基于人臉識別的智能門禁系統

王飛，程威，余斌

（常熟理工學院電氣與自動化工程學院，江蘇常熟215500）

基于人臉識別的智能門禁系統

王飛，程威，余斌

（常熟理工學院電氣與自動化工程學院，江蘇常熟215500）

針對智能門禁系統的發展需求，提出了一種基于人臉識別的門禁系統.系統首先通過圖像采集設備得到目標圖像，然后利用空間轉換建立目標圖像在新空間下的膚色似然圖，進而通過二值化、形態學處理并結合特征過濾實現人臉的定位和提取.提取到人臉圖像后，利用主成分分析獲得待測人臉與數據庫的人臉特征并通過相似度度量實現人臉的識別.實驗證明，該系統能夠有效的實現人臉定位和識別，能夠滿足智能門禁系統的基本需求.

智能門禁；人臉識別；主成分分析；LabVIEW

1　引言

隨著社會的發展和生活水平的提高，人們對自身安全和財產保障的需求越來越強，智能門禁系統作為保障人身和財產安全的重要組成部分迅速發展起來.

在當前的智能門禁系統中，基于電子信息技術的門禁系統占據主要市場，如光符識別技術、磁條字符識別技術、IC卡識別技術和射頻識別技術等.這些技術有著成本低、技術成熟等優點，然而其需攜帶、易偽造和智能化水平較低等缺點難以滿足人們對安防日趨提升的需求.隨著生物特征識別技術的不斷發展，利用人的生理特征或行為特征進行個人身份鑒定的方法被越來越多地應用于智能門禁系統的設計中，如指紋識別、語音識別、人臉識別、虹膜識別等門禁系統［1］.這些技術因生物特征附于人體而使用更加方便，難以偽造和被盜，有著更好的防偽性能，且使得基于生物特征的門禁系統越來越受到研究人員的重視.針對這一情況，本文設計了一種基于人臉識別的智能門禁系統.

2　系統構成

本系統由攝像控制模塊，圖像處理與識別模塊和門鎖控制模塊構成.攝像控制模塊主要完成人臉圖像的采集，圖像處理與識別模塊則通過圖像處理技術實現人臉的定位和對象識別，門鎖控制模塊包括NI ELVIS和步進電機.其示意圖如圖1.

該識別系統工作流程：首先，使用攝像頭進行圖像采集，然后對獲取的圖像進行濾波、空間變換、分割、形態學處理和特征過濾，實現人臉的定位和檢測.再將檢測到的人臉送入識別模塊，通過主成分分析（Principal Components Analysis，PCA）算法，將待檢測圖片與人臉圖像數據庫里面的圖像進行特征提取再通過相似度度量判斷人員是否準入，對準入人員通過ELVIS控制電機開門并記錄相關信息，否則顯示禁入標志.

系統的核心為人臉識別，包括圖像處理，人臉定位檢測，識別，其工作流程如圖2所示.

圖2　識別系統構成框圖

2.1圖像預處理

門禁系統的圖像采集在數字化和傳輸過程中受到成像設備與外部環境噪聲干擾等影響，使得圖像包含了不利于檢測的噪聲，因此，需要噪聲處理環節.中值濾波是一種常用的非線性平滑濾波器，進行中值濾波不僅可以去除孤點噪聲，而且可以保持圖像的邊緣特性，不會使圖像產生顯著的模糊，適合于人臉圖像的檢測與識別.

中值濾波的基本原理是把數字圖像（或數列）中一點的值用一個鄰域中各點的中值替代，讓其鄰域內像素的灰度值差比較大的像素由其周圍灰度值接近的值代替，從而消除孤立點產生的噪聲［2］.其核心思想是：定義窗口內對作用樣本X（n-i）…X（n）…X（n+i）取中值，即：

其中，med［］表示窗口內數據按升序排序后，取其中間值方法是取某種結構的二維滑動模板，將模板內像素按照灰度值排序后得到升序（或降序）序列.在這里，選擇把當前中心像素點作為待處理噪聲點，在窗口中心點的鄰域內除去可能噪聲點后取所剩下的信號點，并用它們排序后取中值點的灰度值代替當前中心點灰度值.這樣以椒鹽噪聲的兩個特征為判斷依據，通過設定兩個閾值區分當前點是噪聲點還是信號點，用信號點的中值來替代噪聲，該方法可以準確地去除噪聲點，并能保護圖像更多的細節信息.對于帶有較高密度椒鹽噪聲的各種圖像都有很好的濾波效果.

預處理環節除了濾波還包括人臉歸一化處理，在人臉定位并提取后需要對人臉圖像進行縮放歸一化處理，以便后續的主成分分析法進行的特征提取和相似度度量.

圖像縮放采用的是經典的雙線性插值算法［3］，其原理為：采用一個2×2的鄰域，在水平方向上進行兩次插值，然后在垂直方向上采用一次插值，從而得到新的插值點，即根據采樣點和相鄰點的距離確定相應的權值，計算出采樣點的灰度值.其表達式為：

2.2人臉檢測

人臉檢測的過程，首先將采集處理過的圖像進行空間變換，由RGB空間轉換到YCbCr色彩空間，然后進行膚色建模得到膚色似然圖，再對膚色似然圖進行圖像分割得到人臉區域.將分割得到的人臉圖像送入下一步的人臉識別模塊.示意圖如圖3所示.

圖3　人臉檢測流程圖

2.2.1空間轉換及膚色建模

膚色是人體表面最為顯著的特征之一，是人臉的重要信息.其特性能將膚色與大多數背景物體的顏色區別開來，且不依賴于人臉細節特征，因此皮膚顏色為人臉檢測提供了重要依據.本系統通過膚色信息實現人臉檢測.膚色檢測利用了YCbCr色彩膚色模型將圖像中的膚色區域和非膚色區域分開，得到人臉檢測的候選區域［4-7］.

相對于其他的色彩空間而言，YCbCr色彩空間受亮度的變化影響小，能夠較好的限制膚色分布的區域，而且YCbCr色彩空間的膚色聚類特性較好，利于膚色區域與非膚色區域的分離.因此，將采集的圖像由RGB空間轉化為YCbCr色彩空間.轉換公式如下：

經過空間變換后的圖像在YCbCr色彩空間進行膚色建模以實現人臉檢測.利用高斯模型對膚色區域進行建模，通過膚色概率密度函數進行膚色相似度的計算，得到膚色似然圖.高斯模型G（m，C2）是橢圓高斯聯合概率密度函數：

其中，x=［Cr，Cb］T是像素的色度向量，協方差矩陣C=E｛（x-m）（x-m）T｝，m是均值向量，通過高斯膚色模型的建立，得到待檢測圖像的相似度度量值.

2.2.2圖像分割與形態學處理

經過相似度計算以后，圖像中所有與膚色相似的區域（臉部、頸部、手臂等）其灰度值比非皮膚區域高，利用OTSU方法［8］選取最佳閾值對圖像進行閾值分割，得到二值化圖像.

OTSU算法又稱最大類間方差閾值選擇法，是一種自適應的閾值確定的方法.它是按圖像的灰度特性，將圖像分成背景和目標兩部分.背景和目標之間的類間方差越大，說明構成圖像的兩部分的差別越大，當部分目標錯分為背景或部分背景錯分為目標，都會導致兩部分差別變小.因此，使類間方差最大的分割意味著錯分概率最小［8］.

由于外界環境的干擾，二值化后的圖像會存在若干噪聲點，需要對噪聲點進行濾除處理，另外，人的眉毛、眼睛、嘴唇等為非膚色區域，使得分割后的人臉區域存在空洞，會導致二值化后的圖像存在一些毛刺，孤立點，以及較窄的連接區域等.因此，要對二值化圖像進行形態學處理.本文采用膨脹、腐蝕、開運算、閉運算等組合操作來解決這個問題.

2.2.3人臉定位

經過上述處理后的圖像依然會存在若干非人臉區域，其造成原因是由于手、臂等非人臉的膚色區域并未作為噪聲消除.為了消除該部分的影響，定義3個特征以消除非人臉檢出區域的影響：面積特征、寬高比和矩形度.定義如下：

通過以上特征濾除非人臉的膚色區域以進一步定位人臉.

2.3人臉識別

經過上述步驟處理后得到人臉圖像，此時利用相似度判別方法對待檢測人臉進行識別，以判斷其是否為準入人員.

識別流程首先是對上步驟中檢測到的人臉圖像利用主成分分析法進行提取特征［9］，得到特征臉，然后利用歐氏距離度量待測人員與數據庫中對象的相似度，根據相似度最大原則判斷其是否為準入人員.

具體分為兩個過程：利用特征臉法進行人臉識別的訓練過程和識別過程.其具體步驟如下：

2.3.1訓練階段

（1）設訓練集有K張人臉樣本.每張人臉圖像大小為M*N，將其排列成L維列向量可以得到K張人臉圖像的訓練樣本矩陣為X=（x1，x2，…xk）T.

（2）計算平均臉

（3）計算每一張人臉與平均臉的差值，得到差值臉

（4）構建協方差矩陣

（5）求協方差矩陣的特征值和特征向量，構造特征臉空間w.

（6）將每一幅人臉與平均臉的差值臉矢量投影到“特征臉”空間，即

協方差矩陣的維數為L*L，考慮其維數較大，計算量比較大，所以采用奇異值分解（Singlar Value Decomposition，SVD），通過求解AAT的特征值和特征向量來獲得AAT的特征值和特征向量.其具體步驟如下：

（1）求出AAT的特征值λi及其正交歸一化特征向量vi；

（2）根據特征值的貢獻選取前p個最大特征值及其對應的特征向量；

p的選取通過貢獻率獲得，其中貢獻率是指選取的特征值的和與占所有特征值的和之比.一般使訓練樣本在前p個特征向量集上共享率按95%以上選取.

原協方差矩陣的特征向量，

則“特征臉”空間為：

2.3.2識別階段：

（2）定義閾值：

（3）利用歐式距離度量相似度：

（4）若dist＞T，則該對象為準入人員，否則認為待識別對象可以進入.

3　實驗與分析

為驗證系統的有效性，在labview框架下，對人臉的檢測和識別進行了驗證.為了便于系統的分析驗證與管理，系統共設計了4個環節，登錄界面，原圖像與人臉檢測，預處理和識別.系統的登錄界面如圖4.

為了便于系統的調試與改進，系統設計了“圖像與人臉檢測”環節，該環節同步給出了攝像頭采集的目標圖像（原始圖像）、原始圖像經過中值濾波后通過空間變換得到YCbCr空間下的膚色似然圖、進一步的利用二值化處理得到的分割圖像、經過圖像的形態學處理并結合特征關聯過濾掉非人臉區域得到待識別的人臉圖像、通過方框標記的人臉圖像和提取的人臉圖像.其實驗驗證效果圖如圖5.

從圖5可以看到，通過空間變換再二值化分割后得到的人臉圖像有效的標識出人臉區域，如二值化所示效果，然而該圖同時可見的是手部，背景等信息同時出現在二值化的圖像中，除此之外還包括細小的噪聲粒子，為了有效的檢測出人臉，消除干擾信息，需要使用圖像的開關膨脹、腐蝕和開關的操作并結合前文提出的相關特征以過濾干擾元素.通過圖像腐蝕膨脹、開關和特征過濾，得到去除非人臉區域效果圖.該圖有效的定位出人臉，再通過標記和對標記區域進行提取即得到待識別的人臉.

圖4　系統登錄界面

圖5　人臉檢測

待識別人臉得到后，通過人臉圖像灰度化，尺寸歸一化得到與數據庫存儲圖像一致的格式，如圖6所示.

圖6　預處理

最后，將預處理后的人臉圖像利用主成分分析進行特征提取，再通過歐式距離的相似度度量實現人員識別任務，若是準入人員，則輸出人員信息、記錄于數據庫并通過ELVIS驅動電機打開實驗室門，否則給出禁止入內的信息提示.

圖7　識別結果

為了提高系統的性能，該系統還實現了雙人檢測和識別，其檢測效果如圖8所示.

圖8　雙人檢測識別

程序整體框圖如圖9.

圖9　程序框圖

實驗使用的樣本庫由實驗室人員與人臉識別數據庫部分樣本共同構成，共選用80個樣本圖像構成.識別階段，人臉識別過程所需的平均時間為0.6s，用戶的識別率為85.3%.

4　結論

本文給出了一種基于人臉識別的實驗室門禁系統的設計，該系統使用攝像頭采集人員圖像通過計算機在labview框架下實現人臉的定位與識別，并通過ELVIS驅動電機控制實驗室的門開關.經過統計分析得到：人臉識別過程所需的平均時間為0.6s，用戶的識別率為85.3%.因此，此系統具有較高的識別率，較好的快速性，可以滿足門禁系統的可靠性和實時性的要求.

［1］趙文，李曉玲.基于LSSVM和RFID的智能門禁身份認證系統設計［J］.計算機測量與控制，2015，23（3）.

［2］劉國宏，郭文明.改進的中值濾波去噪算法應用分析［J］.計算機工程與應用，2010，46（10）：187-189.

［3］林媛.圖像縮放算法研究及其FPGA實現［D］.廈門：廈門大學，2006.

［4］黃雄棟.人臉識別系統中的特征檢測算法研究［D］.哈爾濱：哈爾濱工業大學，2007.

［5］柳映輝，任德華，陳少杰.基于高斯膚色模型和圖像分割的人臉檢測［J］.天津科技大學學報，2010，25（5）：64-67.

［6］郭聳，顧國昌，蔡則蘇，等.膚色相似度和動態閾值相結合的膚色分割技術［J］.計算機工程與應用，2010，46（18）

［7］王真，李金屏，劉琳.利用多顏色信息融合的自適應膚色建模［J］.計算機工程與應用，2011，30：211-214.

［8］李梅.基于Otsu算法的圖像分割研究［D］.合肥：合肥工業大學，2011.

［9］謝佩，吳小俊.分塊多線性主成分分析及其在人臉識別中的應用研究［J］.計算機科學，2015，42（3）：274-279.

An Entrance Guardsystem Based on Face Recognition

WANG Fei，CHENG Wei，YU Bin
（School of Electric and Automatic Engineering，Changshu Institute of Technology，Changshu 215500，China）

According to the demand of intelligent entrance guardsystem，an entrance guardsystem based on face recognition was proposed.First of all，target image was captured by vision device，thenspace transform method was used，from whichskin-color andsimilarity of image were obtained.Secondly，binary，morphology and features filter procedure were applied to fulfill face location and extract.Besides，principal component analysis was used to get face features of both candidates and databases.Finally，face recognition was achieved through thesimilarity measurement process.The experimental resultsshow that thesystem is effective on face location and recognition.

intelligent entrance guardsystem；face recognition；principal component analysis；LabVIEW

TP273

A

1008-2794（2015）04-0064-06

2016-05-30

王飛，講師，博士，研究方向：智能算法，圖像處理、數據挖掘，E-mail：wangleea@aliyun.com.