的识别率。VGGFace[12]采用较DeepFace更深的网络结构和更大的输入图像在LFW上获得了98.95%的识别率。2015年香港中文大学的汤晓鸥教授团队提出了DeepID网络[13]，该网络对卷积神经网络进行了一系列的改进，并同时使用识别和认证两种监督信号来进行训练，将识别率提高到99.15%。随着人脸数据集的不断扩大，人脸识别技术的识别率也在不断上升。2015年Google提出了FaceNet[14]，FaceNet使用更深的卷积神经网络在2亿多张样本集上进行训练，在LFW上取得了99.63%的精度。
........
第二章 视频人脸识别系统相关技术
本章首先对基于视频的人脸识别系统的发展和研究进行简单的回顾，然后介绍了人脸识别系统所涉及到的3个核心模块，包括人脸检测模块、人脸的特征提取模块以及人脸分类识别模块[18]，并对涉及到的相关技术进行讨论。
2.1视频人脸识别技术研究
经过科研人员和学者多年的研究，人脸识别的理论和技术取得了长足的发展。随着视频监控、安防、金融等应用领域的发展需求，基于视频的人脸识别技术已经成为人脸识别领域热门的研究方向之一[19]。与静态图像相比，视频中包含着时间和空间等信息，视频片段中包含多张人脸在不同情况下的变化。与此同时，与传统的基于静态图像的人脸识别系统相比，视频中的人脸图像都是不受约束的，图像会受基于图像集合的人脸识别方法将视频看成无序的图像集合，通过从图像集合中抽取大量的人脸图像进行识别。基于关键帧的人脸识别方法是通过抽取视频片段中的关键帧，然后采用传统的基于静态图像的人脸识别方法来实现人脸识别。基于视频序列的识别方法是在基于图像集合的方法基础上引进时间序列信息，能够充分利用视频的时空连续性信息，进而提高人脸识别的准确率。三种不同的人脸识别方法可以根据不同的应用场景进行选取。同时，基于视频的人脸识别问题是一个系统性的问题，不仅仅包括人脸识别部分，而且包括人脸检测、人脸对齐以及人脸特征抽取等算法，人脸检测中检测到的人脸的数量和质量将影响人脸识别系统的性能，而人脸对齐技术能够很好地对人脸进行标准化，从而提高人脸识别的鲁棒性。
.......
2.2人脸检测与人脸关键点检测技术
人脸检测技术是人脸关键点检测和人脸特征抽取的基础，一个典型的人脸识别系统都需要以检测到的人脸作为输入。人脸检测技术的主要难点在于人脸姿态的变化以及人脸所处环境的变化，比如拍摄角度、表情以及遮挡等[22]。而对于实时的人脸识别系统，人脸检测的速度也是非常关键的。在基于视频流的人脸识别系统中，人脸的图像往往是在无约束或者约束条件比较宽松的环境中进行采集的，所以，即便是同一个人，采集设备捕捉到的人脸图像的质量也是不同的。人脸检测技术的目标就是判断图像中是否存在人脸，如果存在人脸，就将人脸的位置和尺寸返回给用户[23]。由于人脸检测技术在人脸识别系统中的重要作用，有大量的研究人员和学者对该技术进行了广泛的研究。随着研究的不断深入，出现了许多人脸检测的方法，但是整个人脸检测的原理和流程没有根本的变化。
.......
第三章基于多角度视频的人脸识别系统的设计方案..........18
3.1系统总体框架..........18
3.2硬件设计方案..........20
3.2.1人脸识别通道的设计............20
3.2.2摄像头与补光灯的选择........21
3.3软件设计方案..........23
3.4本章小结............27
第四章人脸检测模块的设计与实现............28
4.1基于LBP特征的Adaboost人脸检测算法........28
4.1.1LBP特征.....28
4.1.2Adaboost人脸检测算法........29
4.2结合Adaboost和CNN的人脸检测方案............31
4.2.1基于CNN的人脸分类器的设计............31
4.2.2CNN网络的训练..........32
4.3实验结果与分析......32
4.3.1实验设置.....33
4.3.2实验分析.....33
4.4本章小结............34
第五章人脸识别模块的设计与实现............35
5.1人脸特征提取模块............35
5.2人脸分类识别模块............41
5.2.1基于SVM的人脸分类器....41
5.2.2实验结果与分析..........45
5.3本章小结............46
第五章 人脸识别模块的设计与实现
人脸识别模块又可分为人脸特征提取模块和人脸分类识别模块，人脸特征提取模块是对人脸的图像进行特征表示，人脸分类识别模块是通过人脸图像的特征表示来判断人脸所属的类别。本章首先介绍了基于深度学习的人脸特征提取方法，然后介绍了用于人脸特征提取的轻量级卷积神经网络模型Light CNN[41]，并引出了本文设计的基于改进的Light CNN的网络模型，然后介绍了基于SVM的人脸分类器，最后通过实验分析了本文设计的人脸识别方案的性能。
5.1人脸特征提取模块
随着计算机视觉技术的发展和先进硬件的支持，基于卷积神经网络的深度学习算法逐渐成为最广泛和最成功的人脸识别算法。对于人脸识别任务，由于卷积神经网络的工作原理类似于生物神经网络的特点，在多种具有挑战性的识别任务上都取得了许多突破性的进展[42]。深度学习技术是一种从数据中自动学习特征的方法，其学习方法简单，不需要像传统的人脸识别方法一样通过手工的方法来设计特征。与人工构造的特征相比，通过深度学习的方法能够捕捉到微小的但是具有判别能力的人脸特征，并且随着网络层数的增加，基于深度学习的方法能够学习到更加抽象、判别能力更强的特征[43]。但是现有的基于卷积神经网络的人脸识别算法往往依赖于复杂的数据预处理方法[10]或者大量的模型参数和并行计算技术，虽然可以通过使用GPU等设备来加速计算过程，但是当前GPU设备的价格昂贵，体积较大，并且无法安装在嵌入式设备上。因此本文设计了一种改进的轻量级卷积神经网络模型用于人脸特征的提取，在保证一定识别率的前提下，减少了特征提取的时间。
............
总结
随着人工智能的飞速发展，快速而准确的对用户的身份进行识别成为一个重要的研究课题。与传统的指纹识别、声纹识别和虹膜识别相比，人脸识别具有非接触性、非强制性以及易被用户接受等优势，目前已被广泛应用于电子商务、安防等多个领域。为了拓宽人脸识别技术的应用范围，本文设计了一个基于多角度视频的人脸识别系统。该系统可实现大范围、多角度的监控，并采集到更多的人脸图像，从而使得被识别者无需停顿且无需注视摄像头，被识别者只需在给定的空间范围内自由行走即可被识别。本文探讨了在相对封闭的室内场景下基于多角度视频的人脸识别系统的设计，并对系统进行了实现。本文的主要研究工作总结如下：
（1）设计了基于多角度视频的人脸识别系统的架构和总体设计方案，搭建了一个由多个摄像头组成的人脸识别通道，通过设置的多组实验分析了摄像头和补光灯的安装位置对识别率造成的影响，并实现了一个基于多角度视频的人脸识别系统。
（2）针对基于LBP特征的AdaBoost人脸检测算法误检率较高的问题，本文设计了一种结合AdaBoost和CNN的人脸检测方案。该方案首先采用AdaBoost算法过滤掉大多数非人脸窗口，然后使用训练好的CNN网络模型对少量的人脸候选窗口进行二次判断，从而实现了保留人脸窗口并排除非人脸窗口的目标，在保证一定的检测速度的同时，减少了误检率。
（3）针对基于深度学习的人脸特征提取模型在CPU上计算速度慢的问题，本文设计了一种改进的基于轻量级卷积神经网络模型用于人脸特征的提取。本文通过使用卷积层替换全连接层，来实现一个轻量级的全卷积神经网络，减少了网络模型参数，缩短了人脸特征提取的时间。
..........
参考文献（略）