AI人臉識別技術的改進及其在校園的應用

張靜

(西北大學現代學院 基礎部， 陜西 西安 710130)

0 引言

在傳統的校園教學與管理工作中，對于學生身份的甄別和輸入性的需求隨處可見，課前點到、考前身份驗證、校門及宿舍出入的管理登記等都需要身份的識別。在教學環境中目前使用更多的還是依靠傳統人工操作，在學生數量龐大的基礎之上，顯得捉襟見肘。這不僅給老師及相關工作人員帶來額外巨大工作量，同時也會給正常的教學及管理工作的有序開展，帶來一定的干擾，如課堂教學無法按時開展、考試秩序混亂及進出積壓排隊等問題。為此，引入智能化身份識別技術顯得尤為重要。

身份的識別，從早期的簡單文字和號碼，到可讀取的身份證，再到后來的指紋，以及目前廣泛應用的臉部識別，從鑒別速度、正確率和運用的廣泛度都提升了很多，為我們的工作、生活都帶來了很多的便利。本研究基于深度學習算法的AI人臉識別技術，結合實際教學及管理工作需要，通過機器學習模擬和算法改進的方式，將傳統的人工操作實現全程自動化、智能化，降低教師及相關人員工作量的同時，也能保證教學秩序和校園生活的有序進行。

1 主流識別技術及對比

目前應用廣泛的識別讀取技術，按照其存在外觀形式和核心技術原理，主要有以下四大類。

1.1 磁條卡

磁條卡廣泛應用于早期銀行卡、飯卡等場景，采用將鐵性氧化材料，通過樹脂貼合劑嚴密的粘在非磁性介質上，以磁道形式排列，通過專門的讀寫裝置磁頭，利用線圈電流對磁道進行數據的寫入和讀取。后期隨著發展，應用最多的為非接觸式磁卡，核心原理類似，磁條容易磨損且易受到周圍磁場的干擾，甚至出現消磁，導致無法讀取的情況。

1.2 IC芯片卡

磁條卡制作成本低，但易于磨損破壞，并且容易受到應用場景周圍到其他磁場的干擾，導致讀取失敗和安全性問題，因此出現了IC芯片類。IC芯片由晶體管、電容、電阻等眾多微電子元器件組成，通過電磁波引起微電路共振形成電容內存儲達到存儲目的，數據寫入不可逆，性能安全穩定。但隨著使用次數增多，芯片線路會磨損，保存時也不能折彎，使用壽命有限。

1.3 指紋按壓識別

指紋按壓識別通過傳感器收錄指紋信息，并進行數據轉換與庫存預設的指紋信息進行相似度比對，以此來確認甄別信息。相對于上述傳統接觸和非接觸式磁類識別來說，更為便捷且安全，目前正廣泛應用于手機、門鎖及打卡等日常設備中。但對于手指指紋的完整性要求高，對于指紋弱或者皮膚易磨損者來說識別效率低。

1.4 面部識別類

隨著人工智能(AI)不斷發展，識別技術的發展與應用也得到了更大的提升，在帶來便捷的同時，被識別人真實身份的有效性及唯一性等安全問題屢屢出現，在這個大背景之下，誕生了面部識別算法，如圖1所示。

圖1 面部識別圖

通過人的五官關鍵特征點，變換到矩陣點信息來運算，最終與庫存數據比對來甄別唯一性，也是目前識別應用中最為前沿的識別方式，安全可靠且快速。但在一些客觀條件下，同樣會影響到識別的速度和準確率，如光線明暗、美瞳隱形眼鏡等。

通過主要識別技術對比，如表1所示。

表1 識別技術對比表

不難發現，基于人工智能AI的人臉(面部神經)識別算法無論從安全、速度及抗干擾性方面都具有極大的優勢，刷臉支付、刷臉解鎖、刷臉打卡等，可以說無處不在，已被廣泛應用。

本研究將在面部識別核心算法的基礎上，通過優化目標檢測算法和深化數值模型，使檢測在光線和外置物干擾的情況下也能準確迅速完成，同時借助云數據管理，從而實現教學及校園生活管理的全智能化、自動化。

2 面部識別核心技術原理

人臉面部識別技術是一種利用人臉特征信息數據進行身份甄別的技術，通過圖像采集設備，對包含有人臉的圖形進行截取、識別定位及比對，從而判斷是否為同一人。由于其安全穩定、可靠迅速等特點，正在被廣泛地應用于金融、安全監控及移動設備等各個領域。從圖像收集輸入到比對結果的輸出，核心框架流程[1]，如圖2所示。

圖2 核心框架流程圖

主要由以下六部分構成：數據采集、檢測、定位、校準、計算和結果比對。

2.1 數據采集

隨著電子元器件等硬件的不斷發展，高清攝像頭和圖像采集設備被廣泛應用，通過光學鏡頭組件將圖像發射到對應傳感器上并同時轉換成電信號，然后通過A/D數電轉換成數字圖像信號，再將數字圖像提交到處理中心處理后(DSP),最終將顯示信號提交到終端顯示器硬件進行最終的顯示，如圖3所示。

圖3 數據采集圖

2.2 面部檢測

面部檢測在整個識別步驟中屬于預處理階段，即從已經采集到的圖片中準確獲取人臉的位置及大小。因為人臉圖像的特征比較豐富，從顏色、結構到模版特征等，所以主流的檢測方法，像AdaBoost(自適應增強學習)就是將這些極具特征的關鍵數據信息從圖像數據中提取出來以達到快速檢測的目的，如圖4所示。

圖4 面部檢測圖

2.3 面部定位

通過快速檢測實現了初步的人臉篩選，將具備人臉特征的圖像數據從龐雜的數據中篩選出來，并截取緩存出來。接下來就需要對緩存的每個臉部數據進行精準定位，獲取關鍵特征點數據，為后續各個特征向量點之間的值運算和結果比對做好準備[2-3]，關鍵的特征點數據主要包括雙眼、鼻尖和嘴角，如圖5所示。

圖5 面部定位圖

其中，綠點標注即為關鍵特征點數據。

2.4 面部數據校準

定位獲取到的關鍵特征點數據，雖然可以精準地獲得人臉所在圖像單元信息，但由于一些客觀原因，如拍照時的角度、光線明暗等問題，最終會導致采集到的關鍵特征點數據不夠全面及完整，并直接影響最終比對結果。因此，需要對定位到的關鍵數據進行二次校準或者補全，使其與目標庫數據在同一比量標準下匹配，從而提高識別正確率。

對于光線導致的數據缺失問題，通過假設pr為原圖片灰度密度函數，pz為期望調整后的灰度密度函數，建立兩者之間的中介連接，調整灰度分布，即可達到校準的作用，如圖6、圖7所示。

檢測獲得的人像角度問題最為常見，因為對比衡量統一性不足，會對后期比對計算帶來額外的開銷，影響速率的同時也會一定程度上影響精度。因此通常會通過獲取到的關鍵特征點數據，利用特征點數據矩陣公式進行矩陣變換操作，如式(1)。

(1)

達到人臉角度的統一，如圖8所示。

圖8 矩陣變換效果圖

2.5 特征數據的矩陣計算與結果比對

通過上述圖像的采集、定位及校準等一系列前置型處理后，接下來就可以將最終校準好的圖片上的關鍵特征數據信息提取出來，通過計算關鍵特征點利用歐式距離，如式(2)。

(2)

得出歐式距離，并于標準庫模型數據的閥值進行比對，小于閥值則可以判定為同一人即檢測成功，反之大于則將判定為不是同一人。

3 采集識別算法改進與深度學習模型

通過采集、檢測、定位、校準和計算比對等一系列步驟之后，就可以得出檢測結果。最后對檢測結果數據進行選擇性校準處理，使其數據標準與標準庫的數據保持一致，從而保證最終結果的有效性。整個過程中，圖片數據的有效采集和快速計算，一定程度上決定了整個識別檢測過程的快速準確，為此結合實際使用，本研究將從采集、計算及模型數據方面進行優化改進，使得整個識別過程更加高效、準確。

3.1 采集方式的優化

針對采集到的圖片密度分布樣式和角度問題，一定程度上會極大地簡化后期數據校準的復雜度，為此可以從軟件和硬件兩個方面進行升級。

3.1.1 感光補光系統

增加光線感應芯片，通過自動感應運作時周邊環境的明暗度，采集時進行自動補光，使得采集到的圖片整體對比度高且灰度密度分布均勻，減少后期因為采集圖片密度不均勻導致的大量平衡運算，從根本上提高識別速率。

3.1.2 自動補全拉伸

識別系統的圖像采集，一定程度和平時生活所用到的攝影或者拍照的圖像采集有著本質區別，生活中的圖像更傾向于高清和效果化，而識別用到的圖像只需要保證關鍵信息的完整性。因此，在圖像采集生成后，可以使用快速計算模型，定位出角度存在問題的臉部，通過計算表現完整的局部特征數據，快速演算出完整性情況下的其他缺失或者模糊的部分特征數據，以達到快速校準的目的。

通過計算水平關系的關鍵特征點所形成的線段與水平的角度差，對采集的圖片進行快速反向旋轉[4]，使得圖片角度水平，如圖9所示。

實際采集圖像數據時，除了光線之外，角度問題最為突出，隨著被采集人的姿勢不同而不同，因此更多時候透視的角度會導致圖片的不完整性，因此后期需要大量的矩陣平移運算，以達到復原的要求。通過計算局部完整特征點的相對距離，可以快速演算出其他不完整處，使得采集的數據完整化，解決比對運算的復雜性[4]，如圖10所示。

圖10 快速完整性復原圖

3.2 深化模型數據

傳統的模型數據庫，更多是將各個待比對人的關鍵特征點數據進行存儲，比對時會實時從數據庫中依次查找并且進行歐式距離運算，再進行結果比對。這種做法從查找和運算速率來講效率極低，最終表現為識別慢、并發差。

為此，可以在錄入關鍵特征點數據后，運用機器自適應學習算法，自動計算并保存關鍵數據點間的相對關系值和預設歐式距離，并依照索引排序[4]，如表2所示。

表2 模型數據學習表

進行查找比對時，通過相對關系和歐式預設值進行初步過濾，可減少更多的計算冗余度[4]。

4 AI人臉識別系統在校園生活中的應用

隨著發展進步，校園學習和生活越發得豐富，校門宿舍門禁系統、超市收銀系統、飯堂結賬系統、考試管理系統和簽到系統等智能終端層出不窮，帶來方便的同時，也帶來了以下問題。

(1) 系統吞吐率低

校園里多為集中統一的作息時間，每天都會出現很多系統同時使用的高峰期，排長龍現象隨處可見。例如：課前簽到、就餐打飯、進出宿舍和超市購物等場景，往往很多時候還需要人工的配合，系統吞吐率極低，對師生的工作和生活帶來很多不便。

(2) 系統綜合管理效率低

日益增多的系統之間缺乏統一性管理，大部分學校系統數據之間相互獨立，往往需要信息管理部門按照系統，設置不同的崗位人員進行針對性管理，最后再由專人做數據統一收集和整理，既耗費人力，也缺乏智能中心化數據流通支撐體系，為未來智能化校園建設與發展帶來了不小的阻礙。

(3) 安全性隱患

目前校園里各個系統的識別通常使用傳統的一卡通實體卡形式，這樣經常會出現一人擁有多張卡，甚至多人使用同一張卡的情況。而且實體卡易折損和易丟失，無論從保管的安全性、易損性以及使用人實名制方面等存在嚴重問題，給師生的個人信息保護和財產安全，以及校園安全管理也帶來了不少隱患。

相對于傳統實體卡，AI人臉識別技術具有讀取效率快、安全穩定性高和唯一性等特點，將其作為校園教學和生活各個系統的統一識別甄別入口，將從根本上解決效率和安全問題，如圖11所示。

圖11 校園AI人臉識別系統圖

具體表現在如下方面。

(1) AI人臉識別技術無需人工配合，只需人臉對準掃描器，將在毫秒間完成驗證讀取，既高速便捷又準確。尤其在上課前集中打卡、吃飯時間刷卡消費等應用場景更為明顯，排長龍現象將一去不返，從根本上提高了校園教學與生活的有序進行。

(2) AI人臉識別技術的引入，師生將無需再擔心一卡通損壞和丟失的管理問題。尤其在實名唯一性的特點上，可以說對校園出入門禁系統的安全管理起到了決定性作用，為學校安全管理工作帶來了革命性的幫助。

(3) 人臉身份識別的唯一可靠性，可以與校園所有終端系統數據進行一對一有效對應，實現真正的校園數據云中心化，使得多系統之間的數據產生關聯，帶來便捷性的同時，也為智能現代校園的建設帶來數據性支撐和參考。

5 總結

在科學技術高速發展的今天，互聯網云端技術和人工智能的應用隨處可見，一場悄無聲息的產業升級正在不斷地改變著我們的生活，也為校園的教學工作與生活配套的建設帶來了前所未有的幫助，但同時也存在著很多問題。為此，引入全新的人工智能AI識別技術，有利于從根本上解決校園各個系統在使用過程中遇到的吞吐率低、管理效率低和安全性問題，也將為建設現代校園、智能校園和未來校園起到關鍵性作用。