基于 PLC 的智能家居安防监控系统设计

　摘要

随着国际中国经济的发展就是生活水平的提升，特别是在物质两方面，有些人已不再满足于传统的生活条件，日趋关注个人方面安全保证和财产保护，这对个人、家庭和邻里的安全提出了更高的要求。同时，中国经济的快速增长也导致了新工作岗位的增加，加上城市散居人口的迅速增加，为我市社会治安打击入室盗窃行为增添了新的挑战，要防止盗窃案的发生，需要独特的安全系统来保护社区和家庭。人类的安全方式是我们难以适应的需求，智能安全是目前的趋势。现在科学和技术的不断发展，最新的科学和技术成果越来越多地被应用。其中，人脸识别技术已被广泛用于检测领域，但仍有一些因素使用于检测的技术性能下降。本文在找出智能家居视频监控系统工作原理的基础上，对人脸识别技术如何更好地应用于视频监控检测进行了深入研究。

　关键词：人脸识别；深度学习；视频监控技术

第一章绪论

　　1.1研究背景及意义

　　1.1.1研究背景

云计算是信息化社会发展的本质，各种人工智能技术的应用于在生活和社会的发展中占有重要核心地位，人脸识别相关基础技术是其中十分关键的技术名列。人脸识别技术层面是人工智能技术应用的一个特殊类型的技术某种程度。面部结构识别利用感应式传感设备功能收集被识别对象的面部警告信号，并利用信息分析技术层面将其与已知的面部正在进行极为，以识别人的身份。利用面部皮肤识别，也可识别人脸的典型生物明显特征，并结合其他生物识别技术理念，更精准地实现自动检测、人脸特征比对和跟踪检测的积累过程，为人们的日常生活和工作提供更大的生活便利。当前人脸识别技术的应用方面具有非接触性、非强制性、同步性等突出优点，它能使身份辨识变得快捷高效，并与指纹识别、身份证信息录入等相结合，也能大部分完成个人身份的物联网核查。人脸识别技术目前在生活中的自助服务、工作考勤管理、教育信息录入和公共安全、犯罪行为的司法调查等方面有很好的应用，也可提高生活品质，促进整体经济和社会的平稳发展。

1.1.2背景意义

随着时间中国经济建设的发展，中国的智能电网系统也在不停发展中，智能一词的应用于更加广泛，特别是相关技术于智能家居，而智能家居网络恰恰是未来社会的重要技术手段和基础信息节点当属。智能家居相关产品的进一步发展而且满足了人们的生活各种需求，因此也不会忽视对整个社会信息化进程的推进功效。对于智能家居中最重要的子系统当属，智能家居安全监控系统中如今引起了广泛的被关注。现在，不断深入信息时代的一次又一次发展，高分辨率的监控摄像设备愈加受欢迎。各大企业、社区、学校和其他重要场合都安装了监控摄像机，在社区安全方面发挥着不能替代的作用。随之而来的难题是，大家将不可以第一时间和实时地查找它们，在该事件发生后查看监控完整视频成为一项费时费力的一项工作。从实时视频监控信息中采集必要的信息源并用于力挺家庭安全保障真的很重要。

当前，日渐社会科技的不停地发展，视频监控其技术还在更加先进，在这一领域的应用也越发广泛，小到民事案件，大到刑事案件，都能看到“视频监控”这个独特的英雄特点。视频调取是任何安全系统的一个构成部分，是一个具有强大预防具备的综合子系统。视频监控系统是一项可提供直观、准确和及时信息的内容方面，在很多情况下都有应用空间。无疑，全国各省利用视频监控系统的应用，为侦破罪案提供了重要线索和证据，并顺势或间接地破获了许多案情，特别是在侦破“两抢”、“两盗”案件领域。视频监控技术已成为陆续刑侦技术、商业技术和网络调查技术之后，执法机构调查和破案的第四项关键技术。人脸识别技术层面在调查中有着相当广泛的新型技术，其应用其价值在未来将进一步提高。目的促进人脸识别技术方面在侦控中的应用发展，使其价值极大化，本文内容总结了人脸识别相关技术在侦查工作中的应用现况，简要介绍了其应用中存在的困境，并从理论上提出了解决困难的个人方案。

　1.2国内外相关领域研究概况

　　1.2.1国外研究概况

国内对智能家居的研究探索起源于20世纪70年代：1983年tc64制定了家用电气设备的相关设计规范，1988年制定了第一个电气设计标准“家庭自动化新系统和通信标准”[20]。其中规定：就是要，要有一个家庭总线系统；其次，要能通过家庭里面的总线系统并且能提供一系列服务功能；第三，还要可以与家庭以外的地方进行连接。

安防监控系统2018年NieY等人提出了一种移动设备采集视频的视频拼接稳定方法[8]。这种方法的主要其他内容是一体化整合小视频图案搭配和稳定优化，色块拼接和稳定都是不但计算出来的，而不是允许计算出来。在早期的浓缩视频中，目标之间的相关性和相似性所以被考虑，目标被重新设置，并以杂乱无章的方式放置，这使得人们很难理解浓缩视频的效果。随后出现的其他人优先考虑目标的聚类和基于聚类的轨迹重组，但复杂程度更高。因此，视频浓缩系统中轨迹的优化组合是一个重大挑战，特别是在复杂场景中，要满足浓缩视频不被遮挡，并在时间顺序不变的情况下表达移动目标的相似性。

更智能计算新设备和智能家居国外类别的主要市场产品如下几种：

（1）X的X－10系统，用集中控制系统优秀平台作为电力线上的网络基础基本公共设施来实现一系列的功能领域，在此前在中国多数不使用。这个智能系统愈加有效，但它还没那么准备好在国内市场上重视选用。先来，它是确定X的用电环境设计的，很难适应改变中国电力线路的恶劣良好的环境．其三，它确实有更加强大的功能一，但它是终极目的适应西方的日常习惯而针对细节设计的，要想满足中国消费者们的产品需求．结果，价格也是国内房地产和普通消费者们不愿意买单的原因。

（2）德国的EIB系统，使用预先建立的总线和集中控制系统来执行各种控制功能，在中国它几乎没人用。究其原因，一方面是技术要求复杂而苛刻，另一方面是新的市政开发商是主要客户，因为他们负担不起高价，而且线路必须事先铺设好，这意味着国内市场无法开发。

　1.2.2国内研究概况

近七年来，中国的智能家居发展缓慢，主要是由于缺乏大规模的投资和开发技术在短期内尚未达到成熟。自2000年以来，由于广泛的媒体介绍和宣传活动，公民已经开始理解和接受智能家居的概念，而开发商也或多或少考虑到智能功能已经包含在住宅的设计中。中国家用电器行业的一些首几位如创维、科龙、海尔、TCL、海信等它们也逐渐进入智能化的家居市场。

安防监控系统2018年，在学术界被提出了一种指定视频的拥挤程度，然后在稀疏期和拥挤期分别提取目标管和视频片段[7]。这种解决方案中，整个视频帧被提取出来，避免了净化处理可行的行之有效的方法在拥挤的场景中表现不佳的重要问题。而且，还提出了一种分组分割机器学习方法，以揭示运动物体之间的实际关系，减少分割部分和跟踪误差大。最终，一个贪婪的优化算法被用来按钮确定视频摘要的宽度和长度，但计算研发成本而在极高且，另外移动物体大小容易导致出现“鬼影”问题。2019年，路霄汉等人，提出了他们的一种快速的目标检测算法，以消除幽灵图像。他们用形态学处理进行快速过滤，去除噪音，提高前景的完整性。虽然重影问题得到了一定程度的抑制，但时间上的复杂性并不理想。因此，考虑到时间上的复杂性和检测效果，在视频增强系统的检测和跟踪部分消除重影是一个挑战。

更智能计算新设备和智能家居国内类别的主要市场产品如下几种：

（1）海信的智能家居控制综合系统，除此具有普通平板电脑的各种功能外，并且可以作为家中电器的独立“控制服务中心”。它允许用户将电视、空调、VCD、扩音器等多种家用电器的控制功能内存存储在一个简单的、大部分一步到位的程序中，确保在需要时提前调用。

（2）海尔的数字家庭系统U-Home2000年9月，海尔提出了“电子家庭”的概念，他们还将逐一介绍以下eHome产品：无线家庭网络、共享智能厨房、共享浴室、智能上网设备、电子书、智能手持机、指纹和学生识别系统、平板电脑等。海尔的“eHome”使用海尔设备作为控制四大中心，各种联网设备和系统作为终端单元一，海尔ipad作为移动数字控制中心项目。在技术方面，海尔集团与微软合作，利用微软的Windows整个系统和海尔的网络设备技术创建了一个电子家庭系统。

（3）科隆集团的集中控制系统“现代家庭信息服务形式”，持久有效地将家用电器的智能控制、电器的打击武器诊断和维护、通过移动互联的可对空能控制和家庭娱乐结合起来。该系统被设计为提供广泛的功能。

　　1.3本文的主要工作安排

第一章：总论。主要原因介绍了视频集中技术领域的全面研究大背景和意义，并概述介绍了安防监控的发展曲折发展和研究现状。

第二章：监控系统相关技术和经验。对监控和安全技术的分析研究大都分为五大类，包括提高报警的准确性、反应速度、可靠的全天候监控，以及视频资源的扩展使用和面部监控识别。

第三、四章：分析和研究监控技术，介绍了主要人脸监控技术的原理和应用过程。

第五章：系统解决方案的整体设计。研究监控系统的整体架构模式。

第六章：研究综述和展望对系统的研究进行了组织，总结了本文件中的创新，并在展望中概述了智能家居监控系统的技术发展。

　　第二章智能监控技术系统的特点

　　2.1引言

监控系统是提供安全的有效手段，今天许多地方都在使用视频监控技术。传统的监控技术需要监控人员对视频录像进行分类和分析，这是一个费时费力的过程，有很多错误和遗漏，而且所选录像的准确性很低。花费长时间监控和整理视频录像会大大降低工作人员的注意力。现有的智能视频监控技术适合解决这个问题。

　2.2提高报警精确度

智能视频监控系统系统还可高效提高报警有效性，减少误检。智能视频监控相应设备具有强大的图像处理能力全面和使用智能控制算法的抗压能力，也能更准确有效地预测安全威胁的都是存在。可能，智能视频监控运行系统在一定程度上减少了安全管理人员的劳动强度，减轻了安全管理人员的工作压力。

　2.3提高响应速度

智能视频监控整个系统比传统的网络系统更好智能，它们能够准确地扫描可疑的活动，在发现违法交易后，及时将这些信号发送给安全管理人员。之后，与此同时能够看到监控的图像叠加，并在管理层注意到突发的危险比较严重时立即启动采取行动。这类视频监控系统能够尽可能远地定位事件的结果，在突发情况下采取必要的联络行之有效的措施，及时作出反应，并更准确地执行后续处置下命令。并且，智能视频系统包括也可非常有效提高检测过慢，提高监控系统的及效率，使人们的生活变得便利。

　2.4全天候可靠监控

换用智能视频监控新技术就能实现全天的连续视频天网监控和分析。在传统的监控模式中，安保岗位人员更要24半小时高频度地观看监视摄像头，不过是结合人对监控录像同时大幅深度分析。现有的智能视频监控关键技术依赖于智能算法来检测监控影像资料中的根本问题。只要一个本质问题触发了预先设计定义的符合，功能实现就会立即提醒安全其他人员，以防并迅做出自然反应。不仅如此，现有的智能监测系统功能比传统系统更可靠、更高效。

　　2.5视频资源扩展用途

传统的监控技术和网络视频系统只能监控安全区域，而智能视频系统可以监控更广泛的区域[16]。现有的智能视频管理系统都能利用商场的大厅监控管理系统来识别客户显著特点，并与商场内的工作人员进行有利于彼此沟通，以提供及时的客户定制服务。现今，智能视频系统中还被当做帮助一些零售商整理统计当天到店的顾客数量下降，于是制定数据完美曲线，以更客观的数据分析当天的销售情况等。因此，智能视频监控新技术在一定程度上扩大了视频平台资源，给大家的生活带来了很多的便利。

　2.6人脸监控识别

人脸识别以及技术是非接触式的。与指纹识别技术不同，人脸识别技术主要通过传感器检测面部特征，利用神经网络进行识别，可以快速有效地采集面部信息，在非接触环境下进行快速比对和识别[17]。专用如面部识别技术和经验我们可以有待确保人身财产安全。人脸识别技术多具有非强制性的最大优点，人脸识别技术解决在进行活体识别时也能主动捕捉面部图像信息完全，不需要使用暴力对方衔接，产生更保证有效地识别人脸信息的来源，在公安、刑警工作中发挥着极其重要的功效，也可以更好地帮助未完成人员选拔和刑警工作才能。人脸识别主要技术具有移植性的四大特点，人脸识别技术的系统的可扩展性是信息以及技术发展未来至今的有效技术应用空间，在实际的场景中，面部识别技术的同步性允许不仅对多X面孔结束后类别、评估和识别，大大提高了人脸识别技术的结果的可靠性，在公共安全、社会生活等方面发挥了良好能起，促进了社会秩序的更好维护。

面部识别技术是一项不断发展的技术，虽然它在不断发展和提高准确性，但它尽管如此有复杂性。面部识别技术方面取决于收集面部真实数据的整体环境，比较是照明工具，这时会影响全脸识别的及时性。其他主要因素也会影响到人脸识别相关技术，因此，面部毛发的深浅不同、眼镜和其他配件就会影响到人脸识别的精准程度，而且，人脸的生物表现特征是可调的，不断深入年龄的增长，活体检测随之老化，老化或头面部损伤等共性特征需要各种途径人工智能机制或数据彻底框输入等来适当补偿。所以人脸识别技术的自身局限性在一定程度上促进了先进技术应用的可控性，但随着经济时间的推移和技术的进步，人脸识别技术的异质性也在逐步被克服，人工智能系统的不断发展和其他识别技术的协同应用实现起到了很有重要的作用。

　2.7本章小结

主要介绍了监控系统技术的五个主要方面，包括提高报警准确率、提高响应速度、全时段可靠监控、视频功能拓展、人脸监控的使用和识别，并介绍了人脸识别技术的局限性，为以后智能家居监控系统的实施奠定理论基础。

第三章人脸监控识别技术原理

人脸识别的技术原理多而杂，由于篇幅有限，很难将其全部列出。本文列出了一些比较典型的技术原理。

　3.1基于几何特征的人脸识别

脸部的几何特点是指脸部各部分之间的对立关系，如毛流、眼睛、鼻子和嘴巴。形状、大小、方位角和它们之间的位置关系等几何特征被描述为识别系统面部生成图像。基于几何特征的人脸ai算法是人脸相关技术深度发展近些年运行把时间很长的算法。这类识别方法依赖于人脸拓扑结构几何关系的先验知识，采用结构知识层面的方法来提取人脸的主要有机特征，并将人脸表示为一组几何特征向量，将最终识别简化为特征向量比较。

基于几何特征它的识别优点：首先，它很容易理解。它对应于人类对人脸的直观感知。第二，存储量小。每X图像只需要存储一个特征向量。第三，它减少了暴露的影响，对暴露的变化不太敏感。

基于几何特征它的识别缺点：首先，它受不透明度的影响很大。大多数人脸图像是在一个随机的、不协调的空间中拍摄和提取的。这使得从捕获的图像中实现更稳定的特征提取变得困难，而且其对面部表情和姿势的强烈变化的鲁棒性也很低。其次，局部的细微之处被忽略了。一般的几何特征只描述零件的基本形状和结构关系，所以有些信息很容易丢失。

　3.2基于特征脸的人脸识别

特征图像法是一种将人脸的整体主要特征进行识别过程的方法，它将人脸图像的整个区域视为随机矢量方向，借由主成分分析获得正交位移图的基础。其中大特征值对应的特征矢量具有与人脸相似的形状，因此被称为特征脸[18]。使用这些矢量机的线性组合，可以对人脸图像进行描述、表达和近似，以确认人脸对比。基于特征面的识别过程包括将人脸图像映射到由特征面倾斜的子空间，与特征面空间中的已知人脸进行位置比较，最后完成分类和识别方法[18]。

基于专业特征脸识别的优点是：它适用于对普通人的认可。人脸开放空间中的人脸检测分布接近未知参数，普通人脸技术接近最低值，而特殊人脸属性分析接近外围，说明越得普通的面部特征越难准确辨别，人脸特征最简单的方法抓住了普通人的统计特征。

基于专业特征脸识别的缺点是：加上灯光和角度的干扰大幅，昆虫影响了识别速率。所以面部真假识别为图像中的所有像素一次分配相同的目前的状态，来自使用角度、光线、面部表情等的于扰会导致识别过慢增大下降。

　3.3基于隐马尔可夫模型的人脸识别

隐马尔可夫各种模型初期不是主要是用于面部识别技术，而是应用于语音视频扫描以及文字的识别。隐马尔科夫建立模型是参数化的贝叶斯模型，它描述了具有随机统计优点的必经阶段。统计学特性的变化它没法然后被观察到，而必须满足通过三组观察来间接阐释。故而，隐马尔科夫人生过程是双重随机位置过程。由于隐马尔可夫模型是一个统计模型，几个空间序列可能对应于同一个特征序列，而特征序列和空间序列之间的对应关系是不确定的[1]。使用结构风险最小化来优化新模型进行生物共性直接识别和表示，避免所用单个神经系统的数字特征，并将所有器官的特征结合在一个空间转移模型中。

核心特征神经网络人脸识别方法它的优点：神经网络基本的方法来说特征提取来说是较低又简单的。不同方式这种学习过程，它会获得关于人脸识别的隐性物理表征，这是其他两种方法未能实现的。

　3.4基于神经网络的人脸识别

神经网络在人脸识别方面的应用由来已久，早在20世纪80年代就有人提出过，但由于当时人脸数据库尚未建立，因此没有得到很大的发展[21]。该方法与其他方法的不同之处在于，它不使用一套人为定义的规则，而是在典型样本上进行学习和训练，以实现面部搜索和识别的目标。

为了用神经网络技术实现人脸识别，我们首先建立一个神经网络模型，然后训练神经网络以获得降维和分类所需的神经网络参数。神经网络技术可以自动提取面部特征和阴影像素之间的相关信息，因此它可以处理不同尺寸、不同光照度和不同面部表情的图像。而且这种能力随着训练样本数量的增加而增长[21]。

基于神经网络人脸识别方法它的优点：神经网络方法对于特征提取来说是相对简单的。通过这种学习过程，它会获得关于人脸识别的隐性表征，这是其他方法难以实现的，并且在学习过程中提取人脸特征，即避免昂贵的特征提取。

基于神经网络人脸识别方法它的缺点：必须训练大量的样本，这就减慢了计算的速度。该方法只有在有足够数量的训练样本时才有较高的检测率，这就降低了方法的速度。

　3.5本章小结

本章侧重点介绍了平台构建人脸监控识别技术原理，其中包括基于几何特征的人脸识别、基于特征脸的人脸识别、基于隐马尔可夫模型的人脸识别、基于神经网络的人脸识别，为后文人脸识别算法的实现奠定理论基础。

　第四章人脸识别监控系统的应用流程

使用人脸识别技术的过程基本上包括以下步骤：人脸图像采集、人脸图像预处理、人脸特征提取、人脸特征比较和人脸身份验证[19]。

4.1人脸图像采集

获得面部图像是应用面部识别技术的先决条件，而最重要的图像获取方法是使用图像设备获取。面部识别系统可以使用实时图像，其中主要包括来自视频监控系统的图像、来自其他电子设备（如手机、电脑等）的图像以及由面部识别系统直接拍摄的图像。面部信息是通过检测人脸的存在与否来获得的，从而对人脸进行区分。目前，主要的图像采集方式是视频监控声纳，这种采集方式主要包括单相机采集和多相机采集。

独立摄像机采集，是指每台摄像机都要使其摄像机的可视区域出现，以采集图像，这种采集方式要求将摄像机的采集区域设置为最大，以达到最大的图像采集。从独立摄像机获取图像的优点是成本低，但正面人脸捕获率低，而且在繁忙地区会有严重的遮挡。

多机位协同拍摄是指在同一场景中均匀地分布几个机位，使每个机位都能对准要拍摄的不同区域。多机位联合采集的优点是极大地提高了正面人脸图像的采集速度，并能从多X图像中准确地选出质量最好的人脸图像进行识别，但由于多机位联合采集的成本较高，目前在许多城市还没有普及[1]。

4.2人脸图像预处理

人脸图像生物处理是对人脸图像对该数字化前期处理，从图像中去除不相关的完整信息，并提取和检索恢复有用的和真实的所有信息，提高图像图片信息的可检测性，它还能最大的相当程度地简化数据对比，以消除面部整体特征提取的“障碍”，很大的提高精确识别的准确性。

通常情况下，人脸识别系统捕获的人脸图像取自监控系统。通常这些直接拍摄的图像不能直接用于人脸识别，除了整个图像中的人脸之外，还可能包含复杂的背景或其他信息，因此要使用的人脸图像仅限于整个图像中的某一区域，其余部分是无用的信息。直接拍摄的图像也会出现光线不平衡和图像模糊的情况。因此，有必要使用图像预处理技术来处理从监控摄像头直接捕获的图像，针对不同的问题使用不同的处理方法，然后获得清晰的人脸图像，为面部特征提取、对比和身份验证做好准备。

最重要的图像预处理方法包括彩色图像的灰度转换、直方图均衡化和比例转换，一是将彩色图像转换为灰度[22]。目前，大多数人脸识别算法在做识别工作之前需要将彩色图像转化为灰度图像，然后再做下一步处理，图像转化后可以减少识别过程中的计算量；二是直方图均衡化。不同地区的视频监控系统由于光照条件的不同造成图像的明暗程度也不同，这对后续的特征提取和对比非常不利。直方图均衡化的目的是使灰度分布更加均匀，提高图像的整体对比度，从而减少光照变化的影响；第三个目的是转换图像比例。主要是利用近邻差分法、线性差分法、面积差分法等方法对图像进行变换，将人脸图像放大、缩小，使其更加清晰、完整。利用图像预处理，使图像的颜色、光照和比例大小与人脸识别系统更好地匹配，以提高人脸识别的准确性。

　4.3人脸特征提取

人脸它的特征提取是人脸识别基础，是在面部预处理的基础上获得特定面部区域特征的过程，面部的特征提取目的它从面部图像中提取一组代表面部特征的数字信息[13]。通过将这些数字信息应用于两组面部图像并进行识别，可以确定这两组图像是同一面部的相同信息还是不同面部的不同信息，并识别不同的面部。特征的提取为进一步的面部图像处理和分析提供了很重要的几何内部信息。分类算法是人脸识别的基本三个步骤，对识别速度有可以造成影响，决定了最终的识别结果是什么和身份认证的准确性。

在特征提取中，根据检测方法的不同，有必要使用不同的特征提取方法。主要的面部特征提取方法有主成分分析法、几何特征法和小波法。

第一种是主成分分析法。主成分分析的识别原理是，任何人脸图像都可以通过重建几个标准脸，即特征脸，以及相应的描述单个脸的权重的集合来近似，这些集合是通过将人脸模式投射到单个特征脸上得到的；第二种方法是面部特征的几何表示。面部特征提取方法的实质是计算面部图像的一组几何特征，如眼睛、鼻子、嘴巴和眉毛之间的距离和形状，以表示面部。第三种方法是小波变换。小波变换在面部特征提取中的主要应用是提取面部毛发和Gabor特征。小波变换使我们能够处理原始人脸图案，并获得不同尺度的特征。

4.4人脸特征比对

人脸特征匹配是将待识别的人脸动态图像与数据库中的人脸动态图像进行比较。它原因在于逐步解决的是人脸数据库中已知任何信息的人会否为未知其他信息的人的问题。比较面部特征的主要方法有以下几种。

第一种是模式匹配法。将多个传感器或者单个传感器采集到不同拍摄条件下拍照到的同一个物体多X图像进行空间匹配，或根据行业已知细节在其他图像中搜索相关重要细节，这种方法被称为模式匹配。

第二种是神经网络法。学习从量变到质变是一个前向和后向传播的中间过程，在前向传播中提取表现特征，在后向传播中适当调整损失函数参数调整权重。

第三种是三维模型法。三维建模方法是基于在矢量空间中对人脸的表示，允许模型集中的任何形状和纹理矢量的凸组合来描述一个人脸[1]。

4.5人脸身份验证

在确认了人脸识别技术所要识别的人脸图像的对比后，必须当场核实成功匹配的人脸图像的身份信息。

第一，要确认他们的身份信息。在数据库中确认人脸后，通过面部识别系统确认被识别者的身份信息，同时找到被识别者的其他信息，如居住信息、旅行信息等。

第二，追踪他们的线索信息。通过结合视频监控和面部识别技术，可以追踪他们的轨迹，搜索和评估他们的行动，以确定一个被识别的人到达特定地点的时间、地点和行为模式。最终的面部身份验证不仅是要找出这个人是谁，而且还要获得有关其历史的信息，以确定进一步调查工作的基础和方向。

　4.6本章小结

本章主要介绍了人脸识别监控系统的应用流程，包括人脸图像采集、人脸图像预处理、人脸特征提取、人脸特征比对、人脸身份验证，为后文人脸识别算法的实现奠定理论基础。从流媒体视频监控中获得的面部图像的质量往往有很多不足之处。此外，由于相机的性质，不受控制的记录条件会导致环境变化，如灯光、面部姿势、照明的变化，身体或面部动作的模糊。反过来，监控摄像头的人脸记录质量也会影响基于视频的人脸识别系统的性能和效果。

第五章系统总体方案设计

人脸识别功能是生物特征提取的典型场景应用，其特点一是可靠性和安全性和稳定性相对较低，另一方面结合了各种机器学习、人工智能等新型技术，可能并且较灵活地应用于金融、安防等行业的身份验证、人脸识别等系列活动。进一步提升全脸识别的结果的可靠性和速度已成为面部识别技术的一个核心主题。树莓派是一个灵活的硬件设备，具有良好的成像能力，因此被许多人工智能开发者所关注。在树莓派上使用卷积神经网络一种实现面部识别的方法可以大大增加其实用性，提高面部识别的准确性和速度。

　5.1基于树莓派的人脸识别系统设计

本系统主要以树莓派作为主控制器模块，其他模块有：WIFI模块、图像采集模块、云端服务器、数据处理模块。设备采用HC-SR501人体红外感应器组件作为触发性启动的机制，该设备检测到人时被触发，树莓派会接收到它发送的信号开始一些列的工作。摄像机拍照后，通过形式图像数据将图像信息上传到百度数据智能云，并利用云图像比对技术，将上传的图像信息与云数据库中的图像信息进行比对，利用从人脸中提取的相关特征点真实信息，区分网站访客是否是陌生人，并将图片保存本地与远程传送系统结构如图1所示。

人脸识别的系统它主要由五部分组成：人脸图像采集、人脸识别、图像预处理、图像特征提取和人脸识别。系统流程如图2，系统原理如图3所示

图1系统机构图

0d6fbbc323ae42dd54057a1ed3a76397

547ede20afbb9a5035abfaa4334c0ce6

　5.1.1硬件设计

（1）树莓派开发板

作为监测系统的主要控制芯片，树莓派不仅功能非常强大，而且可以模块化扩展，可以通过面包板连接不同的模块进行操作。这是一块基于ARM的微电脑主板，通过SD卡执行存储功能。主板上有USB、Type-C、HDMI、以太网和其他接口，用于连接鼠标、键盘、网线等允许用户轻松控制和识别设备。树莓派它可以使用Python作为专门编程语言，也可以支持Java、C和其他编程语言。树莓派开发板符合本项目的所有要求，价格低廉，可配备多种外设。这就是我选择该板作为主要控制芯片的原因。

（2）摄像头

树莓派卡有一个USB接口和一个CSI接口，所以你可以选择USB摄像头或CSI摄像头。由于CSI相机比USB相机便宜，而且所得图像的像素数差别不大，因此本项目选择CSI相机。树莓派4B平台配备了WIFI模块，因此本项目旨在通过摄像头将图像上传至百度智能云进行无线传输。这种传输方式可以消除许多与传统电缆传输有关的问题，而且云的功率和计算速度远远高于传统方法。

　5.1.2软件设计

（1）代码运行IDE

软件使用树莓派的Linux系统提供的PythonIDE，即Thonny，它支持Python3.7，它会持续更新最新版本[6]。Thonny软件分为两个主要区域，一个专门用于代码编辑，另一个是称为Shell的窗口，第一个用于编写代码，第二个用于更直接的互动。它与IDLE不同的是，Thonny包含许多适合学习编程的功能，如Debug、Stop、Quit等。用户可以实时观察Thonny中选定对象或变量的动态。

（2）百度智能云的应用

在本篇文章中，百度智能云平台被用来帮助这次设备完成人脸识别的过程，一旦人脸识别完成，百度智能云就会发出信号，信号会进入设备并激活然后进行下一个步骤。几乎百度智能云里的应用都是免费和公开的，它非常容易的使用。使用百度智能云，需要注册一个自己的私有云账户，选择并创建人脸识别应用，然后获取AppID、API密钥和密匙，连接到自己专属的私有云账户，用户可以通过在代码编辑器中链接百度API的私有账户信息来调用百度智能云的人脸识别算法。在收到相关的百度人脸识别API账户信息后，用户可以在应用程序的图像库中保存被识别的人的图片，并为其命名，以便在编辑代码时可以调用。系统通过提取视点，将用户上传的照片与图库中的照片进行比较，看其匹配度是否超过90%。如果满足条件，系统会认为是同一个人，并给出一个适当的信号；如果不满足条件，系统会认为是一个外人，并给出一个适当的信号。

　5.2系统功能流程简介

人体都有恒定的体温，当有人进入HC-SR501元件它就会在接收到人体红外辐射温度发生变化时就会失去电荷平衡，向外释放电荷，后续电路经检验处理后就会产生报警信号，一个高电平信号被施加到GPIO引脚上，然后电源被施加到LED上，相机打开，相机开始拍照并确定是否是人脸。如果照片显示的是人脸，就会被上传到百度AI云，并与照片库中的照片按面部特征进行比较，如果你两X照片的面部共同特征相似度超过90％，则匹配成功。百度的云端大型数据库向树莓派发送稳定的信号，树莓派它会在本地保存访客资料并会把图片发送到主人的微信终端。如果拍摄的照片与百度云库中存储的照片匹配度低于90%，则匹配失败，百度云端的库会向树莓派发送出信号，树莓派也会在本地存储访客信息，并将其发送到主人的微信终端。由于采用了红外人体感应模块，该系统只有在被激活时才工作，其余时间都处于待机状态，这就减少了能源损耗，增加了设备的寿命。系统流程图如图4所示。

图4系统流程图

c0d634d35a09b01908016b545c6cc286 　　5.3本章小结

本章重点讨论面部识别系统在实际应用中的技术实现。结合公共安全视频监控系统建设相关的网络应用项目的实际需求，设计了人脸识别系统并介绍了前端部署的架构。

　结论

在到社会迅速发展的今天摄像监控也已很普及，为民众带来了便利、持久的监控摄像，无形中提高了人民生活水平较低，毕竟包括笔者的话所在的海南地区在内，很多地方仍采用普通监控摄像头方式，事后通过视频找人时很不方便。在现代科学技术被广泛的应用于侦查的时代，将现代科学技术应用于侦查活动中主要是为了提高侦查效率，实现侦查破案，维护公共安全和社会稳定。

人脸识别技术在侦查中的应用价值已经在具体实践中得以展现，但是，其价值还有待挖掘。本文提出以提升人脸识别算法为基础，以加强人脸数据软件研发为抓手，以拓展人脸数据方法为关键。

该系统以树莓派和百度智能云为核心，以HC-SR501红外人脸传感器模块作为整个系统的触发器，既能保证系统在收到云端信号后立即运行，也能在系统正常睡眠状态下运行，而接近100%识别精度的人脸识别算法也使设备系统达到调试效果，这种高性价比、节能、高识别精度的市场优势促进了系统的完善和优化。

本次所研究的控制系统也可实现固定目标无线智能控制，即可通过蓝牙通信、移动通信网方式进行可靠的数据传输，也可以兼容红外通信方式，适用范围广，实用性好，市场前景广阔。

　参考文献

[1]陈鹏,胡诗妍.公安数据分析与决策[M].北京:中国人民公安大学出版社,2019.

[2]曹林.人脸识别与人体动作识别技术及应用[M].北京:电子工业出版社,2015:2-10

[3]王统.深度学习中卷积神经网络的结构及相关算法[J].信息与电脑，2020，32（8）：41-43.

[4]王帅夫,宋健,李恺,等.基于准同步采样的电网频率测量装置设计[J].电子设计工程,2019,27(10):19-23.

[5]韩云昊,马超,朱银珠,杨洋,米阳,井元伟.考虑风能渗透的电力系统的负荷频率控制研究[J].控制工程,2018,25(11):2046-2051.

[6]侯继超,卞坚宇.基于异构网络的燃气数据集抄系统的设计[J].工业控制计算机.2020,33(08):24-26

[7]路霄汉,王志君,梁利平.一种快速消除鬼影的目标检测算法[J]．计算机应用与软件，2019，36(10)：101-106+129．

[8]Yongwei N;Tan S;Zhensong Z;et al.Corrections to”Dynamic Video Stitching via Shakiness Removing”[J].IEEE Transactions on Image Processing,2018,27(10):4932-4932.

[9]A.Sanjay;Meenu Vijarania;Vivek Jaglan.Security Surveillance and Home Automation System using IoT.[J]EAI Endorsed Transactions on Smart Cities Volume 5,Issue 15.2021.

[10]王谨毓.智能校园安防监控物联网系统设计[J].现代电子技术.2019.[11]肖顺华.基于物联网的家居安防系统软件设计与实现[D].电子科技大学学2020.

[12]Gladence,L.Mary;Anu,V.Maria;Revathy,S.;Jeyanthi,P.Security management in smart home environment.[J]Soft Computing2021.PP1-9

[13]X敏.基于多模板匹配与完备KFDA的人脸识别技术研究[M].南京理工大学2006.

[14]Sonali Goyal;Neera Batra;N.K.Batra.An Integrated Approach to Home Security and Safety Systems.[N]CRC Press2021

[15]Yang Ming;Wei Shuang;Jiang Rongwang;Ali Faizan;Yang Boxiong.Single-message-based cooperative authentication scheme for intelligent transportation systems.[J]Computers&Electrical Engineering Volume 96,Issue PB.2021.

[16]李进亮.论智能视频监控技术在监狱中应用[J].中国管理信息化期刊-2016

[17]徐珂琼.基于视频的人脸识别方法研究[M].天津理工大学.2015

[18]朱娜,李一民,聂尧.人脸识别方法的综述[J].山西电子技术期刊.2008

[19]裘玥,李思其.人工智能发展应用过程的安全威胁分析及解决策略研究[J].信息网络安全期刊2018.

[20]刘志辉.无线传感器网络在智能家居中的应用研究[D].天津大学2007.

[21]王亚.基于深度学习的监控视频中人脸识别方法改进[D].中国科学技术大学,2018.

[22]丛智慧.基于巡检图像的风机桨叶故障诊断系统研究[D].华北电力大学.2018.

　　致谢

时光飞逝，岁月如梭，那三年的每一幕都让我难以忘怀。大学校园给我留下了许多美好的回忆。

回顾这三年，我特别想感谢我的父母和老师。我要感谢我的父母，他们尽其所能使我的学生时代无忧无虑，没有这个世界的烦恼，还要感谢我的论文导师XXX。X老师友善而博学，在我开始本科学习时，她是我的优秀导师。她不仅在生活上帮助我，而且在写论文时也帮助我。谢谢你，X老师，感谢你为完成本论文所做的一切努力。

我还要感谢在这三年学习中的每一个授课老师，你们为我们的学习牺牲了很多时间，并细心、耐心地教我们上课。感谢本论文的评阅人和答辩专家，您们辛苦了。