基于Python与深度学习的多目标人脸识别系统

资源摘要信息:"该毕业设计项目是一个以Python语言编写的多目标人脸识别系统，该系统结合了深度学习技术和传统的人脸识别方法，以实现高效且相对准确的人脸识别功能。系统的主要功能包括：通过电脑摄像头捕捉多目标人脸图像，并使用FaceNet和DLib算法对人脸进行识别；使用Haar和Dlib方法进行人脸数据采集；将识别结果与Mysql数据库中存储的面部数据进行比对，生成包含学号和姓名的考勤表；并通过邮件将考勤结果发送给用户；系统还包括一个交互式界面，以方便用户操作；最后，利用py2exe工具将Python脚本打包成可执行文件（exe）。 具体知识点如下： 1. 深度学习在人脸识别中的应用：系统采用的FaceNet是Google开发的一种人脸识别算法，通过深度神经网络学习人脸的嵌入（embedding）表示，使得具有相似人脸的嵌入值彼此接近，而不同人脸的嵌入值相差较远。这使得FaceNet在人脸识别任务中能够达到较高的准确率和效率。 2. CPU资源下的多目标人脸识别限制：在使用普通电脑的CPU资源进行多目标人脸识别时，系统的性能会受到硬件的限制，导致在面对10人以上的识别任务时，计算能力和性能会达到一个平衡点，影响识别效果。 3. 人脸数据采集方法：系统中人脸数据采集使用了Haar特征分类器和DLib库。Haar特征分类器适合于快速采集大量人脸数据，而Dlib则被用于精细调整和修补人脸库。 4. 数据库技术：系统中的考勤结果需要与Mysql数据库中的表进行比对，Mysql作为一个广泛使用的开源关系型数据库管理系统，其表结构需要预先设置好，以便存储和检索人脸数据及对应的学号和姓名。 5. 邮件通知功能：为了方便用户实时获取考勤结果，系统设计了将考勤数据通过邮件发送给用户的机制。这需要系统后端支持邮件发送功能，可能涉及到SMTP协议的使用。 6. 用户界面设计：为了提升用户体验，系统提供了一个交互式的用户界面，用户可以通过该界面进行操作，例如启动人脸采集、查看考勤结果等。 7. 打包与分发：使用py2exe工具将Python编写的脚本程序打包成Windows平台的可执行文件（exe），使得系统可以脱离Python环境独立运行，方便非技术用户使用。 8. 数据集训练与模型选择：系统使用FaceNeT模型训练了一个面向亚裔人脸的数据集，并取得了约98%的准确率。同时，系统还使用了预训练的dlib_face_recognition_resnet_model_v1模型，这是一种基于深度残差网络的人脸识别模型。 综上所述，该毕业设计的多目标人脸识别系统融合了深度学习、图像处理、数据库管理和软件打包等多种技术，是一个跨学科的综合项目。通过该系统，可以实现多目标人脸的快速识别，并生成考勤记录，具有一定的实用价值和应用前景。"