基于活体人脸检测的智能门禁系统设计

    王丽

    摘 要：近年来，随着科学技术的不断发展，安全防盗设备以及智能家居知识的不断普及，自动识别技术的应用显著增多。为了保证识别的安全性，以生物特征作为识别依据的技术产品走进了日常生活中。在生物识别中，比较典型的有人脸识别。文章主要介绍了活体人脸检测技术在智能门禁系统中的应用。

    关键词：智能门禁；活体检测；人脸识别

    自动识别系统可以根据被识别对象的特征分类：一类是數据采集技术，数据采集技术需要被识别物体具有特定的识别特征载体，像日常生活中用到的磁卡、射频卡、IC卡等。另一类是特征提取技术，是根据被识别物体的特征来完成数据的自动采集。得到广泛应用的生物识别就属于特征提取识别技术。

    目前国内的门禁系统以卡类设备、指纹设备、无线射频识别（Radio Frequency Identification，RFID）设备为主。但门禁卡易丢失、遗忘，不但造成了极大的不便，而且还产生了安全隐患。如果被不法分子获得卡片，即可实施盗窃。指纹类设备可以解决卡类产品的不足，但是总有5%左右的人群，无法用指纹识别。随着人脸识别算法的不断成熟，算法的准确率与算法的计算速度不断提高，人脸识别广泛应用于智能门禁系统。但是仍然存在安全问题，不法分子利用非法获取或是伪造的用户照片或是视频，放在摄像头前面，欺骗人脸识别系统。因此，相对于传统的人脸识别系统而言，人们对活体检测的需求越来越多。

    1 系统设计

    该系统基于图像处理技术，实现当用户回家时，启动智能门禁系统，自动打开房门，或是未授权人启动系统，户主手机上则收到提示，并显示未授权人的图片信息；若是熟人，户主可通过手机实现远程自动开锁。若是不法分子拿用户照片试图进入用户家中，系统则通过手机进行远程报警。

    1.1 硬件结构设计

    系统硬件结构如图1所示。3D摄像头：用来进行信息采集，进一步实现活体检测和人脸识别。微处理器：使用STM32处理器，图片处理速度快。USB接口、通用输入/输出（General Purpose Input Output，GPIO）接口、串口、并口：在使用前，微处理器与计算机串口相连，系统参数设定程序模块，进行系统参数的设定，将系统参数存入微处理器的只读内存镜像中。存储器：存储图片信息。WiFi模块：与家中无线路由器相连，实现远程通信。门禁控制器：用于控制门锁的开关。液晶显示器（Liquid Crystal Display，LCD）：用来显示摄像头结果，方便人们查看。

    1.2 软件结构设计

    基于活体人脸检测的智能门禁系统由信息采集模块、数据处理模块、控制模块和通信模块构成，其软件结构如图2所示。

    信息采集模块：信息的采集端，采集人物图像。信息采集模块将采集到的数据发送到数据处理模块。数据处理模块含有图像预处理模块、人脸检测模块、活体检测模块、人脸识别模块，接收信息采集模块传来的数据，并进行综合分析。图像预处理程序模块：对图像进行增强处理；人脸检测模块将图像中的人脸检测出来；活体检测模块对检测出来的人脸进行分析，判定是否为真人；人脸识别模块，判定为真人后，对检测到的人脸进行识别，判定是否为户主。并接收通信模块传来的数据。数据处理模块将处理结果发送到控制模块。通信模块负责与用户手机端进行相互通信。控制模块接收数据处理模块发送的结果，控制门锁的开关。

    图1 硬件结构

    图2 软件结构

    2 人脸识别

    人脸识别技术日渐火热，与其他生物识别技术相比，其在实际应用中具有天然的优势：人脸识别是通过摄像头获取图像，以非接触的方式完成识别过程，比较方便，人们更容易接受。目前其已在金融、景区、社保等领域实现广泛应用。

    一个完整的人脸识别系统需要通过4个步骤实现，首先是对采集到的图像进行预处理，然后提取图像特征进行人脸检测，再次对检测到的人脸进行特征描述，最后根据人脸特征进行匹配识别。

    2.1 图像预处理

    摄像头采集到的图像可能会受到噪声的影响，导致图像质量较差，不利于图像处理。因此，人脸识别系统都会对采集到的图像进行预处理，从而改善图像的质量，便于进一步的人脸识别。

    图像的噪声主要来源于图像采集和传输过程中，环境的光线变化，大气后向散射，以及摄像头电荷耦合元件（Charge-Coupled Device，CCD）本身都会产生噪声。本文系统中的人脸图像噪声一般是椒盐噪声和高斯噪声两类，预处理过程主要包括图像的光线补偿、直方图均衡化、高斯滤波、高通滤波等。

    2.2 人脸检测

    人脸检测是指在采集到的图像中根据图像的特征检测人脸的数量和位置。精确的检测是进行人脸识别的基础。数字图像处理技术可以利用的图像特征很多，人脸检测常用的特征是Haar特征、Sift特征等。人脸检测就是把图像中特定的特征挑出来，并利用这些特征实现人脸检测。

    主流的人脸检测算法大多是利用Adaboost算法进行检测，Adaboost算法训练的分类器是级联分类器，通过把多个弱分类器进行级联，得到检测效果较好的强分类器。

    本文的系统采用Haar特征加Adaboost算法来实现人脸检测，在检测过程中各个弱分类器会挑选一些最能表征人脸的Haar特征，然后对各个弱分类器进行加权，可以得到一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，就可以对图像中的人脸区域进行检测。这种方法可以有效提高人脸检测的速度。

    2.3 人脸图像特征提取

    人脸检测的过程是检测人脸共性特征的过程，根据人脸的共有特征判断是不是人脸。而人脸识别是对检测到的人脸进行再次匹配，需要提取人脸的一些特征对特定人脸进行表征描述，这也可以看作是对检测到的人脸进行建模。

    人脸表征描述的方法主要有两种：基于知识的表征方法，该方法是根据人脸五官的形状和它们之间的距离对人脸进行特征描述，其特征向量通常包括各特征点之间的曲率、角度和距离等信息；基于代数特征或统计学习的表征方法，是将人脸图像作为矩阵数据进行分析，通过数学运算得到描述人脸的特征。

    本文系统采用图像的代数特征进行人脸表征描述，将检测到的人脸所在矩形框看作一个矩阵，利用主成分分析算法提取人脸的特征。

    2.4 人脸图像匹配与识别

    人脸图像的匹配与识别的过程可以看作是將检测到的人脸特征数据与数据库中存储的已知特征进行匹配的过程。

    首先，需要将待识别的人脸图像利用同样的特征提取算法，得到特征模板存入数据库中。然后，当系统工作时，将检测到人脸进行特征提取。最后将提取的特征和已知的模板进行相似性判断，如果相似性高于设定的阈值则认为识别成功，否则认为该次检测到的人脸不是目标人脸。

    3 活体检测

    人脸识别中，使用活体检测技术是抵御对生物特征识别系统进行攻击的一种有效方法，可以提高系统的安全可靠性，从而进一步提高智能门禁系统的安全性。

    在利用人脸识别进行身份认证时，为了防止不法分子窃取他人的图像或是视频用于身份认证，基于人脸识别的门禁系统需要具有活体检测的功能，判断是否为真人。目前活体人脸检测主要有动态视频人脸检测、人脸眨眼、热红外与可见光人脸关联等方法。

    本系统利用3D摄像头拍摄人脸，从而得到相应的人脸区域的3D数据，然后利用卷积神经网络算法，对摄像头提取到的图像信息进行分析处理，判断是否为活体。

    在现实生活中，通常使用到的摄像头是二维的，没有深度信息，每一个景象都是平面的连续播放。而3D摄像头在二维图像的基础上增加了对拍摄对象的深度测量，即三维的位置及尺寸信息，从而形成三维图像，实现了从平面视觉到立体视觉的转换。

    为了实现3D摄像头活体检测，首先用3D人脸图像训练一个深度神经网络结构用于活体检测。由于活体人脸检测是一个二分类问题，因此其监督信号比较弱，提取特征鲁棒性不好，算法性能不理想。因此，用活体检测训练图像对Alex-net进行微调得到一个更高效的网络。采用基于动态特征的卷积神经网络活体检测算法。首先采用金字塔LK光流法跟踪视频，得到图像的动态信息，然后对光流运动信息进行分析，计算水平位移和垂直位移，进一步根据两个位移计算位移幅度图，即动态特征图，将动态特征图作为卷积神经网络的输入，最后进行特征提取以及活体检测。

    4 结语

    基于活体人脸检测的智能门禁系统，采用嵌入式系统，实现活体检测和人脸识别，提高系统的安全性，抵抗对简单人脸识别的攻击。该系统结构简单，操作方便，可用于家用安防或是公司安防等。

    [参考文献]

    [1]甘俊英，刘呈云，李山路.多颜色空间中三正交平面的WLDLBP活体人脸检测算法[J].五邑大学学报（自然科学版），2017（2）：14-19.

    [2]任玉强，田国栋，周祥东，等.高安全性人脸识别系统中的唇语识别算法研究[J].计算机应用研究，2017（4）：1221-1225，1230.

    [3]黄叶珏.基于交互式随机动作的人脸活体检测[J].软件导刊，2015（12）：26-28.

    [4]盘海玲.人脸识别系统中活体检测技术[J].科技资讯，2015（10）：226.

    [5]杨健伟.面向人脸识别的人脸活体检测方法研究[D].北京：北京邮电大学，2014.