基于生物信息識別的安防應用研究

(武漢商學院信息工程學院 湖北 武漢 430056)

引言

隨著時間的發展，人臉識別慢慢從電影里走向生活，人工智能的快速發展，如何準確、有效的識別用戶信息安全成為一項重要的研究從手機鎖開始，最先是連線解鎖到后來的密碼解鎖，到指紋解鎖，甚至華為榮耀V10已經支持人臉識別解鎖。在武漢站已經實現無需取票刷身份證就可人臉識別進站節約許多人力以及時間。甚至有些公司已經開始采用上班人臉識別打卡的方式來作為工作考勤。

目前，人臉識別由于不接觸性的特點在安全上很有保障，人臉識別的上位機設計主要運用在人員流動量大的出入口、公司員工考勤、以及民用航空場、市民火車站的安檢系統。在人臉識別的飛速發展下，人臉識別為人們的生活帶來便利的同時又存在著哪些安全隱患。

一、信息識別的發展

人臉識別出現的開始是在1888到1920年，1888年在《Nature》上發表了第一篇關于人臉識別的論文，從那一刻起人臉識別這個詞就出現在大眾的視線中了，相繼1920年也在《Nature》上出現了第二篇人臉識別的論文。

人臉識別的萌芽發展主要在20世紀60年代到90年代，于1965年發表的Chen&Bledsoed的文章被確認為最早關于自動人臉識別的資料，在這一個階段的研究主要都基于幾何結構特這的人臉識別方法(Geometric feature based)。但是這個階段人臉識別并沒有得到實際的應用在1991年到1997年期間人臉識別已經達到了非常活躍的重要期間，這個時候已經出現了著名的特征臉方法(Eigenface)，該方法由麻省理工學院的Turk和Pentland提出，美國國防部資助的FERET項目資助了多項的人臉識別研究，同時在這期間創建了FERET人臉圖像數據庫。

1998年至今，已經開始了非理想條件下的人臉識別進行研究，對光照、姿勢、表情等問題開始成為研究的熱點，也出現3D模型的人臉建模與識別的方法。

二、面部識別的安防應用

安防中的系統功能主要分為人臉抓拍、人臉查詢、黑白名單注冊、人臉布防報警、事后人臉檢索等多個功能進行整個安防系統。人臉檢測和人臉跟蹤是人臉捕捉的主要環節，同時形成行人的特定軌跡。使用人臉特征點對比評分的算法，從人臉輪廓形態中找出最完整的面部圖像保存為對應人的捕獲信息。在人臉抓拍中采用的是前端攝像機，攝像機內采用的是內嵌式人臉識別算法，準確率90%以上，前端攝像機同時能夠抓拍畫面中15個以上的人臉進行檢測和抓拍，同時架設前端攝像機完成自動的面部圖像抓拍。

面部識別查詢主要是以所在時刻點、所在位置等相關的要素來高效對比相關的抓拍人員面部信息數據，能夠同時完成組合對比，潛信息查找等功能，便于使用者高效的確認和對比相關信息。

黑白名單注冊主要功能就是用戶可以自行導入黑名單人員的圖片，系統根據圖片來識別中的人臉并采集人臉，源于使用者填寫Black Infor相關的數據來完成登記。該系統支持批量性的導入，減少了用戶的工作量，同時又提高了工作效率。

面部信息防御主要使用面部信息識別算法完成攝取的人員面部圖像的模型搭建，對比防御Black Infor數據庫中的原型登記數據進行系列的高效篩選。如果篩選結果與Black Infor數據吻合就推入一個超越界限的提示，超越界限的提示可以出現在上位機設備上進行蜂鳴器預警，也可以在移動終端上設置語音緊急播報，面部信息防御就是通過分類信息流完成面部識別的布防。

異步面部信息檢索主要在設計中錄入將要進行比對的人員面部圖像，系統會按照圖像中的人員面部輪廓信息并篩取信息點，使用者選擇需要查詢對比的面部圖像進行類比度、Time等要素設置后完成檢索，最后通過對比出的類比度超越預定比例的面部圖像出顯示在終端屏幕上。如圖1為異步面部信息檢索流程圖。

圖1 異步面部信息檢索流程圖

三、安防識別算法

(一)識別系統

一個實用的人臉識別系統通常都可以達到以下的幾點要求：硬件設備成本低，算法更加容易實現。算法的性能高，識別速度較快，能夠實現快速跟蹤、檢測和定位人臉，并至少能夠同時實現人臉識別。識別率高，易錯率低，當識別不在數據庫中的人臉圖像時，能夠保持錯誤拒絕率不增長的情況下還保證錯誤接受率降低，魯棒性，強對于低像素，以及很難識別的人像可以十分清楚的識別出來。系統還同時具有容易擴充和維護，有著長期的更新與改善。

目前被應用廣泛的分類器主要有最近鄰、人工神經網絡和支持向量機口等。最近鄰分類器屬于樣本間距離的非參數決策的分類器，即通過相似性函數計算測試樣本和訓練樣本的距離來決定類別的歸屬。最近鄰分類器原理簡單且計算速度快，故本文設計的分類器方法中也利用到該分類器。最近鄰分類器是基于線性的分類器，對幾乎無表情變化的人臉識別率較高，但針對表情豐富的人臉圖像，獲得的特征往往是非線性向量，此時最近鄰分類器將不再適用人工神經網絡分類器不必進行復雜的特征提取工作，而且此分類器具有準確率和魯棒性等方面的優勢，但是此方法需要大景的樣本訓練才能達到較好的識別效果，且每個圖像的數據量造成需要的神經元數目也會很多，因此對運算能力和存儲空間等方面的要求比較高。

(二)最近鄰分類器

當圖像投影到特征空間后，我們需要根據某種判別規則衡量樣本之間的相似性，對樣本進行分類。衡量樣本之間的相似性通常有二種方式：(計算特征空間中樣本之間的距離；)測量樣本投影到特征空間后圖像之間的相似性。

通常對于一個樣本的所屬類別，我們可以根據其后驗概率的大小進行判別。若樣本屬于模式其后驗概率P(Wm|X)則必須滿足以下公式。

P(Wm|X)=maxiP(Wi|X)

公式3.2.1

距離度量通常用于計算空間中樣本之間的距離，距離越大則個體之間的差異越大。距離度量方式應該滿足非負性、自反性、對稱性和三角不等式四個性質，即對于任意的向量a=[a1,a2,…an]T,b=[b1,b2,…bn]T，c=[c1,c2,…cn]T應該滿足以下條件。

公式3.2.2

所示的性質，其中表示向量和向量之間的距離。

最近鄰分類器就是一種以樣本在特征空間的距離為分類準則的分類器。

(三)LBP的特征原理

LBP：局部二值模式，英文全稱：Local Binary Pattern，LBP主要特征是具有灰度不變性和旋轉不變形等顯著有點。LBP是正在1994年提出，LBP特征具有計算簡單、LBP特征效果好等優點，已被廣泛應用于計算機視覺的諸多領域。在LBP的特點中，它以人臉識別技術和目標檢測技術著稱。在計算機視覺開放庫OpenCV中，LBP特征被用于人臉識別，這也是有益的。LBP特征用于訓練分類器。OpenCV實現了LBP特征的計算，但沒有單一的接口來計算LBP特征。

LBP特征是定義在3*3的一個領域中，以領域中心像素為閾值將其中相鄰的8個像素的灰度值與其進行比較，若周圍像素大于中心像素值，那么該像素就被標記為1，相對為0。

圖2 LBP特征示例

用公式來定義就是：

公式3.2.3

其中的(Xc,Yc)代表3*3領域的中心元素，他的像素為ic，ip代表領域內其他像素的值。S(X)是符號函數，定義如下：

公式3.2.4

備注：LBP特征的圖像必須是灰度圖，如果是彩色圖，就需要先轉換成灰度圖。

(四)支持向量機

支持向量機簡稱為SVM，一個二類分類器，其基本模型定義為特征空間上的最大的線性分類器。

支持向量機使用的是與傳統人臉識別方法完全不同的思想，支持向量機不是將原輸入人臉識別圖像進行空間降維，而是想方設法的將輸入的人臉圖像進行空間升維，將高維線性空間中的問題變得線性可分。支持向量機將向量映射到一個高維空間中，并在該空間中建立一個最大區間超平面。在與數據分離的超平面的兩側有兩個平行超平面。建立一個合適的分離超平面，以最大化兩個平行超平面之間的距離

四、總結

通過傳統的LBP方法提取圖像的全局特征和局部特征.然后根據最大后驗概率將ABC支持向量機的輸出進行融合，結合多源特征可以更全面地刻畫信息，大量的實驗結果顯示了算法的優越性.該結構和系統在各種知名的公共人臉數據庫上進行了實驗，達到了較高的識別精度，可為提高自適應能力、增強融合算法的結構、提高融合算法的結構等工作做準備。可以想象，當與更好的特征相結合時，這些算法將變得更加強大和高效，從而利用人臉識別算法來融入安防系統。

人臉識別技術的出現使得我國安防系統更加安全，給生活帶來了太大的改變，同時又減少了人力資源，提高了生活質量，使城市更加安全更加便捷。