人脸识别技术在门禁系统中的应用研究

    刘辉+葛昊

    

    

    

    摘 要：近几年，作为生物特征识别技术中非常重要的一项，人脸识别技术具有独特的发展优势，逐渐成为人工智能以及模式识别的一项焦点，受到了很多研究者以及机构的关注。人脸识别技术具有方便、直接以及友好的优势，因此在很多领域得到了广泛的应用。文章将人脸识别技术应用于门禁系统，制定出一种设计方案有效提升人脸识别门禁系统的识别效率，在系统设计的过程中采用了较新的特征提取算法，即2DLDA算法来实现人脸特征的识别，最后使用邻分类器来实现分类识别的功能。

    关键词：人脸识别技术；门禁系统；生物特征

    近几年，随着生物特征识别技术的不断发展成熟，生物特征识别技术在门禁系统中的应用逐渐变成主流。具体来讲，生物特征识别技术应用于门禁系统中就是按照人的特征为识别条件的门禁系统，生物特征识别技术包括人脸、虹膜、指纹、手形以及语音识别等。相对于其他的识别技术来说，人脸识别技术在利用的过程中具有独特的优势，比如，在图像信息采集的过程中相对比较方便，不需要专门的仪器，所以成本相对而言较低，使得人脸识别技术逐渐成为生物特征识别技术中最为直接以及自然的一种，已经成为目前人工智能以及模式识别的焦点，受到了很多研究者以及机构的关注，应用前景十分广阔，在很多高校管理的过程中门禁系统得到了广泛的应用。

    1 门禁系统设计方案

    首先需要建立一个人脸数据库，把允许访问门禁系统的全部人员的人脸信息进行采集以及存储在人脸数据库中[1]。由于ACCESS数据库的工作效率是非常高的，所以该门禁系统使用这项数据库来对人脸图像信息进行存储。当某一个人对门禁系统进行访问时，人脸识别门禁系统会首先通过摄像头来获取人像信息，然后将采集的人像信息输进普通的电脑中，最后再进行人脸识别[2]。这个过程需要系统对来访者的人像信息进行预处理，避免表情、光照以及输入设备对结果的影响，将经过预处理的人像进行特征提取，将提取的信息与数据库中的人脸信息进行识别与对比，将识别的结果进行记录，一旦在数据库中识别出能够对比成功的人脸信息，门禁系统就会接收到计算机的开门指令，通过门禁系统的硬件部分来实现行为，允许来访者进入，否则，计算机不会发出开门的指令，门禁系统也不会打开，还会将访问者的人脸信息进行记录，方便以后的监督。人脸识别门禁系统的结构如图1所示。

    为了对控制成本，在对人脸图像信息进行采集的过程中，尽可能地保证可以检测到需要的人脸信息。所以人们可以采用摄像头来对人的面部特征进行追踪，在实际采集人脸图像的过程中，保证采访者的面部在画面的中央，能够实现自动放大或者缩小，以这样的方式去适合窗口大小。同时，在人脸识别门禁系统中门锁控制器选用单片机。系统软件流程如圖2所示。

    根据上述系统软件流程图能够看出，人脸识别门禁系统具有方便、简单、成本低以及可移植性强等优势。

    2 人脸识别过程

    本文所设计的人脸识别过程主要由人脸检测、预处理、特征提取以及分类识别构成，人脸识别门禁系统的人脸检测通过摄像头实现。

    2.1 预处理

    由于人脸图像信息会受到噪声、光照以及头发等诸多因素的影响，所以在通过摄像头记录人脸图像进行特征提取的过程中，首先需要对人像信息进行预处理，还需要通过对有效信息加强的方式来减少影响因素对于人脸信息退化程度。为了避免光照因素对于人像信息提取影响，需要对样本进行照度梯度修正，也就是通过人脸图像的灰度值对于校正平面进行拟合，然后剔除这个平面。

    除此之外，为了保障人脸模式的一致性，还可以对人脸图像的统计特征进行进一步的归一化处理，这种归一化的处理主要包括两个方面内容，即几何归一化以及灰度归一化。几何归一化一般通过广义变化法来实现，通过几何归一化来保障人脸图像的特征点位置的一致性，灰度统一化能够尽可能减弱光照因素对于人脸图像的影响，一般通过光线补偿的方式来处理人脸图像[3]。

    2.2 人脸特征提取

    人脸作为一个柔性体，能够从人脸图像中提取很多的特征，因此表征人脸的原始特征对应高维空间中的数据。假如直接地处理这些高维的数据，实际的计算量是非常庞大的，所以在进行人脸识别活动之前，在人脸特征提取过程中进行降维，也就是通过将高维图像投影到低维空间内，同时这个低维空间的信息已经能够实现人脸特征的识别以及分类工作。简单来讲，特征提取的目标就是尽可能在降低特征空间维数的基础上，来对识别信息进行保留进而实现有效的分类。

    常用的特征提取算法有主成分分析（Principal Component Analysis，PCA）和线性判别分析（Linear Discriminant Analysis，LDA）等，但是这两种算法在对人脸图像进行处理的过程中，需要将二维的图像矩阵进行转换，转换为一维列向量，通过这样的转换会使得图像的位数过大，导致际特征提取的速度较低，对于人脸识别门禁系统的时间效率造成一定的影响。并且PCA算法在实际运用的过程中也没有对样本的鉴别信息进行考虑，造成识别率相对较低的情况。LDA算法虽然对样本的差异性进行了充分的考虑，能够达到较高的识别率，但是在具体的应用过程中，因为训练样本的数量比样本的维数小很多，所以小样本问题就很容易出现。对着以上方法存在的缺陷，相关的研究者开始尝试使用二维主成分分析（2D Principal Component Analysis，2DPCA）算法，但是2DPCA算法并没有对样本之间的鉴别信息进行考虑，所以具体的识别效果并不是理想。

    2.3 身份识别

    在人脸识别时，通过特征对模块进行提取之后，分类器按照模块提取的特征向量实现分类，通过这样的方式确定来访者的身份。具体来讲，人脸识别是建立在特征提取的基础上的，通过一定的分类策略，将来访者的人脸特征和数据库中的人脸信息进行对比识别，进而对来访者的身份信息进行判断[4]。

    3 实验结果与分析

    本文采用ORL人臉数据库作为实验数据来对所设计的人脸识别门禁系统的具体性能进行验证，其中英国剑桥大学的实验室构建了ORL人脸数据库，这个人脸数据库中包括40人的400幅人脸图像，其中每一幅人脸图像的大小都是92×112，图像的灰度等级为256。这40人中每人都有10幅人脸图像，这10幅人脸图像是在不同的姿态、面部饰物以及表情下收集的。ORL人脸数据库中的某些人脸图像如图3所示，能够充分反映同一个人在不同的情况下人脸图像发生的一些变化以及差异。在实验过程中，将ORL人脸数据库中的人脸图像进行划分，具体划分为训练样本以及测试样本两类，然后从中任意进行人脸图像的选取，将其作为训练样本集，剩下的作为测试样本集[5]。

    其中Ti表示每一个人被选取作为训练样本的不同姿态数。如表1所示，相对于PCA以及2DPCA来说，在特征提取过程中使用二维线性判别分析（2D Linear Discriminant Analysis，2DLDA）算法得到的识别率相对比较高。除此之外，2DLDA算法还对样本的差异性进行了考虑，使得提取的特征空间具有更加有效的信息数据，即使训练样本较少，这种算法的实际识别率也能够大于90%，所以2DLDA算法在人脸识别门禁系统中的应用具有非常大的优势，能够保障门禁系统识别的准确性[4]。

    4 结语

    综上所述，本系统使用的2DLDA算法不仅减少了算法的计算量以及复杂度，还有效提升了人脸识别门禁系统的识别效率以及正确度，进一步完善了人脸识别门禁系统的功能，具有更好的商业价值。

    [参考文献]

    [1]虞闯，魏新华，张明扬.人脸识别技术在门禁系统中的应用[J].电脑开发与应用，2010（8）：27-28.

    [2]洪洋.基于人脸识别技术的门禁系统及其嵌入式实现[D].大连：大连海事大学，2012.

    [3]金苗，尹业安，谢顺义.基于PCA的人脸识别系统在综合门禁系统中的研究[J].电脑知识与技术，2011（25）：6171-6172.

    [4]赵福梅.人脸识别系统在嵌入式门禁系统中的研究与设计[D].太原：太原理工大学，2013.

    [5]薛晓利.基于人脸识别的门禁系统研究[D].成都：西南交通大学，2011.

    Abstract：In recent years， as a very important one in biometrics， with a unique development advantage， face recognition technology has gradually become a focus of artificial intelligence and pattern recognition， and has attracted much attention of researchers and organizations. Face recognition technology is convenient， direct and friendly， so it has been widely used in many areas. In this paper， the face recognition technology is applied to the access control system， and a design scheme is proposed to effectively improve the recognition efficiency of the face recognition access control system. In the process of system design， a new feature extraction algorithm is adopted to achieve face recognition， which is 2DLDA algorithm. Finally， adjacent classifier is used to achieve the function of classification and identification.

    Key words：face recognition technology； access control system； biological characteristics