人臉識別在綜合門禁系統(tǒng)中的設(shè)計(jì)應(yīng)用

1 綜合門禁系統(tǒng)設(shè)計(jì)方案

　　本文所設(shè)計(jì)的門禁系統(tǒng)由一個(gè)服務(wù)器和兩個(gè)門禁控制器組成， 一個(gè)門禁控制器在通過攝像頭采集人臉圖像的同時(shí)另一個(gè)可以通過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)門禁識別器軟件，通過USB 接口實(shí)現(xiàn)相互通信，服務(wù)器端軟件對兩個(gè)門禁識別器軟件的連接實(shí)現(xiàn)多線程處理。

　　系統(tǒng)基于嵌入式WindowsXP 平臺開發(fā)，有體積小，專用性強(qiáng)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(xiàn)視頻圖像的預(yù)覽，并在預(yù)覽的過程中對實(shí)時(shí)的視頻進(jìn)行抓拍，將抓拍圖像傳至嵌入式計(jì)算機(jī)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指紋，并通過封裝在識別器內(nèi)部的指紋處理模塊進(jìn)行指紋比對。門禁控制器包括AT89S52 芯片MBF200 識別模塊、液晶顯示器、數(shù)據(jù)存儲器、鍵盤、電源和電控鎖等部分組成。

　　本識別系統(tǒng)軟件在Windows 平臺上采用VC++ 6.0 進(jìn)行開發(fā)， 全部核心算法都采用模塊化設(shè)計(jì)，提高了算法的可移植性。整體結(jié)構(gòu)如圖1 所示。

　　圖1 整體結(jié)構(gòu)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，直接處理會產(chǎn)生龐大的計(jì)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(shù)的同時(shí)，盡可能地保留識別信息，以達(dá)到有效分類。

　　本系統(tǒng)使用主成分分析算法實(shí)現(xiàn)對人臉圖像的特征提取。主成分分析（principal compONent analysis， PCA）是多元統(tǒng)計(jì)分析中用來分析數(shù)據(jù)的一種方法，它是用一種較少數(shù)量的特征對樣本進(jìn)行描述以達(dá)到降低特征空間維數(shù)的方法，方法的基礎(chǔ)是Karhunen-Loeve展開式。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關(guān)的冗余信息去除，降低了之后運(yùn)用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜度，同時(shí)也提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)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(shè)有N 個(gè)訓(xùn)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?cái)?shù)即為向量xi的維數(shù)，M=wIDTh × height （行像素?cái)?shù)×列向量數(shù)），由向量構(gòu)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(yīng)的特征值λi.由大于λm的λi對應(yīng)的特征向量構(gòu)成主成分，主成分構(gòu)成的變換矩陣為：

　　在實(shí)際的人臉識別過程中，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(shù)向量：

　　（4）式中z 為K-L 變換的展開系數(shù)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(shù)向量表示，從而實(shí)現(xiàn)了用低維向量表征原始人臉圖像?？梢赃x取對應(yīng)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(jié)構(gòu)如圖1）。BP 學(xué)習(xí)算法稱為“誤差逆?zhèn)鞑ニ惴?rdquo;，基本思想是通過網(wǎng)絡(luò)誤差函數(shù)的極小值來調(diào)整權(quán)重分布使神經(jīng)網(wǎng)絡(luò)收斂于穩(wěn)定狀態(tài)，從而使網(wǎng)絡(luò)在接受未知輸入時(shí)也會給出適當(dāng)?shù)妮敵觥?/p>

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

　　1）產(chǎn)生一個(gè)訓(xùn)練集，訓(xùn)練集用于BP 網(wǎng)絡(luò)在模式識別方面訓(xùn)練網(wǎng)絡(luò)，使網(wǎng)絡(luò)能夠按照學(xué)習(xí)算法調(diào)整結(jié)構(gòu)參數(shù)，以達(dá)到學(xué)習(xí)的目的。如果在實(shí)際應(yīng)用中，人臉的樣本可能只有1，2 個(gè)，這樣就會導(dǎo)致BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本缺乏，所以在應(yīng)用中應(yīng)有充分人臉對象的樣本采集。

　　2）設(shè)計(jì)BP 網(wǎng)絡(luò)并進(jìn)行訓(xùn)練。網(wǎng)絡(luò)的每一個(gè)輸入節(jié)點(diǎn)對應(yīng)于樣本的一個(gè)特征，而輸出節(jié)點(diǎn)數(shù)等于類別數(shù)。設(shè)計(jì)好網(wǎng)絡(luò)層數(shù)，隱藏層神經(jīng)元數(shù)及所期望的網(wǎng)絡(luò)誤差，學(xué)習(xí)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(fù)訓(xùn)練， 直到對所有訓(xùn)練樣本，網(wǎng)絡(luò)都能給出滿意的結(jié)果時(shí)，學(xué)習(xí)訓(xùn)練完成（如圖2）。

　　圖2

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

　　2.3 人臉識別結(jié)果

　　為驗(yàn)證系統(tǒng)，實(shí)驗(yàn)中采用Yale 人臉數(shù)據(jù)庫，該數(shù)據(jù)庫由美國耶魯大學(xué)的實(shí)驗(yàn)室采集，包括15 個(gè)人的每人11 張人臉灰度圖像，共計(jì)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(xì)節(jié)（有眼鏡或沒眼鏡）下獲取的。

　　每張圖像的尺寸為128×128 像素， 比較充分地反應(yīng)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(xùn)練樣本，另外15 張為測試樣本。實(shí)驗(yàn)中，訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需時(shí)間平均為10秒，人臉的識別過程所需的時(shí)間平均為0.5 s，對于合法用戶的識別率為89%，非法用戶的識別率可達(dá)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(dāng)一個(gè)電容板，接觸的手指充當(dāng)?shù)? 個(gè)電容板，器件表面的鈍化層作為兩板的絕緣層。當(dāng)手指觸摸傳感器表面時(shí)，指紋的高低不平就會在傳感器陣列上產(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(biāo)準(zhǔn)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.具有自動指紋檢測能力，內(nèi)含8 位模數(shù)轉(zhuǎn)換器，可提供3 種總線接口形式。5V 工作電壓下的功耗小于70 mW.指紋采集時(shí)間不超過0.5s;指紋識別比對時(shí)間不超過0.5s/枚；指紋誤識率小于0.001%。

　　指紋識別算法實(shí)現(xiàn)為：1）提取脊線方向，脊線頻率。2）經(jīng)過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(shù)據(jù)庫進(jìn)行特征匹配并得出結(jié)果。大致流程如圖4 所示。

　　圖4 流程圖

　　4 實(shí)驗(yàn)

　　判別流程：門禁控制器通過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。通過指紋采集儀獲取用戶指紋，并通過封裝在控制器內(nèi)部的指紋模塊進(jìn)行指紋比對。若人臉識別通過，指紋識別也通過，則判斷用戶有該門的權(quán)限并開門。若人臉識別通過，指紋識別未通過，則要求請求者再測一次。若人臉識別未通過，指紋識別也未通過，則不開門。其基本流程如圖5 所示。

　　圖5 基本流程圖

　　5 結(jié)果

　　本系統(tǒng)的測試方法為：在相同光照條件下，對已注冊的用戶分別進(jìn)行10 次進(jìn)門操作，對未注冊的用戶分別進(jìn)行10 次進(jìn)門操作。系統(tǒng)設(shè)置識別方式為人臉識別、指紋識別串行執(zhí)行。測試記錄用戶每次進(jìn)門操作識別成功與否，使用何種識別方式識別通過等信息，統(tǒng)計(jì)測試系統(tǒng)的性能。從實(shí)驗(yàn)結(jié)果來看，人臉識別率達(dá)到93%，而人臉加指紋的識別率達(dá)到98%，并且沒有出現(xiàn)錯誤接受的情況，但由于測試數(shù)據(jù)量比較小，在實(shí)際運(yùn)行中，可能會出現(xiàn)錯誤接收的情況，從測試情況來看，錯誤接受率不會高于0.01%.

　　6 結(jié)論

　　傳統(tǒng)PCA 方法在處理人臉圖像時(shí)，要將二維圖像矩陣轉(zhuǎn)換成一維的列向量，使圖像的維數(shù)達(dá)到上萬維，計(jì)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(dú)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(yīng)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題?？刹捎米兓膶W(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率以及附加動量法加以改進(jìn)和解決［5］。將指紋識別與人臉識別相結(jié)合，進(jìn)行人臉圖像的一對一比對，所以識別速度更快，合法用戶與非法用戶的識別率均較高，提高了身份驗(yàn)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(tǒng)門禁系統(tǒng)如IC 卡門禁所存在的不足，達(dá)到減少人為因素對門禁系統(tǒng)的影響的目的。因此，智能門禁系統(tǒng)適用于高度機(jī)密性場所安全保護(hù)和高效率管理的需要，同時(shí)也適用于大規(guī)模用戶進(jìn)行快速、準(zhǔn)確的身份鑒別的需要。