用于智能門禁系統(tǒng)的人臉識別技術(shù)*

劉 利，王 棟，董 惠

（1.西安建筑科技大學(xué) 信息與控制學(xué)院，陜西 西安 710055；2.陜西晟欣電氣工程有限公司，陜西 西安 710119）

1 引言

智能建筑（即智能大廈和智能住宅小區(qū)）是建筑藝術(shù)和現(xiàn)代控制技術(shù)、通信技術(shù)和計算機技術(shù)有機結(jié)合的產(chǎn)物。智能門禁系統(tǒng)是限制進入小區(qū)的外來人員的重要設(shè)施，可分時段、分區(qū)域、分級管理出入人員，以確保內(nèi)部安全。智能門禁系統(tǒng)的識別系統(tǒng)通常采用各種卡式識別系統(tǒng)，包括磁卡、IC卡、射頻卡（TM）、智能卡、指紋識別等。各種智能門禁系統(tǒng)一般采用電動門鎖和智能卡取代傳統(tǒng)的門鎖和鑰匙，用戶持有一張編碼唯一的加密智能卡。

筆者對基于人臉識別技術(shù)的智能門禁系統(tǒng)進行了研究?；谏锾卣鞯娜四樧R別是通過人類自身的生理特征確定一個人的身份。生物特征是人內(nèi)在擁有的，不會遺失，不易復(fù)制，方便使用，比起傳統(tǒng)的密碼和磁卡等手段，更具可靠性及安全性。圖1為基于人臉識別技術(shù)的智能門禁系統(tǒng)。

2 人臉識別技術(shù)

在安全控制和人機交互等領(lǐng)域內(nèi)，自動人臉識別技術(shù)有著廣泛的應(yīng)用[1-5]。早期的人臉識別算法有基于幾何特征的人臉識別（利用面部特征點的大小、位置、距離和形狀等幾何參數(shù)為特征進行識別）和基于模板匹配法 （利用相關(guān)匹配比較待識別圖像和標準模板）。經(jīng)過多年研究，形成了人臉識別的幾個主流研究方向[6-7]：基于主元分析的特征臉方法是一種比較成功的人臉識別技術(shù)，掀起了人臉識別研究的第二次高潮；Fisher臉方法在特征臉的基礎(chǔ)上，引入類內(nèi)共性和類間差異的分類信息，使得投影子空間適用于分類問題；彈性圖匹配法是一種解決多姿態(tài)變化問題的基于局部信息的人臉識別方法；局部特征分析法考慮了面部局部特征的信息和它們之間的拓撲關(guān)系。這些主流技術(shù)在近期得到了更為細致的研究和探索。在分類器設(shè)計方面，許多研究采用了基于神經(jīng)網(wǎng)絡(luò)的方法、基于支持向量機的方法和基于多分類器的方法。除了上述靜態(tài)圖像人臉識別的研究，三維圖像識別研究和動態(tài)臉像識別也是人臉識別研究的重要組成部分。

3 人像檢測的實用算法

使用常用的模板相關(guān)運算，即使用人像檢測器作為模板在被檢測的矩形圖像窗口逐行逐列移動，從而計算相關(guān)度，相關(guān)度最大的位置即為最佳匹配定位點。由于模板的移動是逐點遍歷窗口圖像，當前匹配運算點與前面已經(jīng)匹配運算過的位置無關(guān)聯(lián)，所以它們的匹配運算路徑無助于到達最佳匹配位置，匹配效率很低。筆者使用一種實用圖像檢測的算法，使模板圖像在給定窗口圖像中盡量向下一個相關(guān)度較大的位置移動，從而使模板圖像能快速到達最佳匹配點[2]。檢測方法見圖2。

在圖2中，設(shè)A為M×N給定窗口圖像點陣，B為m×n人像檢測器點陣，它們都是 256 級灰度圖像，即 0≤A（i，j）≤255，其中 0≤i≤M-1，0≤j≤N-1。 同樣，0≤B（i1，j1）≤255，其中 0≤i1≤m-1，0≤j1≤n-1，m∈（0，M），n∈（0，N）。有效的匹配運算區(qū)域在圖2a虛線所圍矩形內(nèi)。

以人像檢測器作為模板，將其左上角移動至圖像A中點（i，j）處并進行相關(guān)匹配運算，它對應(yīng)于窗口圖像的子圖像塊（圖2中陰影區(qū)域），可記為

式中：i1∈（0，m-1）；j1∈（0，n-1）；是人像檢測器均值，僅需計算一次；是子圖像塊的均值；γ（i，j）∈[-1，1]。 歸一化相關(guān)度與子圖像塊和人臉檢測器的大小變化無關(guān)。

該算法的基本思想為：移動人臉檢測器進行相關(guān)運算，使人臉檢測器的移動方向與最大相關(guān)度方向一致，從而使匹配位置快速到達最佳匹配運算點。設(shè)當前匹配運算點P0，對應(yīng)相關(guān)度為γ0，選擇其3×3鄰域中相關(guān)度最大的一個點為下一個匹配運算點，否則任選一個未被使用過的點，重復(fù)上述過程。由于相關(guān)度已歸一化到[-1，1]區(qū)間，因此可以用一個相關(guān)度閾值來檢測當前點是否為最佳匹配點。

4 人像識別的快速算法

人像識別一直是人們研究和探討的課題。目前常用的圖像識別方法有：1）基于圖像紋理的圖像識別，如何選擇合適的圖像紋理參數(shù)定義圖像相似度是問題的關(guān)鍵和難點。2）基于圖像直方圖的圖像識別，如果兩幅圖像有相似的直方圖（相似的均值，相似的方差），則這兩幅圖像是相似的。3）基于圖像內(nèi)容的圖像識別，圖像可表示為一種支持目標特征和目標間關(guān)系的屬性關(guān)系圖，若兩幅圖像的屬性關(guān)系圖是相似的或可匹配的，則這兩幅圖像是相似圖像。筆者介紹一了種新穎的圖像識別方案。該算法歸結(jié)為一幅圖像“旋入”另一幅圖像的概率。

如果 T1∈Rm×n是標準圖像，T2∈Rm×n是待識別圖像，定義正交問題意義下的圖像相似度 （Image Similarity Degree，ISD），設(shè)為

式中：QTQ=En；Q∈Rm×n是正交變換陣；F 是一范數(shù)；En是單位陣。則

ISD算法步驟如下：

1）已知 T1∈Rm×n，T2∈Rm×n，設(shè)

3）Q=UVT；

5 實驗結(jié)果分析

本文使用Yale圖像庫中的部分圖像和用數(shù)碼相機自拍的圖像共同建立了一個測試圖庫，每人有3～8張照片，每張照片有較大的表情變化、明暗度變化，并且包括同一個人戴眼鏡與不戴眼鏡的情況。樣本圖庫選用每人一張較為標準的圖像，作為識別的樣本。

實驗結(jié)果如圖3所示，左邊的視窗顯示了所有待識別圖像，選中當前待識別的圖像（用矩形框標出），右邊的視窗顯示匹配得出的標準圖像，標準人臉圖像下面的數(shù)字即為計算得出的相關(guān)性系數(shù)，同時給出此人的相關(guān)信息（預(yù)先在樣本圖庫中給出）。從仿真結(jié)果可以看出，同一個人的人臉之間明顯比不同人的人臉之間的檢測結(jié)果小，合理選擇閾值，即可正確識別人臉圖像。從實驗結(jié)果可以看出本文方法對于多姿態(tài)的人臉識別具有較好的識別率，并且可以在一定程度上適應(yīng)光照明暗強度的變化。

若將測試圖庫中的所有圖像進行匹配，則應(yīng)設(shè)定適當?shù)蔫b別門限。當兩個模式之間的距離小于該門限時，認為這兩個模式匹配，否則認為不匹配。對于門限的合理選擇，必須盡可能減小錯拒率（False Rejection Rate，F(xiàn)RR）和錯收率（False Acceptance Rate，F(xiàn)AR），從而使正確識別率（Correct Recognition Rate，CRR）獲得良好的結(jié)果。所謂錯拒率就是將兩個本來屬于同一類的模式誤認為不是同一類。所謂錯收率是指將兩個本不屬于同一類的模式誤判為同一類。可以通過統(tǒng)計錯拒率和錯收率設(shè)定鑒別門限。若門限定的高，錯拒率會減小，而錯收率將上升；反之，當門限定的低時，錯拒率會上升，而錯收率將減小?？傊?，錯拒率和錯收率不可能同時減小，哪一個比重大些，可以使用權(quán)重因子α控制，由此構(gòu)筑用于設(shè)定門限的函數(shù) f（ISD）為

式中：f（ISD）的最小值對應(yīng)的 ISD就是鑒別門限；f1（ISD）和f2（ISD）分別為關(guān)于相關(guān)性系數(shù)ISD的錯拒率和錯收率。α<1，表示認為錯收的風(fēng)險較大，選擇的門限將使錯收率低于錯拒率；反之，α>1，表示認為錯拒的風(fēng)險較大，選擇的門限將使錯拒率低于錯收率。

6 小結(jié)

利用人臉識別技術(shù)將傳統(tǒng)的鑰匙開鎖用人臉作為“鑰匙”來代替，此“鑰匙”絕對唯一，不會丟失。在樓宇門口安裝人臉識別終端機，對住戶進行人臉登記，作為開門的“鑰匙”，只有合法的住戶進行身份識別時，方可成功開門，一旦有不法分子想進入樓宇，檢測到身份不符，對住戶和管理人員發(fā)送警示信號，并拍下不法分子照片，防止小偷作案。專門針對樓宇的安全防范而設(shè)計的樓宇人臉識別智能門禁系統(tǒng)，必將提升樓宇的安全性。

[1]薛鴻民，劉志鏡，劉利，等.基于形狀的圖像檢索的關(guān)鍵技術(shù)研究[J].計算機應(yīng)用研究，2002（11）：20.

[2]劉利，董惠，王棟，等.一種基于小波的人像檢測快速算法[J].金卡工程，2006（8）：13.

[3]楊潤玲，周軍妮，劉利.基于改進型FCM聚類的圖像分割新方法[J].電視技術(shù)，2008，32（6）：12-14.

[4]周軍妮，劉利.基于Hough擬合算法的對稱目標姿態(tài)測量新方法[J].電視技術(shù)，2007，31（8）：91-93.

[5]周激流，張華，郭晶，等.基于先驗?zāi)０宓娜四樏娌刻卣魈崛〉难芯縖J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報，2000，5（12）：337-339.

[6]田捷，楊鑫.生物特征識別技術(shù)理論與應(yīng)用[M].北京：電子工業(yè)出版社，2005.

[7]RAJAGOPALAN A N，BURLINA P，CHELLAPPA R.Higher order statistical learning for vehiclle detection in images[C]//Proc.the Seventh IEEE InternationalConference on ComputerVision.Kerkyra，Greece：IEEE Press，1999：1204-1209.