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 信息與控制學院，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。基于生物特征的人臉識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。總之，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)計與圖形學學報，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.