人臉識別在綜合門(mén)禁系統中的設計應用

1 綜合門(mén)禁系統設計方案

　　本文所設計的門(mén)禁系統由一個(gè)服務(wù)器和兩個(gè)門(mén)禁控制器組成， 一個(gè)門(mén)禁控制器在通過(guò)攝像頭采集人臉圖像的同時(shí)另一個(gè)可以通過(guò)指紋采集儀采集指紋信息。管理服務(wù)器軟件并行連接兩個(gè)門(mén)禁識別器軟件，通過(guò)USB 接口實(shí)現相互通信，服務(wù)器端軟件對兩個(gè)門(mén)禁識別器軟件的連接實(shí)現多線(xiàn)程處理。

　　系統基于嵌入式WindowsXP 平臺開(kāi)發(fā)，有體積小，專(zhuān)用性強等特點(diǎn)。

　　圖像采集端利用DirectShow 技術(shù)對攝像頭進(jìn)行控制，實(shí)現視頻圖像的預覽，并在預覽的過(guò)程中對實(shí)時(shí)的視頻進(jìn)行抓拍，將抓拍圖像傳至嵌入式計算機主板，由基于PCA 和BP 神經(jīng)網(wǎng)絡(luò )的人臉識別軟件進(jìn)行識別處理。

　　指紋采集端由指紋采集儀獲取用戶(hù)指紋，并通過(guò)封裝在識別器內部的指紋處理模塊進(jìn)行指紋比對。門(mén)禁控制器包括AT89S52 芯片MBF200 識別模塊、液晶顯示器、數據存儲器、鍵盤(pán)、電源和電控鎖等部分組成。

　　本識別系統軟件在Windows 平臺上采用VC++ 6.0 進(jìn)行開(kāi)發(fā)， 全部核心算法都采用模塊化設計，提高了算法的可移植性。整體結構如圖1 所示。

　　圖1 整體結構框圖

　　2 人臉識別

　　2.1 PCA 對人臉圖像的特征提取

　　由于攝像頭采集的人臉圖片的信息量往往很大，直接處理會(huì )產(chǎn)生龐大的計算量，所以在人臉識別之前要進(jìn)行特征提取。在降低特征空間的維數的同時(shí)，盡可能地保留識別信息，以達到有效分類(lèi)。

　　本系統使用主成分分析算法實(shí)現對人臉圖像的特征提取。主成分分析（principal compONent analysis， PCA）是多元統計分析中用來(lái)分析數據的一種方法，它是用一種較少數量的特征對樣本進(jìn)行描述以達到降低特征空間維數的方法，方法的基礎是Karhunen-Loeve展開(kāi)式。K-L 變換的最大優(yōu)點(diǎn)是去相關(guān)性好。這樣可以將圖像中大量無(wú)關(guān)的冗余信息去除，降低了之后運用神經(jīng)網(wǎng)絡(luò )的結構復雜度，同時(shí)也提高了神經(jīng)網(wǎng)絡(luò )的訓練效率和收斂率。采用PCA 進(jìn)行人臉特征提取的一般方法是：

　　設有N 個(gè)訓練樣本，每個(gè)由其像素灰度組成一個(gè)向量xi，則樣本圖像像素數即為向量xi的維數，M=wIDTh × height （行像素數×列向量數），由向量構成的樣本集為{x1，x2，…，xn}，該樣本集的平均向量為：

　　協(xié)方差矩陣可表示為：

　　求協(xié)方差矩陣C 的特征向量ei和對應的特征值λi.由大于λm的λi對應的特征向量構成主成分，主成分構成的變換矩陣為：

　　在實(shí)際的人臉識別過(guò)程中，對于一個(gè)輸入的測試樣本x，求它與平均臉之間的偏差y=x-x 則在特征臉空間的投影可表示為系數向量：

　?。?）式中z 為K-L 變換的展開(kāi)系數向量，為m×1 維。這樣一個(gè)臉部圖像就可以用較低維的系數向量表示，從而實(shí)現了用低維向量表征原始人臉圖像?？梢赃x取對應特征值最大的前m 個(gè)特征向量，使得：

　　在式（5）中可以選取鄣=90%，從而使得樣本集在前m 個(gè)軸上的能量占整個(gè)能量的90%以上。

　　2.2 利用BP 神經(jīng)網(wǎng)絡(luò )對人臉圖像進(jìn)行識別

　　BP 網(wǎng)絡(luò )是一種單向傳播的多層前向網(wǎng)絡(luò )。（3 層的BP 網(wǎng)絡(luò )的基本結構如圖1）。BP 學(xué)習算法稱(chēng)為“誤差逆傳播算法”，基本思想是通過(guò)網(wǎng)絡(luò )誤差函數的極小值來(lái)調整權重分布使神經(jīng)網(wǎng)絡(luò )收斂于穩定狀態(tài)，從而使網(wǎng)絡(luò )在接受未知輸入時(shí)也會(huì )給出適當的輸出。

　　系統采用BP 神經(jīng)網(wǎng)絡(luò )對人臉識別的的具體過(guò)程有以下幾步：

　　1）產(chǎn)生一個(gè)訓練集，訓練集用于BP 網(wǎng)絡(luò )在模式識別方面訓練網(wǎng)絡(luò )，使網(wǎng)絡(luò )能夠按照學(xué)習算法調整結構參數，以達到學(xué)習的目的。如果在實(shí)際應用中，人臉的樣本可能只有1，2 個(gè)，這樣就會(huì )導致BP 神經(jīng)網(wǎng)絡(luò )訓練樣本缺乏，所以在應用中應有充分人臉對象的樣本采集。

　　2）設計BP 網(wǎng)絡(luò )并進(jìn)行訓練。網(wǎng)絡(luò )的每一個(gè)輸入節點(diǎn)對應于樣本的一個(gè)特征，而輸出節點(diǎn)數等于類(lèi)別數。設計好網(wǎng)絡(luò )層數，隱藏層神經(jīng)元數及所期望的網(wǎng)絡(luò )誤差，學(xué)習速率后， 用上述主分量分析法得到的特征樣本對網(wǎng)絡(luò )進(jìn)行反復訓練， 直到對所有訓練樣本，網(wǎng)絡(luò )都能給出滿(mǎn)意的結果時(shí)，學(xué)習訓練完成（如圖2）。

　　圖2

　　3）進(jìn)行識別。在此階段，當一個(gè)未知類(lèi)別樣本A 作為一個(gè)測試樣本作用到輸入端時(shí)，經(jīng)過(guò)投影后得到特征矩陣Y，利用訓練好的網(wǎng)絡(luò )分類(lèi)器對其進(jìn)行分類(lèi)，考察各輸出節點(diǎn)的輸出，從而識別出所屬類(lèi)別。

　　2.3 人臉識別結果

　　為驗證系統，實(shí)驗中采用Yale 人臉數據庫，該數據庫由美國耶魯大學(xué)的實(shí)驗室采集，包括15 個(gè)人的每人11 張人臉灰度圖像，共計165 張。它們是在不同時(shí)間、光照略有變化、不同表情（眼睛張或閉，笑或不笑）以及不同臉部細節（有眼鏡或沒(méi)眼鏡）下獲取的。

　　每張圖像的尺寸為128×128 像素， 比較充分地反應了同一個(gè)人不同人臉圖像的變化和差異。將圖像庫中的人臉圖像分為兩組，其中150 張為訓練樣本，另外15 張為測試樣本。實(shí)驗中，訓練神經(jīng)網(wǎng)絡(luò )所需時(shí)間平均為10秒，人臉的識別過(guò)程所需的時(shí)間平均為0.5 s，對于合法用戶(hù)的識別率為89%，非法用戶(hù)的識別率可達95%.

　　圖3

　　3 指紋識別

　　指紋識別傳感器采用富士通公司推出的一款先進(jìn)的固態(tài)指紋傳感器MBF200，它除可自動(dòng)檢測指紋外，還帶有多種接口模式，為電容性傳感器，其電容性傳感器陣列由二維金屬電極組成，所有金屬電極充當一個(gè)電容板，接觸的手指充當第2 個(gè)電容板，器件表面的鈍化層作為兩板的絕緣層。當手指觸摸傳感器表面時(shí)，指紋的高低不平就會(huì )在傳感器陣列上產(chǎn)生變化的電容，從而引起二維陣列上電壓的變化，并形成指紋傳感圖像。采用標準COMS 技術(shù)的電容性固態(tài)器件，具有500 dpi 的分辨率，傳感器面積為1.28 cm×1.50 cm.具有自動(dòng)指紋檢測能力，內含8 位模數轉換器，可提供3 種總線(xiàn)接口形式。5V 工作電壓下的功耗小于70 mW.指紋采集時(shí)間不超過(guò)0.5s;指紋識別比對時(shí)間不超過(guò)0.5s/枚；指紋誤識率小于0.001%。

　　指紋識別算法實(shí)現為：1）提取脊線(xiàn)方向，脊線(xiàn)頻率。2）經(jīng)過(guò)GABOR 濾波，減弱噪聲、改善圖像質(zhì)量，以便于特征提取。3）特征提取。4.與指紋數據庫進(jìn)行特征匹配并得出結果。大致流程如圖4 所示。

　　圖4 流程圖

　　4 實(shí)驗

　　判別流程：門(mén)禁控制器通過(guò)攝像頭捕獲到人臉圖像，并把該圖像發(fā)送到服務(wù)端進(jìn)行人臉識別。通過(guò)指紋采集儀獲取用戶(hù)指紋，并通過(guò)封裝在控制器內部的指紋模塊進(jìn)行指紋比對。若人臉識別通過(guò)，指紋識別也通過(guò)，則判斷用戶(hù)有該門(mén)的權限并開(kāi)門(mén)。若人臉識別通過(guò)，指紋識別未通過(guò)，則要求請求者再測一次。若人臉識別未通過(guò)，指紋識別也未通過(guò)，則不開(kāi)門(mén)。其基本流程如圖5 所示。

　　圖5 基本流程圖

　　5 結果

　　本系統的測試方法為：在相同光照條件下，對已注冊的用戶(hù)分別進(jìn)行10 次進(jìn)門(mén)操作，對未注冊的用戶(hù)分別進(jìn)行10 次進(jìn)門(mén)操作。系統設置識別方式為人臉識別、指紋識別串行執行。測試記錄用戶(hù)每次進(jìn)門(mén)操作識別成功與否，使用何種識別方式識別通過(guò)等信息，統計測試系統的性能。從實(shí)驗結果來(lái)看，人臉識別率達到93%，而人臉加指紋的識別率達到98%，并且沒(méi)有出現錯誤接受的情況，但由于測試數據量比較小，在實(shí)際運行中，可能會(huì )出現錯誤接收的情況，從測試情況來(lái)看，錯誤接受率不會(huì )高于0.01%.

　　6 結論

　　傳統PCA 方法在處理人臉圖像時(shí)，要將二維圖像矩陣轉換成一維的列向量，使圖像的維數達到上萬(wàn)維，計算工作量大，特征提取速度慢。針對PCA 算法的不足，也有研究者提出了獨立分量分析法（ICA，Independent Component Analysis），在這些方面仍有待作進(jìn)一步探索。

　　而且雖然BP 網(wǎng)絡(luò )得到了廣泛應用，但其自身也存在一些缺陷和不足，主要包括網(wǎng)絡(luò )的收斂速度慢，且存在局部最小值問(wèn)題?？刹捎米兓膶W(xué)習速率或自適應的學(xué)習速率以及附加動(dòng)量法加以改進(jìn)和解決［5］。將指紋識別與人臉識別相結合，進(jìn)行人臉圖像的一對一比對，所以識別速度更快，合法用戶(hù)與非法用戶(hù)的識別率均較高，提高了身份驗證的安全性和有效性。人臉和指紋這兩個(gè)生物特征都具有很好的抗干擾性和不怕遺失的特性，而且識別率也非常，可以很好的解決傳統門(mén)禁系統如IC 卡門(mén)禁所存在的不足，達到減少人為因素對門(mén)禁系統的影響的目的。因此，智能門(mén)禁系統適用于高度機密性場(chǎng)所安全保護和高效率管理的需要，同時(shí)也適用于大規模用戶(hù)進(jìn)行快速、準確的身份鑒別的需要。