隧道工程人員身份安全識別

王 君，徐銘江，梁薇薇，陳定安，孫曄然

（1.中山大學南方學院電氣與計算機工程學院，廣東廣州 510970；2.重慶郵電大學自動化學院，重慶 400065；3.廣州恒通智聯科技有限公司，廣東廣州 510630；4.中山大學地理科學與規劃學院，廣東廣州 510970；5.斯旺西大學理學院地理系，斯旺西SA2 8PP）

鐵路隧道工程環境復雜，易發生工程安全險 情。發生險情時，一旦有安全事故，缺少人員信息將成為開展救援任務的一大難題[1]。傳統單一的辨識方法因無法及時預警和有效輔助救援，所以不適應于這種情況。為此，需要開發新的識別技術，以提高工程人員的安全性[2]。可以引入人臉、虹膜、聲音等獨特的生物特征，提高身份辨識能力[3-5]。

1 生物識別技術

1.1 面部識別技術

不同的人臉具有不同的面部特征，比對面部特征可以用來鑒定身份。面部識別一般具有以下特性[6]：

1）自主性：機器可以自主監控識別；

2）非接觸性：識別不需要特意觸碰；

3）高效性：在實際中，可以一次識別一群人。

面部識別方式如下[7-11]：

1）人臉面部檢測，將圖片中有人臉的區域挑出來；

2）結合人臉的區域再計算出個人眼睛等位置和特征信息；

3）最后與后臺數據進行對比，鑒定身份。

1.2 虹膜識別技術

虹膜從出生就不再改變，是每個人特有的特征，可以用來識別身份。此外，虹膜識別還具有穩定性、可實時檢測的特點，虹膜的特征點很豐富，有兩百多個特征點[12]，方便用于身份識別。

1.3 聲音識別技術

對聲源信號分析得到聲紋的頻譜等相關特征，并通過比對數據庫中的信息來辨別個人身份。對聲紋信號采樣并進行數字化后就可以高效區分不同人的聲音。語音可近似看作周期信號，可以用聲音的頻率分布對輸入聲音的信號頻譜進行處理,提取主要的特征信息[13-14]，然后進行訓練形成信息庫，再與信息庫中的數據進行匹配，最終確定結果。

2 身份識別系統整體設計

盡管只針對面部進行的單一識別技術比較方便，然而當檢測環境條件惡劣時，對施工人員進行識別的檢測設備易受粉塵遮擋、光線不足等原因的干擾，或者因照明不足以有效識別面部，導致面部特征不清晰[1]，無法有效得出人員特征信息。若攝像頭視線遮擋，虹膜識別的準確率也很容易受到影響。同樣，只針對聲音進行的單一識別技術的準確率容易受機械噪音大、受測人員身體條件異常的影響。所以，只針對聲音進行的單一識別技術不適用于這種特殊情況。

針對以上問題，文中將面部信息數據、虹膜信息數據、聲音信息數據相結合，得到新的復合特征信息。然后，用決策樹支持向量機（Decision Trees Support Vector Machine，DT-SVM）分類器來比較復合的特征信息，結合在數據庫中存檔的受測人員特征，得到受測者的身份信息，識別流程如圖1 所示。

圖1 復合特征識別流程

2.1 離散余弦變換

離散余弦變換可以把高維立體圖像映射到低維線性空間。且具有很強的能量集中特性。由二維圖像數據序列f(x,y)可知，二維離散余弦變換為：

根據離散余弦變換基本原理，可以將低于閾值的系數量化為0，以保留圖像特征。

2.2 DT-SVM分類器

在識別復合特征信息的主要工作中，樣本間的歐式距離是決策標準[14]。支持向量機可以將輸入的內容按照一定的界限分為兩半[15-16]。然后，DT-SVM分類器可以通過類似二叉樹的形式將分類后的子類繼續細分，最后留下單獨的特征類別，再采集到重點信息以后完成最后的分類辨別工作。

3 特征獲取

獲取100 個隧道工人的正面人臉特征、虹膜特征、聲音特征，產生新特征信息的模板庫。

3.1 人臉特征獲取

通過攝像頭采集到30 幅1 280×720 像素的圖像。處理后，系統將繼續通過感興趣區域處理(Region of Interest，ROI)，通過簡化圖片中的特征信息來減少辨別工作的負荷。可以獲得50×50 像素的圖像矩陣。然后，進行圖像歸一化處理、自適應閾值二值化，減少檢測環境中光照的影響。通過采集的人臉圖像，計算獲得人臉眼、鼻等關鍵點的坐標關系，為虹膜識別作準備。同時，通過二維離散余弦變換、自適應閾值、將低于閾值系數的量化為0，消除部分非重點特征，使得離散余弦逆變換僅保留1×500維的特征向量，成為人臉的新特征向量。人臉新特征獲取過程效果圖如圖2 所示。

圖2 人臉新特征獲取過程效果圖

3.2 虹膜特征獲取

由人臉識別獲得人臉眼、鼻等關鍵點的坐標關系，然后通過快速辨別出面部圖像上的人眼相對位置來選出作為原點的中心坐標,鎖定中心坐標以檢測（10*10）鄰域并確定眼睛的位置。鎖定并得到虹膜信息，要對目標進行擬合，從而得到合適的、沒有明顯干擾信息的30 幅虹膜特征圖像。然后，通過二維離散余弦變換，自適應閾值，將低于閾值的系數量化為0，消除部分非重點特征，使得離散余弦逆變換僅保留1×500 維的特征向量，作為虹膜的新特征向量。虹膜的新特征獲取過程效果圖如圖3所示。

圖3 虹膜新特征獲取過程效果圖

3.3 聲音特征的獲取

利用拾音器獲得工程人員聲音采樣，得到30 段聲音頻譜，為了使聲音特征信號有效可用，分析聲音頻譜規律，對聲音進行預處理，并濾掉噪音以及環境對聲音的不良干擾，最終得到有效的聲音頻譜特征圖，如圖4 所示。然后，通過二維離散余弦變換、自適應閾值，將低于閾值系數量化為0，消除部分非重點特征，然后進行離散余弦逆變換，僅保留1×500 維的特征向量，作為聲音的新特征向量。

圖4 聲音頻譜特征圖

考慮工程作業實際條件中應用單片機的場合較多，故需簡化算法來減少對CPU 的負荷，在預處理圖像后，均衡減小了噪聲的實際影響。離散余弦變換和離散余弦逆變換時，文中均采用應用查表法，以減少計算復雜度并簡化了識別的計算，從而節省計算時間。文中提出的方法第一步利用100 名工程人員，重復100 組訓練并記憶復合特征信息庫，即每組將1×500 維人臉的新特征向量、1×500 維虹膜的新特征向量、1×500 維聲音的新特征向量，組合成1×1 500維的融合特征向量；第二步，提取出復合特征信息與復合特征信息庫中的信息進行匹配，從而鑒定人員的信息。

4 實驗結果和分析

為對比驗證該算法的實際判別效果，對100 個受測人員的身份判別并統計準確率，如表1 所示。隧道人員各識別準確率對比圖如圖5 所示。

圖5 隧道人員各識別準確率對比圖

表1 隧道人員身份判別準確率

根據表1 和圖5 中的數據對比可知，在同種環境條件下，單一人臉算法對攝像頭視線遮擋、黑塵都比較敏感，導致識別率降低。將人臉和虹膜識別融合的方法與文中的方法對比可知，在干擾比較小，信噪比為25 dB、30 dB 時，識別效果較好。但是，在干擾比較大，信噪比為10 dB、15 dB 時，人臉和虹膜識別相結合的準確度與單一的識別方法相比，有效性都偏低。這是因為人臉和虹膜識別本身具有相似性且易受光照、粉塵等諸多因素的干擾。而文中的算法復合了聲音特征，降低了光照、粉塵等的影響。

文中提出復合特征識別方法方差較小，穩定性增強。從表1 和圖5 數據可知，在相同情況下，多生物特征復合識別算法方差減小，比單一生物特征識別算法更穩定，而且識別過程中對單一的生物特征信息依賴性降低，增強了系統可靠性。這是因為形成的新特征同時包含了部分虹膜的特征信息和聲音的特征信息，能識別出對應的人員身份。文中的方法比單一特征鑒別或人臉虹膜融合算法，更能有效解決因環境因素而可能出現的人員識別成功率低的難題。

5 結論

實際工程環境惡劣使得通過單一生物特征識別方法得出的計算結果不可靠，由此導致無法正確辨別人員的身份。文中提出了基于融合多種特征的識別方法，采用二維離散余弦變換保留重要特征信息，組合生成新特征信息的模板集；DT-SVM 分類處理將特征信息與數據庫信息進行匹配。實驗仿真結果表明，在隧道特殊條件下，復合特征識別算法具有更好的穩定性和適應性。