基于活體人臉檢測的智能門禁系統設計

王麗

摘 要：近年來，隨著科學技術的不斷發展，安全防盜設備以及智能家居知識的不斷普及，自動識別技術的應用顯著增多。為了保證識別的安全性，以生物特征作為識別依據的技術產品走進了日常生活中。在生物識別中，比較典型的有人臉識別。文章主要介紹了活體人臉檢測技術在智能門禁系統中的應用。

關鍵詞：智能門禁；活體檢測；人臉識別

自動識別系統可以根據被識別對象的特征分類：一類是數據采集技術，數據采集技術需要被識別物體具有特定的識別特征載體，像日常生活中用到的磁卡、射頻卡、IC卡等。另一類是特征提取技術，是根據被識別物體的特征來完成數據的自動采集。得到廣泛應用的生物識別就屬于特征提取識別技術。

目前國內的門禁系統以卡類設備、指紋設備、無線射頻識別（Radio Frequency Identification，RFID）設備為主。但門禁卡易丟失、遺忘，不但造成了極大的不便，而且還產生了安全隱患。如果被不法分子獲得卡片，即可實施盜竊。指紋類設備可以解決卡類產品的不足，但是總有5%左右的人群，無法用指紋識別。隨著人臉識別算法的不斷成熟，算法的準確率與算法的計算速度不斷提高，人臉識別廣泛應用于智能門禁系統。但是仍然存在安全問題，不法分子利用非法獲取或是偽造的用戶照片或是視頻，放在攝像頭前面，欺騙人臉識別系統。因此，相對于傳統的人臉識別系統而言，人們對活體檢測的需求越來越多。

1 系統設計

該系統基于圖像處理技術，實現當用戶回家時，啟動智能門禁系統，自動打開房門，或是未授權人啟動系統，戶主手機上則收到提示，并顯示未授權人的圖片信息；若是熟人，戶主可通過手機實現遠程自動開鎖。若是不法分子拿用戶照片試圖進入用戶家中，系統則通過手機進行遠程報警。

1.1 硬件結構設計

系統硬件結構如圖1所示。3D攝像頭：用來進行信息采集，進一步實現活體檢測和人臉識別。微處理器：使用STM32處理器，圖片處理速度快。USB接口、通用輸入/輸出（General Purpose Input Output，GPIO）接口、串口、并口：在使用前，微處理器與計算機串口相連，系統參數設定程序模塊，進行系統參數的設定，將系統參數存入微處理器的只讀內存鏡像中。存儲器：存儲圖片信息。WiFi模塊：與家中無線路由器相連，實現遠程通信。門禁控制器：用于控制門鎖的開關。液晶顯示器（Liquid Crystal Display，LCD）：用來顯示攝像頭結果，方便人們查看。

1.2 軟件結構設計

基于活體人臉檢測的智能門禁系統由信息采集模塊、數據處理模塊、控制模塊和通信模塊構成，其軟件結構如圖2所示。

信息采集模塊：信息的采集端，采集人物圖像。信息采集模塊將采集到的數據發送到數據處理模塊。數據處理模塊含有圖像預處理模塊、人臉檢測模塊、活體檢測模塊、人臉識別模塊，接收信息采集模塊傳來的數據，并進行綜合分析。圖像預處理程序模塊：對圖像進行增強處理；人臉檢測模塊將圖像中的人臉檢測出來；活體檢測模塊對檢測出來的人臉進行分析，判定是否為真人；人臉識別模塊，判定為真人后，對檢測到的人臉進行識別，判定是否為戶主。并接收通信模塊傳來的數據。數據處理模塊將處理結果發送到控制模塊。通信模塊負責與用戶手機端進行相互通信。控制模塊接收數據處理模塊發送的結果，控制門鎖的開關。

圖1 硬件結構

圖2 軟件結構

2 人臉識別

人臉識別技術日漸火熱，與其他生物識別技術相比，其在實際應用中具有天然的優勢：人臉識別是通過攝像頭獲取圖像，以非接觸的方式完成識別過程，比較方便，人們更容易接受。目前其已在金融、景區、社保等領域實現廣泛應用。

一個完整的人臉識別系統需要通過4個步驟實現，首先是對采集到的圖像進行預處理，然后提取圖像特征進行人臉檢測，再次對檢測到的人臉進行特征描述，最后根據人臉特征進行匹配識別。

2.1 圖像預處理

攝像頭采集到的圖像可能會受到噪聲的影響，導致圖像質量較差，不利于圖像處理。因此，人臉識別系統都會對采集到的圖像進行預處理，從而改善圖像的質量，便于進一步的人臉識別。

圖像的噪聲主要來源于圖像采集和傳輸過程中，環境的光線變化，大氣后向散射，以及攝像頭電荷耦合元件（Charge-Coupled Device，CCD）本身都會產生噪聲。本文系統中的人臉圖像噪聲一般是椒鹽噪聲和高斯噪聲兩類，預處理過程主要包括圖像的光線補償、直方圖均衡化、高斯濾波、高通濾波等。

2.2 人臉檢測

人臉檢測是指在采集到的圖像中根據圖像的特征檢測人臉的數量和位置。精確的檢測是進行人臉識別的基礎。數字圖像處理技術可以利用的圖像特征很多，人臉檢測常用的特征是Haar特征、Sift特征等。人臉檢測就是把圖像中特定的特征挑出來，并利用這些特征實現人臉檢測。

主流的人臉檢測算法大多是利用Adaboost算法進行檢測，Adaboost算法訓練的分類器是級聯分類器，通過把多個弱分類器進行級聯，得到檢測效果較好的強分類器。

本文的系統采用Haar特征加Adaboost算法來實現人臉檢測，在檢測過程中各個弱分類器會挑選一些最能表征人臉的Haar特征，然后對各個弱分類器進行加權，可以得到一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，就可以對圖像中的人臉區域進行檢測。這種方法可以有效提高人臉檢測的速度。

2.3 人臉圖像特征提取

人臉檢測的過程是檢測人臉共性特征的過程，根據人臉的共有特征判斷是不是人臉。而人臉識別是對檢測到的人臉進行再次匹配，需要提取人臉的一些特征對特定人臉進行表征描述，這也可以看作是對檢測到的人臉進行建模。

人臉表征描述的方法主要有兩種：基于知識的表征方法，該方法是根據人臉五官的形狀和它們之間的距離對人臉進行特征描述，其特征向量通常包括各特征點之間的曲率、角度和距離等信息；基于代數特征或統計學習的表征方法，是將人臉圖像作為矩陣數據進行分析，通過數學運算得到描述人臉的特征。endprint

本文系統采用圖像的代數特征進行人臉表征描述，將檢測到的人臉所在矩形框看作一個矩陣，利用主成分分析算法提取人臉的特征。

2.4 人臉圖像匹配與識別

人臉圖像的匹配與識別的過程可以看作是將檢測到的人臉特征數據與數據庫中存儲的已知特征進行匹配的過程。

首先，需要將待識別的人臉圖像利用同樣的特征提取算法，得到特征模板存入數據庫中。然后，當系統工作時，將檢測到人臉進行特征提取。最后將提取的特征和已知的模板進行相似性判斷，如果相似性高于設定的閾值則認為識別成功，否則認為該次檢測到的人臉不是目標人臉。

3 活體檢測

人臉識別中，使用活體檢測技術是抵御對生物特征識別系統進行攻擊的一種有效方法，可以提高系統的安全可靠性，從而進一步提高智能門禁系統的安全性。

在利用人臉識別進行身份認證時，為了防止不法分子竊取他人的圖像或是視頻用于身份認證，基于人臉識別的門禁系統需要具有活體檢測的功能，判斷是否為真人。目前活體人臉檢測主要有動態視頻人臉檢測、人臉眨眼、熱紅外與可見光人臉關聯等方法。

本系統利用3D攝像頭拍攝人臉，從而得到相應的人臉區域的3D數據，然后利用卷積神經網絡算法，對攝像頭提取到的圖像信息進行分析處理，判斷是否為活體。

在現實生活中，通常使用到的攝像頭是二維的，沒有深度信息，每一個景象都是平面的連續播放。而3D攝像頭在二維圖像的基礎上增加了對拍攝對象的深度測量，即三維的位置及尺寸信息，從而形成三維圖像，實現了從平面視覺到立體視覺的轉換。

為了實現3D攝像頭活體檢測，首先用3D人臉圖像訓練一個深度神經網絡結構用于活體檢測。由于活體人臉檢測是一個二分類問題，因此其監督信號比較弱，提取特征魯棒性不好，算法性能不理想。因此，用活體檢測訓練圖像對Alex-net進行微調得到一個更高效的網絡。采用基于動態特征的卷積神經網絡活體檢測算法。首先采用金字塔LK光流法跟蹤視頻，得到圖像的動態信息，然后對光流運動信息進行分析，計算水平位移和垂直位移，進一步根據兩個位移計算位移幅度圖，即動態特征圖，將動態特征圖作為卷積神經網絡的輸入，最后進行特征提取以及活體檢測。

4 結語

基于活體人臉檢測的智能門禁系統，采用嵌入式系統，實現活體檢測和人臉識別，提高系統的安全性，抵抗對簡單人臉識別的攻擊。該系統結構簡單，操作方便，可用于家用安防或是公司安防等。

[參考文獻]

[1]甘俊英，劉呈云，李山路.多顏色空間中三正交平面的WLDLBP活體人臉檢測算法[J].五邑大學學報（自然科學版），2017（2）：14-19.

[2]任玉強，田國棟，周祥東，等.高安全性人臉識別系統中的唇語識別算法研究[J].計算機應用研究，2017（4）：1221-1225，1230.

[3]黃葉玨.基于交互式隨機動作的人臉活體檢測[J].軟件導刊，2015（12）：26-28.

[4]盤海玲.人臉識別系統中活體檢測技術[J].科技資訊，2015（10）：226.

[5]楊健偉.面向人臉識別的人臉活體檢測方法研究[D].北京：北京郵電大學，2014.endprint