基于SeetaFace的人臉識別門禁系統

（惠州學院 電子信息與電氣工程學院，惠州 516007）

0 引言

隨著社會的發展，科學技術的進步，生活水平的提高，人們的生活出現越來越多的安全隱患，諸如盜竊造成財產損失，丟失證件、遺忘密碼等特征物品的缺失給人們帶來不便的同時也暴露出缺陷。但將每個人的生物特征充分運用，比如人臉，指紋等，則可以避免這個問題，這也使生物識別技術越來越受歡迎。而人臉識別技術就是最受歡迎的其中之一。

運用人臉識別的門禁系統，將會更靈活，更安全，更便捷。人臉識別是讓機器思考并進行判斷，是機器視覺領域最具有挑戰性的課題之一。其自身容易推廣、安全性高、方便、準確度高、可以自學等優勢可以應用到公安偵查、安全鑒別、互聯網等領域。人臉識別具有很大的研究價值。因為它的研究涉及到機器視覺、圖像處理、數學等多門學科，常用于各種安全級別較高的系統，對提高系統安全程度和保障安全起到很大的作用。人臉識別的研究對推動系統安全的提升有著至關重要的意義。

1 人臉圖像獲取和預處理

1）圖像采集

用Open CV打開攝像頭，在屏幕上出現顯示窗口，在窗口中使用Open CV的畫圖工具畫一個正方形的框，只有當人臉在框內時才能進行人臉檢測、特征點定位、特征提取和比較。當人臉對準在框內時，點擊“樣本采集按鈕”捕捉一幀圖像，然后程序開始執行，提取圖像特征數據，將圖片信息轉換成數據信息存儲在bin文件中。

2）圖像灰度化

在程序中，首先，用一個if語句判斷圖像是否為灰度圖，是單通道圖像則直接使用；若返回的判斷結果為多通道圖像，則用cvtColor函數先把多通道圖像變成單通道的灰度圖后再進行操作。

圖1 灰度化效果圖

3）圖片尺寸縮放

為了縮短計算時間，可以將圖像縮小。圖像縮小有兩種方法：一、使用圖像金字塔改變圖片的像素進行縮放，圖像越小，像素越低；二、用函數resize改變圖像的長和寬進行縮放，但不改變圖像的像素，是真實意義上的縮放，可以避免因像素降低，圖片變模糊引起的識別率降低。

2 人臉檢測模塊

SeetaFaceEngine-master中的Face Detection模塊，基于一種結合經典級聯結構和多層神經網絡的人臉檢測方法[1]，采用的漏斗型級聯結構專門針對多姿態人臉檢測而設計，其中運用的由粗到精的設計理念兼顧了精度和速度的平衡。如圖2所示，漏斗型級聯結構在頂部由多個針對不同姿態的快速LAB級聯分類器[2]構成，緊接著是若干個基于SURF特征的多層感知機（MLP）級聯結構，最后由一個統一的同樣基于SURF特征MLP級聯結構來處理所有姿態的候選窗口，整體上呈現出上寬下窄的漏斗形狀。從上到下，雖然隨著層次的遞增，每個層次的分類器及其所采用的特征逐步變得復雜，但可以保留人臉窗口并排除難以與人臉區分的非人臉候選窗口。

圖2 人臉檢測原理

3 人臉特征點定位

真實場景下的人臉特征點定位會受到姿態、表情、光照和遮擋等因素的影響。為此，SeetaFaceEnginemaster中的FaceAlignment模塊采用一種由粗到精的自編碼器網絡來求解復雜非線性映射過程。如圖3所示，特征點定位模塊從像素低，分辨率較低的圖片開始進行人臉形狀的估算，用自編碼器網絡進行初步的特征點定位，得到第一級圖像S0；然后提高輸入圖片的像素，進行人臉形狀估算，并將S0中定位的特征進行局部提取，輸入到自編碼器網絡中進行對齊，得到S1，此時S1的定位精度就遠超過S0了，然后再選取更高像素的圖片進行人臉形狀估算，將S1中定位的特征進行局部提取，輸入到自編碼器網絡中進行對齊，得到定位精度更高的S2。以此類推，當選取的圖像像素達到最大是，級聯的自編碼網絡級數越多，特征點定位就越準確。

圖3 人臉特征點定位原理

4 人臉特征點標記

FaceAlignment模塊中的函數PointDetectLandmarks可以在檢測出人臉并傳回人臉區域的基礎上標記人臉的五個（眼睛中心、鼻尖和嘴角）特征點。使用cvCircle函數畫五個點將特征點位置標記出來，可以直觀的看到所標記的地方，并判斷人臉是否在規定區域內，只有人臉在規定的框內才進行下一步的特征提取和比較。該標記可以改變大小，顏色，樣式等。

人臉特征點標記效果如圖4所示。

圖4 特征點定位效果圖

5 人臉識別

SeetaFaceEngine-master中的FaceIdentification模塊，提取特征向量，將圖片信息轉化成數據信息存儲在二進制的Identification.bin文件中，留做樣本數據。SeetaFace開源的人臉特征提取模塊也是基于卷積神經網絡的，其實現的是深度卷積神經網絡：包含7個卷積層與2個全連接層。該網絡將5×5的卷積核拆分為兩層3×3的卷積核，從而增加了網絡深度，且沒有增加計算量。人臉特征直接采用VIPLFaceNet FC2層的2048個結點的輸出，特征比對可簡單采用Cosine計算相似度，如圖5所示，將數據庫中的人臉進行特征提取后，得到特征向量，數據1，然后將實時檢測的人臉進行特征提取，得到特征向量數據2，然后將得到的向量數據1與向量數據2進行余弦值的比較，通過函數CalcSimilarity比較兩向量的相似度并輸出。最后進行閾值比較，將輸出的相似度值與預先設置好的閾值進行比較，當相似度大于閾值時，判斷識別成功，是管理員或者用戶，若小于閾值則判斷識別失敗。從而達到人臉識別智能門禁的效果。SeetaFace在多數人臉識別場景下均具有良好的性能。

圖5 人臉識別原理

6 結果

使用SeetaFaceEngine-maste中的Face Detection模塊和FaceAlignment模塊檢測并定位人臉特征點，采用SeetaFaceEngine-master中的FaceIdentification模塊進行人臉特征點提取和比對，可以達到97.1%的識別正確率。速度方面，在單顆Intel i7-3770 CPU上，開源代碼提取一張人臉之特征的時間約為120ms。

7 結論

1）檢測速度快：人臉檢測+人臉特征點定位+人臉特征點的提取和比對所用時間僅為120ms。

2）檢測準確率高：對人臉的識別率可達97.1%。

3）檢測范圍：該系統可用于平時生活中門禁，也可用于公安偵查等檢驗身份等領域。