一种基于人脸认证和RFID技术高效、可靠的人力资源管理方法系统
关键词:HRM,RFID,Haar features,Fisherface
I.介绍
因为我们生活在一个安全遭受威胁的时代,准确的人脸识别对于许多安全应用来说是必不可少的。人脸识别系统是一种重要的生物识别安全解决方案,具有可靠性和准确性,它适用于所有类型的组织。目前有一种方法将人脸识别应用于开发一个人力资源管理解决方案的访问控制系统,以管理前提[1,2,3]的安全性和资源。这种具有较高可靠安全性、耗时较少队列的HRM系统目前采用了人脸识别和射频标识符(RFID)的集成。
RFID是一种自动识别技术,它使用无线电波来捕获和传输任何带有附加标签(芯片)的物品的数据,从而自动识别在给定范围[4]内的项目。与其他自动识别技术相比, RFID具有优势:长读取范围使不同距离的自动识别成为可能,实时读写功能,组件上的数据存储,不需要视线读取,在恶劣环境[4,5]中工作持久。在安全应用中,RFID技术引起了许多安全问题。由于该系统不局限于视线范围,外部(和恶意的)高强度定向天线可以用于扫描敏感标签。当该技术被用于高安全的操作时,如支付验证或考勤控制,特别是当RFID卡持有人是一个抢劫者或小偷[6]时,欺诈总是可能的。
另一方面,在人脸识别领域,有许多统计方法用于从静止图像和视频序列中确定人脸特征。例如,Lee使用彩色皮肤人体模型来确定候选面孔,然后排除那些不满足类似椭圆形[7]属性的面孔。最后,训练神经网络从一个简单的背景[8]来识别人脸。[9]中的另一种方法使用没有参数的肤色模型,并建立适当的过滤器来寻找候选面孔, 但是这种方法很难区分周围颜色与人类肤色过于接近的问题。在[10]中,Park等人利用支持向量机(SVM)通过三维位置和运动来检测注视点、嘴巴和虹膜候选对象,但在训练阶段的经过时间过长。在[11]中,作者评估了逆概率的块差值(BDIP)和局部相关系数矩的块差值(BVLC),并作为SVM分类器的输入特征向量,对从捕获的图像中提取的人脸或非人脸进行分类。实验结果表明,该模块的性能相对较好,但在不同的光照环境下性能不稳定。
本文提出的人力资源管理系统是一个多因素认证系统,需要用户的交互最少,并支持会话迁移。该系统使用RFID作为基于所有权的认证因素,使用网络摄像头进行人脸检测作为基于内在的身份验证因子。从数据库中提取使用RFID卡的用户记录, 从相机捕获的用户脸将被转发到认证过程中。为了提高人脸识别模块的效率和稳定性,提出了多窗口BDIP(MW-BDIP)和多窗口模块BVLC(MW-BVLC)矩,这是从原始的BDIP和BVLC矩[11]修改而来,被计算和作为支持向量机分类器[12,13]的输入特征向量(SVM)。在人脸认证模块中, 使用 Client Specific Fisherface方法[14,15,16]来实现对RFID卡持有人的已识别的面部(ID面)或非识别面部(非ID面)的决策。
该论文分为四个部分。在第1节的介绍之后,将对系统的操作进行概述。第3节介绍了Haar类特征,MW-BDIP和MW-BVCL 矩,SVM分类器和Client Specific Fisherface方法,均应用于所提出的人力资源管理系统。最后,第4节讨论了实验结果和实验绩效评价后的论文结论。
II.微光提议的hrm系统
A.系统概述
如图1所示,本系统主要由四个模块组成:(1)RFID读卡器模块,(2)图像采集与人脸检测模块,(3)数据库处理模块,(4)人脸认证模块。第一个RFID读取器模块的功能是检测用户ID标签,然后访问系统数据库以提供相关的信息将信息发送到用户ID。在第二个模块中,相机获取RFID卡持有人的图像,然后通过采用类似Haar类特征[17, 18]来对最终的人脸定区域进行定位。我们利用一种SVM分类器来提高其稳定性的人脸检测,因为如果SVM判定非脸,相机应该再次捕捉,同时检测到用户ID。在第三个模块中,与用户相关的数据例如用户ID、用户面部图像等可以从系统数据库检索或更新到系统数据库,并且可以授予来自数据库的访问权以进行身份验证。最后,在应用Fisherface方法的认证模块中,RFID卡持有人的人脸将被验证为IDface或非IDface。因此,具有IDface的RFID卡持有人将被批准登录系统,否则该用户将被视为非法入侵者或小偷,访问将被拒绝。
B.RFID阅读器
RFID技术涉及到使用标签和读卡器,它们用于执行检测和识别过程,而跟踪、分析和评估是通过使用硬软件结合系统[19]来执行的。被称为RFID标签的微小设备被附着在物体上,并发出信息,适当位置的阅读器可以无线捕获。这些标签和阅读器有各种形式,具有技术能力,可以打开新的应用领域,并且已经被用于提高效率和可靠性, 特别是在人力资源管理系统领域。
在我们提出的系统中,使用一个RFID阅读器对用户及其相应的RFID标签进行检测和识别,并将这些信息传输到中间件,以便从数据库服务器中检索RFID信息。将RFID集成到人力资源管理系统中可以提高用户的出勤率和时间跟踪,员工的这些信息可以被记录在数据库中,以便进行进一步的数据处理和报告。然而,为了提高人力资源管理系统的可靠性,应考虑避免非法实施者或小偷对RFID卡的非法访问。因此,将基于摄像头的认证模块集成到所提出的人力资源管理系统中是解决这一具有挑战性问题的建议解决方案。
C.图像采集和人脸检测
1)Haar类特征
Haar-like特征考虑检测窗口中特定位置的相邻矩形区域,总结这些区域中的像素强度,并计算它们之间的差异。然后使用这个差异来对图像[20]的子部分进行分类。例如,对于一个有人脸的图像数据库,常见的观察是,在所有面孔中,眼睛区域比脸颊区域颜色更深。因此,用于面部检测的一个常见的Haar特征是位于眼睛和脸颊区域上方的两个相邻矩形的集合。这些矩形的位置是相对于一个检测窗口定义的,该检测窗口的作用类似于目标对象的边界框。
在[18]中Viola-Jones目标检测框架的检测阶段,在输入图像上移动目标大小的窗口,并对图像的每个子部分计算Haar-like特征。然后将这种差异与一个将非对象和对象分离的学习阈值进行比较。Haar-like特征只是一个弱的学习器或分类器;因此,需要大量的Haar-like特征来准确描述一个对象。在Viola-Jones 对象检测框架中,类似haar的特征因此被组织成一个称为分类器级联,以形成一个强大的学习器或分类器。与大多数其他功能相比,Haar-like的功能的关键优势是它的计算速度。由于使用了积分图像,在不变的时间内都可以计算出任何大小的Haar-like特征。
2)BDIP和BVLC
逆概率块差(BDIP)[11,21]是测量图像块强度变化的纹理特征。定义了大小为Wtimes;W的块的BDIP作为:
块内强度变化越大,BDIP值越高。
局部相关系数的块变化(BVLC)[11,21]表示基于块的局部相关系数(LCCs)根据四个方向的变化( minus; 90°, 0°, minus;45°, 45°).众所周知,它还可以测量纹理平滑度。每个方向上的LCC分别为:
BVLC被定义为:
块的粗糙度越大,BVLC值越高。图中显示了一个用4times;4窗口计算的BDIP和BVLC图像的一个例子。
3)SVM分类器和特征向量的提取
a)SVM理论
SVM算法将学习一个线性分离的超平面,将样本分为两类。拉格朗日多路复用器的介绍alpha; = (alpha;1,alpha;2,...,alpha;N) ge; 0我们有以下的拉格朗日函数:
在实际的分类问题中通常会遇到的线性不可分离的数据,采用适当的非线性算子Phi;(sdot; )将输入将特征向量映射转化为一个更高维的特征。
通过省略数学推导的细节,我们最终可以用一个非线性分类器对一个新的样本x进行分类,其中K被称为核函数[22] 。
本文采用了一种带有高斯RBF核的非线性SVM分类器。
b)BDIP和BVLC特征提取
每个被归一化到相同大小的候选人脸被划分为给定大小ktimes;k的不重叠块,然后在每个块中计算BDIP和BVLC值。这些值以下面描述的方式被分为四类。首先,将所有块中的 BDIP值划分为两个子类,其阈值为BDIP值的平均值。然后,以每组中所有BDIP值的平均值作为阈值,将每个子类进一步分为两个子类。BVLC值也以类似的方式进行分类。然后提取每个类的BDIP和BVLC值的一阶和二阶矩,形成一个SVM分类器的输入特征向量。输入图像的特征向量xk被定义为:
其中分别表示给定窗口大小ktimes;k的第n类BDIP和BVLC的一阶和二阶矩。
为了更好地利用人脸和非人脸物体的纹理特征,我们计算了不同窗口大小的BDIP和BVLC矩,并将其组合成一个特征给定对象的向量。因此,BDIP和BVLC矩被称为多窗口BDIP(MW-BDIP)和多窗口BVLC(MW-BVLC)矩。本文分别计算了窗口大小为2times;2、3times;3和4times;4的区域的MW-BDIP和MW-BVLC 矩。特征向量的维数是检测过程中最重要的因素之一,它决定了SVM中特征向量的存储空间量、SVM检测精度和分类时间。
D.人脸认证模块
Client Specific Fisherface是一种广泛应用的基于主成分分析(PCA) 和线性判别分析(LDA)技术的人脸认证方法[13]。主成分分析技术,也被称为卡胡宁-洛夫方法,选择一种降维线性投影, 以最大限度地增加所有投影样本的散点。[14].但是,当对象之间存在明显的区别时,主成分分析被证明是无效的。结果,贝尔胡默使用了一种名为LDA或Fisherface的新算法作为PCA[18]的改进版本。
假设在数据库中拥有面部图像的人被称为合法人脸或ID人脸,否则是冒名顶替者或非ID人脸。设C为训练集中的ID人脸的个数,每个ID人脸都可能有k个变化,训练集的大小为N=Ctimes;k。然后,通过将探针图像z投影到PCA空间U,然后投影到fisher脸V上进行全局平均mu;,来测试个人身份声明:
个人身份验证问题作为一个两类问题:类omega;i包括ID人脸和类Theta;i包括那些冒名顶替者,i代表第i个所声称的身份。冒名顶替者等级thetasym;的平均值Theta;i在PCA空间中,可以表示为:
类间分散矩阵SB在客户类和第i类顶替者之间表示为:
根据该定义,类冒名顶替者的协方差矩阵可以表示为:
类内的散射矩阵SW现在是通过ID人脸和冒名者或非ID人脸的协方差矩阵加权平均得到的:
这两类问题的线性判别式可以通过求出矩阵的特征向量来确定SWSB与非零特征值相关联的。事实上,在这两类的课程中问题是只有一个这样的向量和特征值lambda;,它们由:
对于第i个ID人脸,特定的线性判别变换ai然后给出:
探针z可以对ID面平均向量mu;i进行测试通过集中两者的全局平均mu;为中心将他们投射到fisher脸ai.用于决策的测试统
剩余内容已隐藏,支付完成后下载完整资料
英语原文共 7 页,剩余内容已隐藏,支付完成后下载完整资料
资料编号:[595905],资料为PDF文档或Word文档,PDF文档可免费转换为Word
课题毕业论文、外文翻译、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。