MATLAB 的疫情防控人臉門禁系統設計

玄 冉，姜明明，王忠祥，米世新，劉涵玉

（山東農業工程學院，山東 淄博 255000）

伴隨著高新技術及傳感器的普及和應用，生物識別已經逐漸被揭開神秘的面紗，作為生物識別的一項重要分支，人臉識別已經成為研究領域的熱門話題。生物識別在安全保障等眾多領域被廣泛應用，具有不易偽造、方便快捷、防偽性能好等優點。本設計為基于人臉識別的門禁系統，可以將疑似人員設置為庫內人員，當小區里的人需要外出時進行人臉采集與人臉定位，然后與庫內人臉進行比對；當識別為庫內人員的時候，發出疑似人員不可外出的警示，否則提示可以放開門禁給以通行。

1 人臉識別技術綜述

人臉識別，是利用攝像機采集到的含有人體面部的圖像[1]，通過相關技術進行檢測，主要識別人體面部特征信息加以分辨，最終實現人類個體分類識別的一項技術。

綜上，可以大體將人臉識別的過程分為四個步驟，如圖1所示。

圖1 人臉識別流程圖

1）圖像采集。人體面部表情采集易受到環境因素的影響，不容易實現，人臉圖像可以通過攝像頭進行記錄，許多著名實驗室會通過嚴格控制圖像采集的位置，規范地創建包括姿態、表情變化在內的人臉庫，通過人臉庫進行相應的研究。

2）人臉檢測。主要用于面部識別的預處理，它能通過處理將面部的位置標出。人臉檢測的目的是透過面部豐富的特征信息篩選出有用的特征，由于環境條件的干擾是隨機的，必須將原始采集到的圖像進行圖像預處理。圖像預處理的方法有中值濾波、灰度拉伸、歸一化處理及銳化等[2]。

3）特征提取。針對篩選出的最有利分類的特征信息，進行適當降維，保留最有效的特征信息。

4）分類識別。將采集的面部特征信息整合成數據，再與數據庫比對匹配，當相似度到達一定閾值，則將數據庫匹配的結果輸出。其本質就是根據特征相似關系確定人物信息。

2 PCA的人臉特征提取

2.1 PCA算法的基本原理

PCA 是縮寫，展開以后就是Principal Component Analysis[3]。利用統計學原理，可以按照一定的原則，找到它們之間的不同進行分類，簡化計算步驟，提高計算機的運行速率。將圖形進行信息處理主要是為了降維，也就是將三維立體的人體圖像特征轉換到二維當中。正是由于它的這個功能，這項技術也被廣泛地運用在圖像壓縮的處理當中，其最主要的依據是KL變換。這樣就可以達到合并數據、簡化數據的效果。

在整個前期圖像輸入過程中，都是以灰度值來進行統計的，即使其變成0～255灰度范圍內的像素點。當把所有的像素點進行分類統計以后，其會構成一個矩陣，輸入到之前已經創建好的一個坐標空間中，然后經過KL變換，就可以很容易地找到需要的信息，這就為之后圖像處理簡便化奠定了基礎。因為此時已經收集到的數據其實是三維的，然后經過統計學，保留最主要區別的特征進行降維就可實現想要的結果。在PCA中，主要利用這個構成的向量作為基底。

經過這項處理之后就能得到特征空間了，接下來的任務就是旋轉使維數降低[4]。

2.2 基于PCA的特征提取

這個部分具體包括下面講述的幾個環節：捕捉輸入圖像，創建模板庫和特征空間，獲得特征值及對應向量。以下是有關這三個部分的詳細介紹。

1）第一部分。利用攝像機進行圖像采集和捕捉。首先，將采集到的圖像進行預處理得到屬性信息，判斷是否需要進行二值化，本文采用的算法是KL算法，KL算法在線性算法中能量集中效率最高，圖像壓縮后均方誤差最低。此種變換方式最主要的限制條件就是背景要一致，完全可以構建一個簡單的模板庫。

2）第二部分。在上述步驟完成以后，多放幾張同一個人的圖片進去，這就構成了一個訓練矩陣。因為格式是相同的，KL 變換之后就變成一維的，那么每個照片都能夠統計為一個點，這樣就使得整個空間更簡化了。

3）第三部分。上述步驟完成后，繼續進行下一步，將結果創建一個樣本集，那么出現的協方差矩陣如下。

CA為 矩陣。A是在進行灰度二值化后與平均矩陣差值。Xi是平均人臉圖像，M為被測人員數量。

2.3 特征值和特征向量取得

在上述CA得到以后，還要找到人和對應的特征向量。因為本文用到的算法以KL 為基礎，且最后得到的CA是n×n維的矩陣，因此可以直接求對應的特征值和特征向量。但直接計算的話，其計算是非常復雜的，下面會介紹一些相對比較簡單的辦法。

2.3.1 特征值分解

從這個式子就能夠很容易得到它們的關系。那就是CA=AAT的特征向量是A?vi。

在這里需要特別提到的是：運用上述提及到的方法，最終得到的計算結果是相同的，這也間接證明了確實起到了簡化計算的效果。

3 基于PCA和歐式距離的分類器的人臉識別

3.1 MATLAB人機交互界面GUI介紹

制作這個界面一般可以通過命令創建[6]，也可以通過MATLAB提供的圖形用戶界面開發環境GUIDE中的圖形用戶界面開發工具的GUI創建方式制作，本文側重于后者。

3.2 系統框架以及GUI設計

在進行編程的時候，必須要有一個整體的認識[7]，每一部分做什么都要安排得清清楚楚，這樣的話，在真正編寫的時候才不至于忙亂。具體的整個系統的設計流程，如圖2所示。

圖2 人臉識別系統框架圖

GUI界面的使用在編寫程序的時候主要有兩大塊[8]，分別是模板庫的顯示和被測圖片的顯示。

3.3 程序仿真及調試結果

3.3.1 人臉庫采集

在一開始進行模板庫的創建時，一般使用的都是ORL人臉數據庫，在創建的時候參照了一定的標準。如果這些庫里面都沒有適合的，就需要自己去拍照，自己去創建，但是需要對其進行預處理。

整個數據庫由兩部分組成，一部分是模板庫，一部分則是被測人臉庫。在被測庫里面有10 個人的照片，每個人不同表情的照片各兩張，照片格式大小完全一樣。

3.3.2 特征提取仿真分析

特征值分布圖，如圖3所示。特征提取之前，最重要的是先要把模板庫里面的圖像導入到MATLAB 里面，然后進行變換，組成協方差矩陣。在這個里面，要把每一個點的特征值和特征向量計算出來，就構成了所謂的特征分布圖。每個圖像的特征值差別非常大，但是在這個過程當中必須將其對應到子空間，這樣才能大大降低計算量，也可以節約時間，對后續過程中的優化也是一個非常有優勢的舉措。

圖3 特征值分布圖

3.3.3 庫外判別分析

對疑似病例人員進行人臉采集、入庫、訓練，得到每個人的人臉特征值[9]。本設計為提取人臉特征值，特征值與樣本庫里面的人臉特征值進行一一對比，設置一個判斷閾值。當屬于閾值內，則判定為庫內人員，即疑似人員；否則為非疑似病例，提示可以放行。

4 結語

通過對實驗結果的分析可以發現，本設計利用MATLAB 數字圖像處理相關技術及PCA 算法進行人臉識別，在一定程度上能解決疫情期間人員管控的相關問題。MATLAB仿真結果表明：人臉識別的準確率可以達到80%，它可以有效解決人員流竄問題，有效地避免人力物力資源的浪費，本文所設計的系統對疫情防控是實用的。