(18.232.55.103) 您好!臺灣時間:2021/04/23 02:17
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:戴德仁
研究生(外文):Te-jen Tai
論文名稱:嵌入式智慧家居門禁系統
論文名稱(外文):Embedded Smart Home Access Control System
指導教授:洪國銘洪國銘引用關係
指導教授(外文):HONG,GUO-MING
口試委員:林正雄劉鎮豪洪國銘
口試委員(外文):LIN,JHENG-SYONGLIOU,JHEN-HAOHONG,GUO-MING
口試日期:2017-06-02
學位類別:碩士
校院名稱:開南大學
系所名稱:資訊學院碩士在職專班
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2018
畢業學年度:106
語文別:中文
論文頁數:87
中文關鍵詞:人臉辨識物聯網樹莓派OpenCV
外文關鍵詞:Face RecognitioIOTRaspberry Pi
相關次數:
  • 被引用被引用:0
  • 點閱點閱:200
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
本論文利用物聯網裝置的樹莓派(Raspberry Pi),開發一套低成本的嵌入式人臉辨識系統,並且建置後端服務Django Python Web,作為監控數據的管理界面。使用者利用移動裝置或是個人電腦以網頁瀏覽的方式來查詢資料。系統架構有兩大類:第一類架構須經過 RFID 的解卡動作,確認人員身分後,經由Web Camera 動態擷取人臉圖像後,再直接比對人臉資料庫;第二類架構則不需經過RFID的前置作業,由Web Camera 動態擷取人臉圖像後,進行人臉訓練,建立模型,產生分類器,最後進行人臉辨識與相似度比對。這兩種架構流程進行後所得到的人臉辨識結果將會作為門禁控制之依據。在實驗中,本文使用Adaboost來定位人臉,而SVM來做人臉辨識的分類器。實驗結果顯示,若在光線充足與正面人臉情況下平均辨識率可達到約90.4%。
This paper utilizes the Raspberry Pi of the IOT (Internet of things) device to develop a low-cost embedded face recognition system and build back-end service, Django Python Web as a management interface for monitoring data. Users can use mobile devices or personal computers to query data in a web-browsing manner. There are two kind of architectures. The first type of architecture must check by RFID reader at first to confirm the identity of the person. Then dynamic captured face picture directly compared to the whole face database. The second one that does not need RFID check, just dynamically captures face picture by the Web Camera. Then the human face be trained, the model is created and the classifier is created. Finally, it processes the face recognition and the alignment similarity. The two flows of architecture that got the final face recognition results will be use as the basis for access control. In the experiment, this paper uses the Adaboost algorithm to locate the face and the SVM for face recognition classifier. The experimental results show that if the light is sufficient and under positive face conditions. The average identification rate can achieved approximately at 90.4%.
Keyword: IOT、Face Recognition、Raspberry Pi、OpenCV

表 目 錄 VII
圖 目 錄 VIII
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 3
1.4 研究架構 4
第二章 文獻探討 5
2.1 嵌入式物聯網裝置 5
2.1.1 物聯網介紹 5
2.1.2 物聯網架構 6
2.1.3 商業模式與應用場景 8
2.2 人臉辨識相關技術 10
2.2.1 人臉辨識介紹 10
2.2.2 OpenCV 介紹 28
第三章 研究方法 31
3.1 系統架構 31
3.2 人臉辨識研究 36
3.2.1 訓練 36
3.2.2 辨識 44
3.2.3 均方根差(Mean Square Error) 46
第四章 研究結果與分析實驗數據 47
4.1 實驗設備與環境 47
4.1.1 實驗設備 47
4.1.2 實驗環境 50
4.2 人臉資料庫 58
4.3 辨識結果 60
4.3.1 實驗一 60
4.3.2 實驗二 61
4.3.2 實驗三 63
4.4 MSE相似度閥值取得 64
4.5 研究成果 66
第五章 結論與未來研究 73
5.1 結論 73
5.2 未來研究 74
參考文獻 75
[1].內政部警政署統計106年度統計資料,來源自https://ba.npa.gov.tw/npa/stmain.jsp?sys=220&ym=10601&ymt=10701&kind=21&type=1&funid=q02020301&cycle=41&outmode=0&compmode=0&outkind=1&fldlst=1001&cod00=1&rdm=pkmequeq
[2].警政統計通報106年1-10月住宅竊盜概況,來源自https://www.npa.gov.tw/NPAGip/wSite/ct?xItem=85321&ctNode=12594&mp=1
[3].警政統計通報106年1-10月住住宅竊盜發生時間,來源自https://www.npa.gov.tw/NPAGip/wSite/ct?xItem=85321&ctNode=12594&mp=1
[4].慧生活網,來源http://www.fbblife.com.tw/
[5].(廖志儒, 2014),人臉辨識在Android平臺之實現Face recognition realized in Android platform
[6].洪婉淇(105),物聯網智慧家居安全監控系統之設計
[7].蔡委倫(103),嵌入式智慧家居安全及環控系統的研究
[8].App Inventor 官方網站,來源自http://ai2.appinventor.mit.edu/
物聯網,來源取自MBA智庫百科
[9].http://wiki.mbalib.com/zh-tw/%E7%89%A9%E8%81%94%E7%BD%91
[10].P. Viola and M.Jones, “Rapid object detection using a boosted cascade of sample feature,” CVPR 2001.Processdings of the 2001 IEEE Computer Society Conference on Computer Vision and Recognition,pp.511-518,2001.
[11].Paul Viola, Michael Jones, “Robust Real-time Object Detection”, Second International Workshop on Statistical and Computational Theories of Vision – Modeling, Learning, Computing, and Sampling,2001.
[12].R. Lienhart and J. Maydt, “An extended set of Haar-like features for rapid object detection”, ICIP, 2002, pp. I-900 – I-903 vol.l
[13].G.PrabhuTeja, and S Ravi, “Face Recognition using Subspaces Techniques,” 2012 International Conference on Recent Trends In Information Technology(ICRTIT),pp.103-107, 2012
[14].Pearson, K., “On Lines and Planes of Closest Fit to Systems of Points in Space”, Philosophical Magazine 2 (11), pp.559-572, 1901.
[15].E. Osuna, R. Freund, and F. Girosi, “Training Support Vector Machines: An Application to Face Detection,” Proc. IEEE Conf.
[16].Keerthi S S, Lin C J. Asymptotic Behaviors of Support Vector Machinese with Gaussian Kernel[J]. Neural Computation, 2003,15(7): 1667-1689.
[17].H. Rowley, S. Baluja, and T. Kanade, “Neural Network-Based Face Detection,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 1, pp. 23-28, Jan. 1998.
[18].M. Turk and A. Pentland, “Eigenfaces for Recognition,” J. Cognitive Neuroscience, vol. 3, no. 1, pp, 71-86, 1991.
[19].Lee KC, Ho J, Kriegman DJ. Acquiring linear subspaces for face recognition under variable lighting. IEEE Trans.on Pattern Analysis and Machine Intelligence, 2005,27(5):684-698
[20].http://episte.math.ntu.edu.tw/entries/en_lagrange_mul/index.html
[21].http://cvc.yale.edu/projects/yalefacesB/yalefacesB.html

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔