|
作者：陳彪 吳成東 鄭君剛 沈陽建筑大學(xué)理學(xué)院信息科學(xué)與控制學(xué)院 時間：2009-10-12 來源:電子產(chǎn)品世界 引言 在智能建筑的門禁和安防報警系統(tǒng)中包括三層防范體系：周邊防范、出入口控制;保安監(jiān)控、電子巡更 ;可視對講、安防報警、緊急呼叫等。這些共同構(gòu)成了智能建筑的安全防范管理系統(tǒng)。人臉識別技術(shù)目前在智能建筑的出入口控制、視頻控制、安防報警方面有著廣泛的應(yīng)用。人臉識別有著方便、友好的特點，防欺騙性和安全性高，是人工智能領(lǐng)域和建筑智能化領(lǐng)域的研究熱點之一。 本文研究了結(jié)合ID技術(shù)和人臉識別技術(shù)的門禁與報警系統(tǒng)。結(jié)合ID技術(shù)可以使檢索信息直接鏈接到人臉庫中對應(yīng)的人臉圖像類別;人臉圖像分塊后直接采用奇異值分解方法壓縮圖像，兩者的應(yīng)用大大提高了門禁安防報警系統(tǒng)的傳輸和存儲效率。人臉識別技術(shù)的應(yīng)用，更加提高了門禁安防報警系統(tǒng)的安全可靠性。 本文利用MATLAB仿真軟件，在管理操作界面的設(shè)計中，應(yīng)用各種模塊操作按鈕將人臉圖像識別系統(tǒng)的各種處理和算法的實現(xiàn)程序進(jìn)行鏈接，用戶可以非常方便地對人臉圖像仿真識別系統(tǒng)進(jìn)行操作使用，系統(tǒng)運(yùn)行結(jié)果直觀地顯示出來。 智能門禁安防報警系統(tǒng)結(jié)構(gòu) 智能門禁報警系統(tǒng)如圖1所示，主要包括以下幾個部分。 
門禁終端根據(jù)傳輸過來的不同的識別信號執(zhí)行打開或關(guān)閉門的動作，也能根據(jù)門的狀態(tài)發(fā)出不同的提示或報警信號。電鎖與門禁控制器相互連接，識別信號傳輸至門禁控制器轉(zhuǎn)換為控制信號驅(qū)動電鎖，控制門的開關(guān)。 結(jié)合ID卡和人臉識別技術(shù)的門禁安防報警系統(tǒng)，能夠通過來訪者的ID卡號和人臉圖像信息判斷是否為本部人員，或者來訪者是否為公安部門公布的網(wǎng)上通緝?nèi)藛T，有效地控制門禁通道開關(guān)和報警后的安保措施。 局域網(wǎng)連接著若干門禁控制器和門禁服務(wù)器，是傳輸門禁日志數(shù)據(jù)和其他重要數(shù)據(jù)信息的通信通道。門禁報警系統(tǒng)的局域網(wǎng)要和其他局域網(wǎng)相互分隔，在封閉性的環(huán)境中單獨使用。門禁安防報警系統(tǒng)的局域網(wǎng)采用總線式布局，易于安裝和日常維護(hù)。 門禁控制器傳輸?shù)挠嘘P(guān)通行人員進(jìn)出日志或者其他重要的門禁狀態(tài)信息數(shù)據(jù)，由門禁報警服務(wù)器負(fù)責(zé)準(zhǔn)確可靠地接收。門禁報警服務(wù)器對接收到的門禁狀態(tài)信息數(shù)據(jù)進(jìn)行實時解析，將判斷信號發(fā)送至控制系統(tǒng)驅(qū)動門禁及安防報警執(zhí)行裝置，同時將有關(guān)工作信息存入數(shù)據(jù)庫服務(wù)器中，以備日后查詢。 后臺管理程序?qū)崟r監(jiān)控各個出入口的人員進(jìn)出情況，將捕獲的人臉圖像實時處理。后臺管理程序發(fā)送提示或者報警信息以及人臉模板數(shù)據(jù)信息給門禁控制器，同時，顯示人臉圖像或者文檔信息等有關(guān)判別結(jié)果。 數(shù)據(jù)庫服務(wù)器負(fù)責(zé)存儲和檢索門禁進(jìn)出日志、相關(guān)人臉圖像等門禁安防報警系統(tǒng)中大量的數(shù)據(jù)信息，要求性能穩(wěn)定可靠。 人臉圖像仿真系統(tǒng)的設(shè)計 按照人臉圖像識別的流程，人臉圖像識別系統(tǒng)主要包括以下幾個模塊(見圖2)。
文件模塊 文件模塊操作按鈕鏈接有基于整幅圖像的人臉識別和基于子圖像的人臉識別方法的選擇。 子圖像所對應(yīng)人臉的不同特征在識別過程中所起的作用是不相同的，基于面部骨骼特征、眼睛的分布、鼻子的形狀等結(jié)構(gòu)特征，往往是鑒別人臉的主要依據(jù)。基于整幅人臉圖像的向量求取特征空間時，則計算量非常大，當(dāng)樣本空間很大或者人臉圖像像素較大時，對識別速度會有很大影響。進(jìn)行加權(quán)特征處理，則使人臉識別問題得到了很好的解決。 在進(jìn)行人臉圖像識別方法的對比分析時，通過人臉圖像識別系統(tǒng)的文件操作按鈕，可選擇基于整幅人臉圖像的識別方法或者基于子圖像的識別方法進(jìn)行人臉識別。選擇基于子圖像的識別方法之后，進(jìn)一步設(shè)定子圖像的數(shù)目、子圖像的權(quán)值等參數(shù)。 圖像預(yù)處理模塊 讀入的訓(xùn)練或者測試人臉圖像經(jīng)過幾何尺度與灰度的歸一化處理，進(jìn)行人臉圖像矩陣的奇異值分解。本文采用雙線性插值方法對圖像進(jìn)行尺度歸一化。幾何歸一后的圖像再經(jīng)灰度均衡化處理，人臉圖像的直方圖均衡化是實現(xiàn)圖像增強(qiáng)一種有效途徑。 研究發(fā)現(xiàn)人臉的不同特征在識別過程中所起的作用是不相同的，基于面部骨骼特征、眼睛的分布、鼻子的形狀等結(jié)構(gòu)特征，往往是鑒別人臉的主要依據(jù)。 人臉特征提取模塊 在訓(xùn)練或測試時，通過模塊中功能設(shè)置的選取，設(shè)定鏈接進(jìn)行人臉子圖像的特征提取。 人臉圖像的特征提取方法實現(xiàn)的流程如下：(1)從人臉數(shù)據(jù)庫選擇人臉作為識別訓(xùn)練集;(2)將被選入訓(xùn)練集的人臉圖像幾何歸一;(3)將被選入訓(xùn)練集的人臉圖像灰度歸一;(4)將預(yù)處理過的人臉圖像分為N個子塊;(5)將每一幅圖像變?yōu)橐粋�列向量(先分別將每一個子塊所有向量排成一列，再將N個子塊按順序排成一列);然后以子塊為單位進(jìn)行;(6)計算全部人臉圖像的均值;(7)計算每一類人臉圖像的平均臉同時將人臉圖像列向量與類內(nèi)平均臉做差。 利用訓(xùn)練學(xué)習(xí)過程獲得的人臉圖像數(shù)據(jù)庫中的整幅圖像或子圖像特征空間的數(shù)據(jù)，與測試人臉圖像之間進(jìn)行計算獲得圖像差。 人臉數(shù)據(jù)庫模塊 人臉數(shù)據(jù)庫模塊的兩個選項分別鏈接著人臉圖像庫中整幅人臉圖像特征空間和子圖像特征空間的數(shù)據(jù)，供測試時與待測人臉圖像對應(yīng)的特征空間進(jìn)行對比識別。 將YALE人臉圖像庫中選定的圖像進(jìn)行訓(xùn)練后，得到人臉圖像矩陣、整幅人臉圖像的特征臉空間、子圖像的特征臉空間等數(shù)據(jù)，存儲在人臉數(shù)據(jù)庫中，以備實時調(diào)用。加入新的人臉圖像的類別樣本時，需要重新針對所有樣本圖像進(jìn)行訓(xùn)練，更新人臉數(shù)據(jù)庫。 人臉圖像識別模塊 人臉圖像識別模塊鏈接著基于貝葉斯估計的分類識別方法、基于RBF網(wǎng)絡(luò)和貝葉斯分類器融合的人臉識別方法兩個選項。 貝葉斯估計識別模塊 人臉圖像分塊后應(yīng)用奇異值分解方法進(jìn)行數(shù)據(jù)壓縮，對每個特征分塊設(shè)計一個貝葉斯分類器，最后將這些分類器融合(如圖3所示)。
本文采取加權(quán)求和的方法：
其中，S(Ii，Ij)表示兩幅圖像Ii與Ij的相似度，L是貝葉斯分類器(FBBC)的總數(shù)，是Ii與Ij的第b個特征塊之間的差值。是由第b個貝葉斯分類器計算出的類條件概率密度。wb是第b個貝葉斯分類器對應(yīng)的權(quán)值。 RBF神經(jīng)網(wǎng)絡(luò)識別模塊 RBF神經(jīng)網(wǎng)絡(luò)為三層結(jié)構(gòu)(如圖4所示)。
訓(xùn)練時：輸入層的維數(shù)r與子圖像的數(shù)目對應(yīng);隱含層選用高斯核函數(shù)：
實現(xiàn)聚類算法，其中，si為隱含層第i個神經(jīng)元的寬度;輸出層類別k的輸出值為：
式中，w(k，i)為隱含層第i個節(jié)點與輸出層第k個輸出節(jié)點的連接權(quán)值。 測試時：利用貝葉斯估計的方法設(shè)置隱含層函數(shù)
識別結(jié)果模塊 利用貝葉斯分類器估計測試樣本與訓(xùn)練樣本之間的人臉圖像相似度，滿足閾值初始化設(shè)定值的人臉圖像和相關(guān)類別情況的文字說明顯示于相應(yīng)界面內(nèi)。滿足閾值要求的人臉圖像可以按照50%的比例輸出，也可以按照其他的比例輸出。 仿真實驗結(jié)果及分析 利用在Yale人臉庫中的人臉圖像，分以下4種分塊加權(quán)的情況進(jìn)行實驗(識別結(jié)果見表1和表2)。
1、b1=b3=4;b5=2;b8=2;b2=b4=b6=b7=b9=1，權(quán)值分配情況如圖5所示。
如圖6所示，滿足閾值要求的人臉圖像輸出情況和必要的文字說明，圖中選擇的人臉圖像輸出比例選擇為50%;也可以選擇其他的人臉圖像輸出比例。
2、b1=b3=4;b5=3;b8=2;b2=b4=b6=b7=b9=1 3、b1=b3=4;b5=2;b8=0;b2=b4=b6=b7=b9=1 4、b1=b3=4;b5=3;b8=0;b2=b4=b6=b7=b9=1 仿真實驗結(jié)果表明，通過子圖像權(quán)值的分配，突出人臉骨骼特征，識別效果良好(見表1和表2)，模擬了人類識別人臉時主要依據(jù)人臉骨骼等穩(wěn)定特征，而對嘴部和皮膚折皺等表情變化部分特征給予弱化或剔除這一特點。通過對人臉圖像進(jìn)行分塊，降低圖像維度，減小了計算量。 結(jié)語 本文研究了在智能門禁報警系統(tǒng)中，人臉識別結(jié)合ID技術(shù)的仿真應(yīng)用問題，驗證了基于RBF網(wǎng)絡(luò)和貝葉斯估計人臉識別方法在提高安防報警系統(tǒng)的快速、準(zhǔn)確和安全性方面的有效性，提高了門禁系統(tǒng)的安全性和防欺詐性，與ID技術(shù)相結(jié)合，實現(xiàn)了快速識別。將分塊后對人臉圖像奇異值分解壓縮，提高傳輸效率，節(jié)省存儲空間，改善局域網(wǎng)的應(yīng)用環(huán)境。在本文所研究的算法基礎(chǔ)上，使用MATLAB語言開發(fā)了人臉圖像仿真識別系統(tǒng)的管理操作界面，基于Yale標(biāo)準(zhǔn)人臉圖像庫，用戶可以非常方便地對人臉圖像仿真識別系統(tǒng)進(jìn)行操作使用，對所研究的人臉識別方法進(jìn)行仿真測試與對比分析，系統(tǒng)運(yùn)行結(jié)果非常直觀地顯示出來。 參考文獻(xiàn)： [1] 陳彪, 吳成東, 鄭君剛. 基于RBF網(wǎng)絡(luò)和貝葉斯分類器融合的人臉識別方法[J]. 電子產(chǎn)品世界, 2009(2):P41-44. [2] Hu J S, Su T M, Jeng S C. Robust Background Subtraction with Shadow and Highlight [C]. Removal for Indoor Surveillance Intelligent Robots and System, 2006 IEEE/RSJ International Conference on Oct. 2006: 4545-4550 [3] Lee J, Rajauria P, Subodh K. A model-based conceptual clustering of moving objects in video surveillance [J]. Univ. of Bridgeport Multimedia Content Access: Algorithms and Systems. 2007(1) [4] 洪子泉, 楊靜宇. 基于奇異值特征和統(tǒng)計模型的人臉識別算法[J]. 計算機(jī)研究與發(fā)展,1994, 31(3): 60-65 [5] Cucchiara R, Grana C, Prati A. Computer vision system for in-house video surveillance vision[J]. Image and Signal Processing, IEEE Proceedings, 2005,152: 242-249. [6] Desurmont X, Delaigle J F, Bastide A. A generic flexible and robust approach for intelligent real-time video-surveillance system[J]. Real-Time Imaging VIII, 2004: 134-141 [7] Oyang Y J, Hwang S C, Ou Y Y, et al. Data classification with radial basis function networks based on a novel kernel density estimation algorithm. IEEE Transactions on Neural Networks. 2005,16(1):225-236 [8] Moghaddam B, Jebara T, Pentland A. Bayesian Face Recognition, Pattern Recognition 2000,33:1771-1782 [9] Er M J, Wu S Q, Lu J W, et al. Face recognition with radial basis function (RBF) neural networks Neural Networks, IEEE Transactions 2002,13(3): 697-710 [10] Yang F, Paindavoine M. Implementation of an RBF Neural Network on Embedded Systems: Real-Time Face Tracking and Identity Verification [J]. IEEE transaction. on Neural Networks, 2003, 14(5): 1162-1175 |
