基于多閾值機制的動態(tài)人臉識別警務實戰(zhàn)應用

摘 要：近年來，涉恐涉爆案件頻發(fā)，為進一步加強對人流密集場所的安保，充分利用新興的視頻分析和人臉識別比對技術有針對性的開展安全防范工作，在目前人臉識別算法所能達到的識別高度前提下，可通過多閾值技術有效提高動態(tài)人臉識別情況下公安處警精確度。該方法能有效降低動態(tài)人臉識別系統(tǒng)在不同應用環(huán)境中的誤報率和漏報率，提高動態(tài)人臉識別在公安的實戰(zhàn)應用效果。

關鍵詞：人臉識別；多閾值；動態(tài)監(jiān)控

中圖分類號：TP391.41 文獻標識碼：A文章編號：2096-4706（2018）01-0006-04

Actual Combat Appilication for Police with Multi Threshold Based on

Dynamic Facial Reconigtion

JIA Yonghong，YAN Zhuanyi，HE Yongkeng，XIAO Boming

（Guangzhou Municipal Public Security Bureau，Science and Technology Communications Department，Guangzhou 510030，China）

Abstract：In recent years，there have been frequent cases of terrorist involvement，in order to further strengthen the security of crowded places.We should make full use of emerging video analysis and face recognition technology to carry out safety precautions against the premise that the face recognition algorithm can achieve high recognition accuracy.Can effectively improve the dynamic face recognition under the condition of public security alarm accuracy by multi threshold technique.This method can effectively reduce the false positive rate and 1 negative rate of dynamic face recognition system in different application environments，and improve the actual application effect of dynamic face recognition in public security.

Keywords：facial recognize；multi threshold；dynamic monitoring

0 引 言

近年來，國內(nèi)外涉恐涉爆案件頻發(fā)，為進一步加強對人流密集場所的安保，充分利用新興的視頻分析和人臉識別比對技術有針對性的開展安全防范工作，開展對特定場所的動態(tài)人臉識別項目的建設顯得尤為迫切。動態(tài)人臉識別在公安領域的深度應用是近年來學術界和工業(yè)界研究的重點，尤其是針對封閉小區(qū)、廣場、車站等復雜開放環(huán)境下的動態(tài)視頻人像進行檢測、定位、識別和預警，實現(xiàn)對重點監(jiān)控人員進行實時識別報警，同時對視頻人像進行結(jié)構化描述并存儲，輔助監(jiān)看員更容易辨認出各類被監(jiān)控人員，為安保人員采取相應措施爭取足夠的準備時間與有利時機，同時降低人工監(jiān)視值守的工作強度，提高工作效率。

在目前人臉識別算法所能達到的識別高度前提下，本文研究一種基于多閾值自適應調(diào)節(jié)技術有效提高動態(tài)人臉識別中公安處警精確度的方法，有效降低動態(tài)人臉識別監(jiān)控在不同應用環(huán)境中使用的誤報率和漏報率，提高動態(tài)人臉識別在公安的實戰(zhàn)應用效果。

1 國內(nèi)外研究現(xiàn)狀

美國國家標準與技術研究院（NIST）在2017年3月發(fā)表了所實施的標桿測試的報告（Face in Video Evaluation，F(xiàn)IVE）[1]。作為美國國家采購的官方指導，其測試的權威性是全球工業(yè)界實際應用的黃金標準。該測試是針對人像識別算法的各家廠商所提供的技術產(chǎn)品進行的不記名測試，以保證其評測的客觀正確性。

根據(jù)這次測試結(jié)果，名列前茅的人像識別技術，在非配合的動態(tài)視頻監(jiān)控中進行測試時，根據(jù)算法的不同，誤報率最低只有1%，最高為40%；漏報率根據(jù)算法的不同，介于20%到90%不等。同時，評測還發(fā)現(xiàn)，隨著庫容量的增加，各種算法的漏報率都會增加，其中只基于閾值的算法表現(xiàn)會較有人工干預的算法更為明顯。評測得到這樣的結(jié)論，在使用相同算法的情況下，為了提高算法的識別率，最為有效的方法是通過引導人流用正臉看向攝像頭以及增加人工進行篩選干預。

動態(tài)人臉識別因受到現(xiàn)場光照環(huán)境、人員走動及臉部姿態(tài)不受控制等不利因素的影響，準確率遠不如靜態(tài)識別，但隨著深度學習的廣泛應用，動態(tài)人臉識別技術已取得突破性的進展。近年來，行業(yè)內(nèi)陸續(xù)研究了光照補償，圖像質(zhì)量過濾，姿態(tài)自動糾正等行之有效的技術手段來解決上述問題，如柴秀娟等[2]提出的球面諧波商圖像方法、張志偉[3]提出的基于光照參考模型的光照預處理算法、盧春梅等[4]提出的灰度歸一化、加權距離分類器方法及劉會東[5]提出的雙線性判別字典學習方法，使動態(tài)人臉識別和靜態(tài)人臉識別準確率的差距在逐漸減小。

2 多閾值與人臉識別影響的關聯(lián)因素

設立多閾值的動態(tài)監(jiān)控系統(tǒng)，其目的是在一定程度上減輕因外部光照、拍攝角度等條件對識別效果的影響，增強系統(tǒng)的魯棒性。人臉圖像的質(zhì)量會由于拍攝環(huán)境的差異導致不同，還會受到成像設備在復雜環(huán)境下的光學性能、圖像對比度、噪聲等多種因素的影響。如何緩解或解決光照引起的圖像質(zhì)量問題，是進行動態(tài)人臉識別并以多閾值方法提升實戰(zhàn)效果的基礎。本章將以盡量簡單的模型進行描述。

2.1 光照信息干擾

為了計算景象可見的光度值，需要為光照成像建立模型。在多數(shù)情況下人臉表面還是一個具有粗糙表面的剛體，因此人臉識別可使用局部光照模型中的朗伯特模型，其公式表達如下：

（1）

I是最后的人臉圖像，?是n×3的矩陣，代表在成像區(qū)域中的人臉表面法向量；ρ是d×1的反射率向量；B是d×3的矩陣，S是3×1的光照向量。其中人臉外形?和反射率ρ是每個人臉特有而且是保持不變的，而光照S是隨時變化的。如果在給定某個對象的人臉圖像I上，能通過某種手段能將ρ和?或兩者的乘積B復原出來，那么人臉歸屬就能夠確定，或至少可以忽略光照對圖像的影響。但是，從人臉圖像中復原出人臉三維信息（ρ和?）正是三維形狀重建的難點與關鍵點之一，為了解決這個問題提出了明暗恢復形狀（SFS）算法，但目前效果并不理想，而且其計算量龐大，不利于人臉識別的實際應用。

2.2 帶光照信息的人臉重建

重建算法[6]認為人臉的紋理和光照s都是在線性子空間中，可通過統(tǒng)計學方法進行估計。它用訓練集中的圖像信息復原目標圖像，但人臉圖像的陰影部分需要做特殊處理。經(jīng)過處理后，使用YaleB人臉數(shù)據(jù)庫中人臉在不同光照下的圖像作為訓練集，以其他圖像作為測試集，測試結(jié)果如圖1所示。

顯然，重建算法有一個很大的缺點：計算的結(jié)果嚴重依賴訓練集合中的人臉圖像數(shù)量的多少，因為此算法使用的是一般統(tǒng)計方法來處理訓練集中的人臉圖像信息。同時，復原效果會受到陰影區(qū)域的嚴重干擾，因為算法對信息的統(tǒng)計與處理均停留在二維層面。

從算法角度解決光照問題，可以在一定程度上緩解室外環(huán)境下不同天氣（尤其是陰天、雨天以及陽光暴曬等情況）帶來的負面影響。這對增強動態(tài)監(jiān)控識別系統(tǒng)在安裝位置不可完全控制且光照情況多變的室外環(huán)境下的功能具有重要意義。

2.3 陰影信息干擾

對于圖2，這是由朗伯特模型形成的一個人臉圖像，我們關注圖像上的兩個區(qū)域：區(qū)域1和區(qū)域2。由于形成的原因不同，我們把區(qū)域1稱之為投射陰影[6]，它的形成原因是光照射時遇到了人臉表面的突出形狀而在人臉另外的區(qū)域形成的一個黑暗區(qū)域。區(qū)域2則被稱之為附著陰影[6]，它形成的原因是人臉的區(qū)域與光照的方向形成了一個角度，使光并無法到達該區(qū)域。

人臉圖像的質(zhì)量在很大程度受到了這兩個陰影區(qū)域的影響，這些區(qū)域的形成并不是人臉的表面信息在圖像上的真實再現(xiàn)。解決陰影問題的關鍵點在于攝像機或攝像頭與補光光源的架設位置，需要安裝工程師具有豐富的調(diào)試經(jīng)驗。通過算法和軟件層面的修復、補償，效果一般會較為有限，而且增加了計算的復雜度，相應加大了系統(tǒng)資源占用。

3 閾值設定的研究和實戰(zhàn)應用

掌握成熟的人臉光照及陰影問題處理方法后，就可以通過設定多個閾值來有效降低人工二次甄別的工作量，同時保有高人臉匹配度下準確告警提醒的能力，使動態(tài)人臉識別系統(tǒng)在實際警務工作中具有更大的推廣價值。

3.1 閾值設定

為了得到在漏報率和誤報率兩方面都比較好的綜合效果，根據(jù)人臉識別系統(tǒng)的特定需要，提出了模板閾值確定方法。該方法的主要思想是：在最大加權歐式距離和平均歐式距離找到一個平衡點來作為模飯閾値，以此達到較好的效果。具體步驟如下：

（l）求出人臉樣本庫中的某個人臉樣本的特征向量與平均模板特征向量之間的最大加權歐式距離。

（2）模板閾值確定公式：

（0≤c≤1） （2）

（0.3≤e≤0.5）

其中和dmax由上面公式給出。

當提取出的待測人臉個性特征參數(shù)向量與某個人臉平均模板特征向量的加權歐式距離S與這個人臉模板庫中的模板閾值c的差大于零。即▽1=S-c1>0，此時認為待測人臉不是該人臉模板庫中的人臉，但實際情況是待測人臉確實為該人臉模板庫中的人臉，這里稱此為漏報。當提取出的待測人臉個性特征參數(shù)向量與某個人臉平均模板特征向量的加權歐式距離S與這個人臉模板庫中的閾值c1的差小于零。即▽2=S-c1<0，此時認為待測人臉是該人臉模板庫中的人臉，但實際情況是待測人臉不是該人臉模板庫中的人臉，這里稱此為誤報。模板閾值確定公式的作用就是根據(jù)誤報和漏報的次數(shù)多少，不斷調(diào)整模板閾值公式（2）c1、c2中的c和e，盡量減少以上兩種情況的發(fā)生概率和人臉比對所需時間，以此尋求到一個閾值選取的平衡點。

3.2 實戰(zhàn)應用

設定自適應的多閾值動態(tài)人臉系統(tǒng)，與原來的單閾值系統(tǒng)相比主要優(yōu)點在于：改善辨識效果、適應環(huán)境現(xiàn)實及提高警務效能。下面將分點進行闡述。

3.2.1 改善辨識效果

在所有前提條件不變的情況下（不對環(huán)境、硬件進行升級改造，不強制改變?nèi)肆鞒颍桓淖償?shù)據(jù)庫照片質(zhì)量等），對環(huán)境及數(shù)據(jù)庫照片進行分類及分級，在報警頻繁出現(xiàn)的門限閾值鄰域內(nèi)，由系統(tǒng)自適應模塊利用統(tǒng)計學方法將閾值進行重新設定，可達到提高正確識別率或降低錯誤識別率的目的。

3.2.2 適應環(huán)境現(xiàn)實

系統(tǒng)能建立一個智能化的動態(tài)人臉識別閾值設定機制，根據(jù)不同的環(huán)境條件，包括光線環(huán)境、庫容、監(jiān)控庫照片質(zhì)量、視頻質(zhì)量等，按照一定的規(guī)律及統(tǒng)計方法設定閾值。與以往“一刀切”的閾值設置相比，針對特定條件的動態(tài)閾值設定，其結(jié)果有著更好的實際表現(xiàn)，如條件較好，閾值設定整體稍高，在正確識別率不變時，降低錯誤識別率；條件稍差，閾值設定整體稍低，在錯誤識別率不變時，提高正確識別率，以保證報警數(shù)據(jù)適應用戶需求。

3.2.3 提高警務效能

對于動態(tài)人臉識別視頻監(jiān)控系統(tǒng)，可以設定兩個（高、低）或以上（高、中、低）的報警閾值，對重點監(jiān)控人員報警等級區(qū)間進行劃分，有前提地增加一定的報警閾值覆蓋區(qū)域，提高報警率。而兩級或以上的閾值劃分，又能使用戶能有針對性地投入人力資源，減少分析及處理時間，提高出警效率，讓人臉識別技術能夠與視頻監(jiān)控技術完美結(jié)合，更好的發(fā)揮出科技強警的作用，震懾犯罪，維護法律尊嚴。

4 實驗數(shù)據(jù)分析

為測試得到不同光照強度、不同模板照片質(zhì)量、及不同光學性能的攝像機下動態(tài)監(jiān)控的識別率與閾值設定參考值，本文共設置了36組實驗進行研究。其中，光照強度項通過室外環(huán)境下普通清晨、午間（陽光強烈）及夜間（帶路燈）進行模擬；模板照片質(zhì)量分為二代身份證芯片照片、證件照原始照片和錄像抓取人臉圖像；攝像機分為高清攝像機和普通攝像機兩種；庫容量分為1萬和5萬個人臉模板。實驗主要比較相同誤報率下各情況時識別正確率與漏報率實現(xiàn)，處警閾值一般較提示閾值提高0.05（兩者取值均為區(qū)間（0，1），一般情況不低于0.4）。其中由于庫容量對結(jié)果影響不明顯，故不單獨作為統(tǒng)計項列出。下表是原始實驗數(shù)據(jù)經(jīng)統(tǒng)計后的均值。表中各數(shù)據(jù)含義如下：

提示閾值：人臉相似度高于此閾值時，系統(tǒng)將會發(fā)出預警提示。

提示正確率：測試人員通過時正確報警，相似度達到提示閾值的次數(shù)/測試人員通過次數(shù)。

提示誤報率：旅客通過時錯誤報警，閾值達到提示閾值的次數(shù)/旅客通過總次數(shù)。

提示漏報率：未達到提示閾值的漏報警次數(shù)/測試人員通過次數(shù)。

處警閾值：人臉相似度高于此閾值時，系統(tǒng)判定兩張人臉有很高概率是同一個人，可以安排處警。

處警正確率：測試人員通過時正確報警，相似度達到處警閾值的次數(shù)/測試人員通過次數(shù)。

處警誤報率：旅客通過時錯誤報警，閾值達到處警閾值的次數(shù)/旅客通過總次數(shù)。

提示漏報率：未達到處警閾值的漏報警次數(shù)/測試人員通過次數(shù)。

觀察表1、2、3中的數(shù)據(jù)，增加處警閾值后，各情況下均可得出如下結(jié)論：處警正確率較提示正確率低，處警誤報率較提示誤報率低，處警漏報率較提示漏報率高。其原因是處警閾值的設置值比提示閾值高，匹配度未達到該閾值的監(jiān)控對象被忽略導致正確率下降和漏報率提升；匹配度達到該閾值的監(jiān)控對象一般可認為相似度極高，即使不是本人的情況下長相也非常相似，誤報率因此下降。

增加處警閾值的動態(tài)監(jiān)控系統(tǒng)，可以更有把握地將發(fā)現(xiàn)的嫌疑人信息向警方推送，從技術層面精準分配警力以免浪費；同時，降低誤報率后能提高實際辦案精準度，提升系統(tǒng)在相關部門的信任度，從而達成雙贏。

在本次實驗測試中還可以發(fā)現(xiàn)，模板質(zhì)量、模板庫容與攝像機圖像質(zhì)量對監(jiān)控識別正確率、漏報率的影響基本相當，基本每一級別在3-4%間。光照環(huán)境對識別效果的影響較大，在弱光（清晨）與無差別強光（午間）時區(qū)別不大，因為這兩種情形下光線不會對攝像機拍照截獲的人臉信息造成較大程度的干擾。在夜間（帶路燈）的情形下，由于光照在路燈照明范圍內(nèi)外的極度不均勻，導致光照范圍外人臉信息獲取不完整或存在錯誤，漏報率大幅提高。

同時，本次實驗涉及到的各個閾值可作為類似情況下的初始閾值，使多閾值動態(tài)監(jiān)控系統(tǒng)在默認情況下的識別效果有所保障，為實際的閾值優(yōu)化調(diào)整提供參考依據(jù)，減輕部署工程師的工作量，提升工作效率。

5 結(jié) 論

人臉識別技術和智能監(jiān)控技術正處于實戰(zhàn)應用的一個關鍵發(fā)展時期。現(xiàn)有越來越多的視頻監(jiān)控系統(tǒng)采用完全數(shù)字化的技術，本文提出的相關理論與技術能進一步提高視頻應用的實戰(zhàn)效能，通過采取多閾值設置的動態(tài)人臉識別系統(tǒng)能避免單閾值時報警的虛警過多、漏報過高等現(xiàn)象，從而節(jié)約警力，進一步提高辦案效率。

參考文獻：

[1] https：//www.nist.gov/programs-projects/face-video-evaluation-five.

[2] 柴秀娟，山世光，卿來云，等.基于3D人臉重建的光照、姿態(tài)不變?nèi)四樧R別 [J].軟件學報，2006，17（3）：525-534.

[3] 張志偉.可變光照條件下的人臉識別技術研究 [D].河北工業(yè)大學，2007.

[4] 盧春梅，牛海軍，郝琳波.消除光照和姿態(tài)變化影響的人臉識別 [J].計算機工程與應用，2008，44（10）：166-168.

[5] 劉會東.姿態(tài)變化與困難光照條件下的人臉識別研究 [D].南京師范大學，2013.

[6] 朱進.人臉識別中光照影響的研究 [D].吉林大學，2007.

作者簡介：賈永洪，男，廣州市公安局科技通信處高級工程師，廣州市“121人才梯隊工程”后備人才。