李岱桥 戚增旺
中建八局第二建设有限公司 山东省济南市 250000
摘要：通过对人脸识别系统的现场应用数据分析，可以优化人脸识别系统的基础算法和人脸模型，提高人脸识别系统的识别效率。由于本项目人脸识别底库录入23700人，至今已稳定运行1年，未出现重大运行故障，极大地减少了本区域误入情况发生，效果验证明显，实现了对建筑的全面安全管控。为此吸引了很多建筑兄弟单位前来参观、交流及借鉴，也成为信息网络公司大力发展“三化”助力炼化生产的一个典型案例。本文主要分析基于人脸识别门禁系统的应用与研究
关键词：人脸识别；门禁系统；应用研究；深度学习
引言
人脸识别是基于人的面部特征信息进行身份识别的一种技术，它通过电子仪器采集图像中的人脸信息，经过图像检测和分析，对捕捉到的人脸进行跟踪和鉴别，以确定身份是否合法。与指掌纹识别技术相比，人脸识别技术具有非接触性、高安全性、难以伪造等特点，使用灵活，识别率高，因此广为人们所接受，是未来身份鉴别的主流技术与发展趋势。
1、人脸识别核心技术及实现原理
1.1人脸识别检测算法
传统人脸检测算法主要有两种：其一是基于特征匹配的检测算法，利用人脸的面部骨骼特征、器官特征、肤色特征，通过先验知识将人脸图像以特征表示出来，在进行人脸检测时通过面部轮廓、皮肤颜色、器官的形状大小、相对距离等信息，来判断待检测的图像中是否存在人脸。其二是基于模型匹配的检测算法，通过预先设定器官形状大小及相对位置、皮肤颜色、面部骨骼轮廓等各种人脸参数来建立人脸模型库，在进行人脸识别时通过将检测到图像与人脸模型库中的模型进行匹配，若达到匹配要求，比如相似度达到90%以上则匹配成功，判定检测到的图像为人脸。以上两种检测算法在实际使用过程中可能会受到站立姿态、面部表情、光线明暗程度等因素影响，大大降低了人脸识别的实时性和准确性，用户体验较差。深度学习是通过模拟人类大脑的学习机制，由浅入深地构建多层次的神经网络单元来学习，通过将大量的图片输入到神经网络中进行模拟训练，逐步修正模型和算法，使其最终能快速准确地区分出不同的人脸。神经网络算法对不清晰的图像会进行超分辨率重建，即利用低分辨率图像生成高分辨率图像。根据信号相关性原理，通过模拟插值法将其放大到目标的实际大小，再通过映射函数生成结果，作为高分辨率图像输出，从而增强了特征的判别性，提高了人脸识别的准确性和实时性。
1.2人脸识别实现原理
识别人脸的基本原理是通过将前端人脸识别仪检测到的人脸图像与后端存储的人脸库中的人脸特征向量进行匹配，以此来判别身份的合法性。在计算机人脸识别过程中，首先将人脸最外在的特征如眼睛大小和形状、鼻子的大小和形状、嘴巴的大小和形状、眉毛的大小和形状等信息理解成最外层人脸特征向量；其次将五官的位置、相对距离、面部骨骼轮廓、脸上的皱纹斑点等信息理解成中间层人脸特征向量；最后将人脸信息抽象，提炼出人脸不随拍摄的角度、光线的明暗程度等因素影响的特征，理解为最里层人脸特征向量[4]。随着人脸特征向量逐层深入，一层比一层更加可靠。人脸识别读头进行识别时，通过设备产生的微电子流深入人脸识别深层获取人脸识别信息，可对人工制造的人脸识别套和人脸识别膜进行自动防伪鉴别，只针对真实的人脸进行识别验证，杜绝一切真实人脸之外的物质，防止伪造人脸。
2、现状分析
2.1人脸识别系统工作原理
人脸识别系统由信息采集和软件分析两部分组成，人脸识别摄像机采集通行人员视频流信息，摄像机在视频流中截取5张最优图片，发送到后台人脸识别系统，系统接收到照片后提取人脸特征信息，经过人脸识别基础算法和人脸模型分析，再与人脸识别底库照片进行比对，摘取比对阈值最高的图片与提前设定好的阈值进行比对，比对阈值高于设定阈值的图片发送至门禁系统开闸放行，低于设定阈值的图片储存到指定的磁盘便于后续查询，存储磁盘中可查询三个月内的所有比对图片。
2.2现场人脸识别系统安装情况
人脸识别摄像机安装人脸识别系统硬件方面主要是人脸识别摄像机的安装，现场采取的是挂壁式、吊顶式安装，承建方根据现场建筑条件和自然光条件进行实地考察，指导施工单位根据各门岗实际条件，选最优方案进行安装。软件系统安装调试人脸识别系统软件安装到现场指定的服务器，一期项目服务器硬件设置在乙烯视频汇聚机房，现场调试发现：每天不同门岗在不同时段会出现识别率低的情况，根据现场调研，新疆自然光强度高，门岗分布位置和方向不同，在上午和下午均发现自然光直射进出厂人员侧脸情况，人脸识别摄像机获取合格图片困难，所得图片全部呈现“阴阳脸”状态，即一半脸曝光严重，一半脸在阴影下，人脸识别摄像机推送的图片一半白一半黑，后台人脸识别算法软件无法提取足够多的人脸特征数据，严重影响部分门岗正常通行。现场调查还发现，导致人脸识别率低的另外一个原因是门岗地面反射光强烈，反射光强烈的原因是门岗铺设的大理石地面反射面平整，人脸识别摄像机通过视频流截取的图片背光严重，面部呈现全黑状态，后台人脸识别算法软件同样无法提取足够多的人脸特征数据。
3、人脸识别门禁系统设计与实现
3.1系统的模型设计
通过摄像头采集到图像后，经过人脸检测系统进行检测，若识别到目标，则将检测到的人脸信息进行预处理，采集人脸特征信息，通过人脸识别系统将检测到的人脸数据信息与人脸库中的人脸特征数值进行比对。若为合法用户，人脸识别系统就向门禁控制系统下达开闸放行指令，同时将信号发送到显示系统显示人员信息，并根据设定的场景进行语音播报；若为非法用户，则进行语音报警提示。外部人员来访时，首先进行人脸图像采集，并将采集到的访客信息推送到人脸识别门禁系统。在访客通过门禁设备时，由人脸识别仪拍摄采集到人脸图像信息后，经过人脸检测系统进行检测。若识别到目标，则将检测到的人脸信息进行预处理，采集人脸特征信息，并通过人脸识别系统将检测到的人脸数据信息与人脸库中的人脸特征数值进行比对。若为合法用户，人脸识别系统就向门禁控制系统下达开闸放行指令，同时将信号发送到显示系统显示人员信息，并根据设定的场景进行语音播报；若为非法用户，则进行语音报警提示。
3.2面部检测
图像采集利用摄像头要进行人脸识别，前提是要采集到人脸，在多彩的背景中过滤掉其他图像，将需要的人脸分离出来，也就是判断出图像中是否有人脸。首先借助于摄像头采集人脸信息，采用应用广且经典的Harr+Ad－aBoost检测算法，依据人脸肤色等特征定位人脸区域并排除其他干扰性的背景元素。如果有多个人脸被定位则需要多个空间来保存人脸位置，然后把人脸图像中包含的结构信息、颜色信息等特征提取出来，转化为数据用于后续人脸识别，人脸识别操作本质是人脸特征的对比。该检测算法有较高的检测率、对光线、肤色以及角度有一定变化的人脸检测的鲁棒性高。
结束语
本系统实现了人脸识别门禁管理的基本功能，达到了设计的预期效果。针对利用深度学习技术进行人脸识别时，系统反应时间偏长的问题，我们需要对算法进行再研究，将其中能够并行处理的部分采用多线程技术进行优化。
参考文献：
[1]刘翠响,肖伶俐.基于视频的人脸检测综述[J].电子设计工程,2017,19(14):172-174.
[2]洪洋.基于人脸识别技术的门禁系统及其嵌入式实现[D].大连海事大学,2017.
[3]郑铁.基于多分类器的人脸识别算法的研究与实现[D].东北大学，2018.
[4]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,2019,23(8):27-28,40.
[5]王乔晨,吴振刚.人脸识别应用系统中的安全与隐私问题综述[J].新型工业化,2019,9(5):47-50.