基于MATLAB的小區門禁人臉識別系統設計

張莉莉 陳一

洛陽師范學院物理與電子信息學院

一、引言

隨著經濟水平的快速發展和生活質量的不斷提高，入室行竊案件已屢見不鮮。為此，人們對自身的人身財產安全產生了很大的擔憂，為了防范此類事情的發生，目前，科技的發展與社會安防需求的提高促使智能門禁系統的產生，比如感應卡式門禁系統，指紋門禁系統，虹膜門禁系統，人臉識別門禁系統，亂序鍵盤門禁系統等等。盡管它們在安全性，方便性等方面都各有特長，但是相比其他智能門禁系統，基于人臉識別的門禁系統操作簡便，結果直觀，無需用戶接觸，不具有強制性，設備通用且成本較低。

基于人臉識別的門禁系統主要功能是將攝像頭采集到的圖像進行識別，如果通過身份鑒定就打開大門，如果鑒定失敗則不打開大門，若鑒定失敗訪客依然要打開門禁則報警。人臉識別技術是一種生物識別技術，它首先需要通過具有拍攝功能的設備對人臉圖片進行采集，然后對捕捉到的人臉運用灰度處理、特征提取等一系列復雜的算法進行處理。較之其他的身份識別方法，此項技術需要用到的數據量更多，因此識別結果也更加精確。處理如此大的數據量，可以采用功能強大的MATLAB來進行，文中設計了一種利用MATLAB來進行人臉識別的門禁系統。

圖1 系統設計方案圖

二、系統設計方案

首先進行人臉庫的建立，本系統采樣數為20。采集格式和像素統一的人臉圖像，用1、2、3等數字編號對人臉圖片進行命名。人臉的圖片與圖片的編號共同構成人臉庫。基于PCA的原理及方法，需要對人臉庫內的圖片做一個前期的處理，通過PCA進行降維后，獲得人臉庫內圖片的特征矩陣向量組。選中待識別圖片后，對待識別圖片進行一個相同的處理，得到其特征矩陣向量組。然后通過歐氏距離，獲得人臉庫內與待識別人臉歐氏距離最小的人臉圖片，并獲取其編號，將其輸出。在此基礎上運用提取到的特征向量，實現了人臉重建的功能。如圖1為系統設計方案圖。

三、人臉識別系統的設計實現

（一）構造人臉庫

人臉庫的建立是人臉識別過程中最首要的一個步驟，是進行以后所有步驟的基礎。人臉庫要包括人臉圖片和人臉的名稱兩個基本信息，人臉庫的大小在一定程度上會決定程序總體的運行速度。人臉庫內的數據越大，人臉識別的迅速越慢。面向客戶的人臉庫是由用戶導入的，用戶提供的人臉圖片像素或者照片不統一，可采用批量入庫工具，將所有人臉圖片的像素改為180＊200，JPG格式。然后將這些人臉截圖放在兩個文件夾中，分別命名為測試庫和訓練人臉庫。

（二）構成數據庫

構造人臉庫后，要對人臉庫內的每張圖片循環進行處理，將所有的圖片數據變成訓練矩陣，將其從二維圖片轉換為一維矩陣，構成整個人臉庫一維矩陣庫T，圖2為數據庫T的截圖，之后人臉的每張圖片都可以看作是N維空間中的一點，運用K-L變換將圖像映射到底維空間中[1]。

圖2 數據庫T的部分截圖

（三）特征提取

將數據庫中得到的灰度圖片按行排列，構成協方差矩陣A，A可以表示用人臉庫內的每張人臉的灰度圖片減去平均人臉圖像構成的矩陣。獲得協方差矩陣后，基于PCA理論的K-L變換，就可以求出每張人臉圖片的特征值和特征向量，這些特征值和特征向量可以看作每張人臉的特征。每個特征值構成一個特征向量，將所有的特征值對應的特征向量集合起來，就構成了特征向量子空間[2]，將每張人臉提取到的特征值按照從大到小的順序進行排列可得到圖3所示。

圖3 特征值分布圖

對從MATLAB輸出的人臉特征分布圖進行分析，可以看出，每一張人臉具有不同的特征值，而且每張人臉之間的特征值的區別還相對較大。

（四）模板匹配

將人臉庫內的每張人臉運用PCA算法獲取到特征值之后，將這些特征值轉換為特征空間中的一點。利用歐氏距離的方法達到模板匹配的功能。歐氏距離是在目前的所有匹配方式中適用范圍最廣泛的一種匹配方式，可以把歐氏距離看作是兩個個體之間相似度的參數，兩點之間的歐氏距離越小，就表示兩張圖片之間的相似度越高。用歐氏距離最小原則得出與測試人臉最匹配的人臉。

要在matlab中實現模塊匹配的功能，首先將測試人臉投影到特征值的子空間中，然后進行其與每張圖片之間的相似度測定，即計算此圖片與庫內每張人臉圖片的歐氏距離，對比找出與測試人臉具有最小歐式距離的人臉并獲取該人臉的數字代號，這樣就可以匹配到待測人臉與庫內最相似的一張人臉圖片。此模塊可以比較好的完成人臉模板匹配的功能。

（五）人臉重建

在特征提取模塊中，提取到了整個人臉圖庫的特征值和特征向量，所有的特征值都有大小之分，較大的特征值對應較大的特征向量，把較大的特征向量叫做主分量。相應的，也有較小的特征分量，但較小的特征分量只能表示出人臉圖片中的小特征，像人的鼻子，嘴巴。人臉重建需要的就是獲取到的特征向量[3]，用特征向量構建到特征向量矩陣，就可以得到特征人臉，用特征人臉便可以重新構造出人臉。這個模塊中的人臉重建其實也就是從人臉圖片提取到提取特征向量的一個逆過程。用p表示特征向量的數目，分別取p=1、3、4、6、8來重建人臉。可以看出，p=1時，人臉重建得到的圖片較模糊，隨著p值的不斷增大，人臉重建得到的圖片則愈發清晰，p=8時，則可以較完美的重建出人臉。

圖4的這張圖片，取自人臉庫內的圖片，可以看出隨著特征向量數目的增多，人臉重建的效果越顯著，最后匹配成功，小區門禁系統就會打開，而圖5的圖片沒有參與過人臉訓練，無論我們將特征向量的數目設置為多少，都不會清晰的重建出人臉圖片，小區門禁系統不會打開門鎖。

圖4 人臉重建效果圖1

圖5 人臉重建效果圖2

四、小結

人臉識別技術相對于接觸式的指紋識別有許多不同之處，PCA其自身處理數據的包容性能夠將原始數據有一個更好的呈現。