由於人工智慧的蓬勃發展，無論是自動駕駛車、醫療影像偵測及人臉辨識等應用都包含了人工智慧的技術，其中人臉辨識更是被廣泛應用在生活中，從門禁系統到手機解鎖，從上班打卡到會議簽到，處處都能夠見到人臉辨識帶來的便利性。本論文主要探討企業與客戶進行會議時，因為過往的會議眾多，即便在每次會議後都會拍照留念，但這些會議照片上的人臉並沒有被一對一的給予標籤，而是僅能對應到一份會議名單上，除此之外，這些會後所拍的照片中，也可能參雜了不是會議人員的人臉，甚至在拍照時，由於會議人員協助拍照，因而未出現在照片中，故產生了不對稱的會議名單及會議合照，且對於紀錄會議的人員，既麻煩又易出錯，例如，忘記參與會議成員有誰，或者不清楚參與會議的人員之姓名造成填寫時的困難。有鑑於上述之情況，本論文希望利用人工智慧的技術，透過企業中不對稱的會議名單及會議合照，讓人工智慧進行學習人臉辨識，並透過會議合照，自動化標記會議人員。
本論文的人工智慧之智慧化人臉即時識別系統乃使用OpenFace中的人臉特徵提取模型為基礎，結合本論文設計的人名推論演算法，訓練人臉辨識模型，達成不同於傳統的人臉辨識模型，在訓練模型的過程中，並不需要一對一給予人名標籤的人臉照片中學習，而是能從非對稱的會議合照及會議名單中訓練人臉辨識模型之功能。 實驗顯示，本論文提出之方法於會議合照之人數與會議名單之人數是對稱的，且存在會議名單中的人也必定存在會議合照中的情況下，能夠達到90%以上的人臉辨識正確率，而在不對稱的會議合照之人數與會議名單之人數佔整體訓練資料30%的情況下，人臉辨識的正確率也能夠達到90%以上的正確率，而在所有會議合照之人數與會議名單之人數皆不對稱的嚴苛情況下，可以達到80%左右的人臉辨識正確率。

Due to the rapid development of artificial intelligence, applications such as autonomous vehicles, medical image detection and face recognition include artificial intelligence technology. Among them, face recognition is widely used in life, from access control system to mobile phone unlocking. From the time of work to check-in, the convenience of face recognition can be seen everywhere. This paper mainly discusses the time when the company and the customer hold a meeting. Because there are many meetings in the past, even after each meeting, they will take pictures, but the faces on the photos of these meetings are not given one-to-one labels, but only corresponding On the list of a meeting, in addition, the photos taken after these meetings may also be mixed with the faces of the meeting personnel. Even when the photos were taken, the meeting personnel did not appear in the photos because they assisted in taking pictures. Therefore, an asymmetrical list of meetings and meeting photos are produced, and it is both cumbersome and error-prone for the personnel who record the meeting. For example, forgetting to participate in the meeting members, or not knowing the difficulty of filling in the names of the people participating in the meeting. In view of the above situation, this paper hopes to use artificial intelligence technology to allow artificial intelligence to learn face recognition through asymmetric meeting lists and conference photos in the enterprise, and to automatically mark meeting personnel through meeting photos.
The intelligent face recognition system of artificial intelligence in this thesis is based on the face feature extraction model in OpenFace, combined with the name inference algorithm designed by this thesis, training the face recognition model to achieve different face recognition than traditional ones. The model, in the process of training the model, does not need to learn from the face photos of the one-to-one name tag, but can train the face recognition model from the asymmetric conference photos and conference lists. The experiment shows that the number of people in the conference is symmetrical with the number of people on the conference list, and the person in the conference list must also have the conference photo, which can achieve more than 90% face recognition accuracy. However, in the case of asymmetrical conferences and the number of participants in the conference list accounting for 30% of the overall training materials, the correct rate of face recognition can reach more than 90% of the correct rate, and the number of people and conferences at all conferences In the harsh case where the number of people on the list is asymmetrical, the face recognition accuracy rate of about 80% can be achieved.

目錄
目錄	V
圖目錄	VI
表目錄	VIII
第一章、簡介	1
第二章、相關研究	4
第三章、背景知識	6
3-1 CNN技術	6
3-2 KNN技術與簡介	7
3-3 群集分析技術	7
3-4 openface技術	8
3-5 opencv技術與簡介	9
第四章、系統架構	10
4-1 環境與問題描述	10
4-2 系統架構	13
第五章、系統展示	23
第六章、實驗分析	28
6-1完全對稱	28
6-2不對稱(會議名單人數多於會議合照人數)	29
6-3不對稱(會議名單人數少於會議合照人數)	30
6-4不對稱(不對稱資料佔整體訓練資料的30%)	31
6-5系統辨識速度	32
第七章、結論	34
參考文獻	35
附錄-英文論文	36
 
圖目錄
圖 1:卷積神經網路架構圖	7
圖 2:理想的訓練資料	11
圖 3:實際的訓練資料	11
圖 4:協助拍照而未出現在會後的合照	11
圖 5:有熟識的人員與會議人員一同合照	11
圖 6:設計及實作基於人工智慧之智慧化人臉即時識別系統	12
圖 7:系統流程架構圖	14
圖 8: Dlib偵測會議合照中的人臉	15
圖 9:校正歪斜的人臉	15
圖 10:CNN深度學習網路提取人臉特徵	16
圖 11:人臉特徵向量分布示意圖	17
圖 12: k-means分群結果並不佳	17
圖 13:姓名推論作法概念圖	18
圖 14:姓名推論演算法-輸入第一張合照	19
圖 15:姓名推論演算法-輸入第二張合照	19
圖 16:姓名推論演算法-輸入第二張照片後各群機率整理	19
圖 17: KNN透過過往會議合照的訓練方式	21
圖 18: KNN學習新人臉標籤的方法	21
圖 19:圖中欲分類的點離圓形類別比較近，但根據KNN的分類結果卻會被歸類為正方形類別	21
圖 20:系統需辨識的人	23
圖 21:系統對稱學習-第一組	23
圖 22:系統對稱學習-第二組	24
圖 23:系統對稱學習-第三組	24
圖 24:系統對稱學習-第四組	25
圖 25:系統對稱學習-第五組	25
圖 26:系統對稱學習-第六組	26
圖 27:系統不對稱學習-第一組	26
圖 28:系統不對稱學習-第二組	27
圖 29:系統不對稱學習-第三組	27
圖 30:對稱的訓練資料	29
圖 31: 對稱的訓練資料的情況下，會議合照數與人臉辨識模型正確率之關係圖	29
圖 32:訓練資料中，會議名單人數大於會議合照人數	30
圖 33:在會議名單人數大於會議合照人數為訓練資料的情況下，會議合照數與人臉辨識模型正確率之關係圖	30
圖 34:訓練資料中，會議名單人數少於會議合照人數	31
圖 35:在會議名單人數少於會議合照人數為訓練資料的情況下，會議合照數與人臉辨識模型正確率之關係圖	31
圖 36:不對稱的會議合照之人數與會議名單之人數佔整體訓練資料的30%	32
圖 37:在不對稱的會議合照之人數與會議名單之人數佔整體訓練資料的30%的情況下，會議合照數與人臉辨識模型正確率之關係圖	32
圖 38:合照中人數與人臉辨識系統效能關係圖	33


表目錄
表 1:相關研究功能比較表	5

[1]S. Haji and A. Varol, "Real time face recognition system (RTFRS)," 2016 4th International Symposium on Digital Forensic and Security (ISDFS), Little Rock, AR, 2016, pp. 107-111.
[2]N. Stekas and D. v. d. Heuvel, "Face Recognition Using Local Binary Patterns Histograms (LBPH) on an FPGA-Based System on Chip (SoC)," 2016 IEEE International Parallel and Distributed Processing Symposium Workshops (IPDPSW), Chicago, IL, 2016, pp. 300-304.
[3]A. Ghorbel, I. Tajouri, W. Elaydi and N. Masmoudi, "The effect of the similarity measures and the interpolation techniques on fractional eigenfaces algorithm," 2015 World Symposium on Computer Networks and Information Security (WSCNIS), Hammamet, 2015, pp. 1-4.
[4]H. Zhang, Z. Qu, L. Yuan and G. Li, "A face recognition method based on LBP feature for CNN," 2017 IEEE 2nd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chongqing, 2017, pp. 544-547.
[5]"CS231n Convolutional Neural Networks for Visual Recognition". cs231n.github.io. Retrieved 2018-12-13.
[6]Y. Taigman, M. Yang, M. Ranzato and L. Wolf, "DeepFace: Closing the Gap to Human-Level Performance in Face Verification," 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, 2014, pp. 1701-1708.
[7]Hall P, Park BU, Samworth RJ. Choice of neighbor order in nearest-neighbor classification. Annals of Statistics. 2008, 36 (5): 2135–2152
[8]GitHub Pages,”OpenFace”, https://cmusatyalab.github.io/openface/
[9]Wikipedia,“OpenCV”, https://zh.wikipedia.org/wiki/OpenCV