人脸识别系统在铁路车站安检区域应用的研究

安 然，王辉麟

（中国铁道科学研究院 电子计算技术研究所，北京 100081）

人脸识别技术是利用图像处理和模式识别技术鉴别或验证身份的一种热门的计算机安全技术，现已在国家安全、军事安全和公共安全等方面实现了初步的应用。但因为铁路车站环境存在人流密度大、治安难度大、环境复杂等特殊的行业应用特点，针对铁路车站安检区域的人脸识别系统尚未广泛应用。

铁路车站人脸识别系统是在铁路车站安检区域通过对旅客人脸图像的采集、检测和建模，与铁路公安设定的重点人员库进行人脸特征比对，对重点人员进行识别和布控，实现对重点人员的信息化、网络化、实时化的监测和管理。系统有助于减轻铁路公安人员的日常工作量，为追逃、维稳、治安管理以及刑侦破案等铁路公安工作提供先进的科技手段。

1 人脸识别技术概述

人脸识别技术结合数字图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等研究领域，对采集到的人脸图像进行分析，确定人脸的位置、大小和姿势等信息，并提取有效的识别信息进行人脸特征比对，从而实现身份辨认[1]。

1.1 人脸识别技术研究范围

人脸识别的研究内容包括如下几个方面[2]：

（1）人脸检测：从各种环境中检测出人脸的存在并确定其位置，检测精度主要受光照、复杂背景、头部倾斜角度以及各种遮挡的影响。

（2）特征提取：从检测到的人脸图像中提取对识别有效的特征信息，是对人脸信息的一种描述方式。

（3）人脸比对：目标人脸在经过人脸检测和特征提取之后，与重点数据库中的人脸比对，得出相关结果。

图1 人脸识别流程

1.2 人脸识别算法

铁路车站具有人流密度大、治安难度大、安检时间短和光线环境复杂等较为特殊的行业应用特点，对现场采集到的人脸图像质量有着很大影响，因此对于应用于铁路车站的人脸识别系统有着特殊要求。本文采用的人脸识别算法在对特征脸方法进行改进的基础上再与模板匹配方法相结合，完成人脸识别功能。

特征脸方法由主成分分析方法（PCA）衍生而来[3～5]，其思想是将一副由N个像素组成的图像看作N维矢量，或者是N维空间中的一点。我们假设人脸图像在这个高维图像空间中只占据一个很小的子区域，这样就可以通过PCA方法得出人脸图像的优化坐标系。通过这种方法对人脸子区域坐标进行降维，通过较少的参数来表示高维人脸图像，从而降低了计算复杂度。

对于人脸识别而言，需要尽最大可能区分不同的人脸特征，原始的特征脸方法是所有人脸共用一个降维人脸子空间，而我们采用的方法是为每个人脸建立一个私有子空间，这样能更好地描述不同人脸之间的差异性，增加多个训练样本。

对于M●N的人脸图像，D=M●N就是人脸图像空间的维数。设n为样本数；Xj表示第j幅人脸图像的人脸向量，则样本协方差矩阵：

其中，u为样本的平均图像向量：

再设A=[x1-ux2-u……xn-u],则可得出协方差Sr=AAT，维数为D●D。

根据奇异值分解定理，设l（ii=1,2,……,r）为矩阵ATA的r个非零特征值，vi为ATA对应于li的特征向量，因此AAT的正交归一特征向量ui：

其中，i=1,2,……r，特征脸空间为：w=(u1,u2，……，ur)。再将样本投影到特征脸空间，经过变换后得到投影向量Ω=wTu，作为人脸特征值向量，构成用于比对的重点人员数据库。

在得出特征脸数据库结果后，再利用模板匹配方法进行识别比对，将两种方法相结合。模板匹配方法中的模板变形可以充分利用特征脸区域的全局信息，因此能较好地检测出特征。弹性模板匹配方法具有在一定程度上容忍光线干扰的特性。通过对特征脸方法与模板匹配方法相结合，增强了系统对铁路车站复杂环境下的识别能力。

2 铁路车站人脸识别系统

2.1 铁路车站人脸识别系统组成

铁路车站人脸识别系统软件架构由前端采集、预处理、比对识别、输出和管理等模块组成。系统能够将被检人员与铁路公安指定的重点人员数据库进行逐一的特征比对，根据输出比对结果，发现并确认数据库内注册过的重点人员。系统总体架构和功能结构如图2和图3。

（1）前端采集模块

前端采集模块用于采集人脸图像，包括网络摄像机、LED补光灯、网络交换机、本地存储NVR和视频监控管理终端等硬件部分。人脸识别软件客户端运行在视频监控管理终端上，通过网络摄像机完成对进入安检区域的乘客人脸特征的采集。

（2）预处理模块

预处理模块对来自前端采集模块的人脸图像进行人脸的检测、跟踪、分割和校正等处理，提取人脸特征信息，实现人脸建模，包括人脸识别技术中的人脸检测和人脸特征提取两大部分。经过预处理后的人脸图像被提取出特征值，等待与重点人员数据库中的人脸特征进行下一步的比对。

图2 铁路车站人脸识别系统架构图

图3 铁路车站人脸识别系统功能结构图

（3）比对识别模块

该模块用于将预处理后的人脸特征信息与重点人员库进行人脸特征的逐一比对，计算输出人脸相似度或相似队列等识别结果，满足一对一的身份验证和一对多的动态比对识别功能。该模块使用到的硬件有：人脸比对服务器、千兆网络交换机和NVR等设备。

（4）输出模块

输出模块用于显示人脸识别结果及报警信息，提供图形化监控界面和用户管理界面。方便安检区域现场工作人员与民警进行实时的核对。

（5）管理模块系统管理模块实现人脸图像建模信息的入库及存储，系统的软硬件配置与设备管理，用户权限设定，系统日志管理，报警信息的输出显示和及时发送，对重点人员库的管理和维护等功能。

2.2 铁路车站人脸识别系统功能

人脸识别系统在铁路车站的应用必须克服苛刻的环境条件，在满足系统功能需求的同时尽量提高系统响应速度。应用在铁路车站的人脸识别系统应具有如下功能。

（1）人脸图像采集和人脸检测

铁路车站人脸识别系统除完成多来源的人脸图像采集外，还需实现以下人脸检测需求：实时人脸检测并完成单人和多人人脸图像检测；多角度人脸检测；不同表情人脸检测；复杂背景下的人脸检测；有遮挡情况和针对脸部饰物的人脸检测。

（2）人脸特征提取

人脸特征提取是人脸识别中的核心步骤，直接影响识别精度。特征提取针对干扰因素，提取出具有稳定性和有效性的人脸信息，可综合多种人脸特征提取方法，完成对苛刻环境下人脸特征的提取。

（3）人脸比对

人脸比对的结果关系到人脸识别的准确程度。人脸比对的速度与重点人员数据库的容量有关，同时也直接影响到系统响应时间的长短，应用于车站安检区域的人脸识别系统应具有较高的人脸比对速度。人脸比对分为一对一比对和一对多比对，前者主要应用于身份验证；一对多的比对既可用于对乘客照片、视频的事后比对，也可用于实时视频的动态比对。

（4）报警管理

报警管理是人脸识别系统中必不可少的功能。报警功能直接关系到人脸识别系统的使用效果，车站安检区域的报警需要考虑人流量大、安检时间短、人员可控性差等环境特点来设计并实现报警功能。

车站安检区域人脸识别系统的报警管理需完成如下功能：完成报警提示并实时更新报警日志；支持多种可划分的报警级别；报警结果第一时间通过短信、彩信方式发送给监控指挥中心及指定民警；完成对报警时间点前后时间段的视频存储；支持多种方式的报警提示等。

（5）重点人员数据库管理

人脸识别系统需要完成数据库系统的管理和维护，以满足各种环境与监控模式下的数据库应用需求。对数据库的管理维护功能包括数据导入、数据库维护、数据库相关参数配置、数据导出、人脸数据建模和数据编辑等。

（6）输出显示

识别结果的输出显示是民警现场人工确认和事后二次确认的依据。人脸识别系统的输出显示内容与报警功能相关联，需要在识别输出结果中显示报警时间和地点、报警等级和报警日志等信息。

（7）系统管理

系统管理即完成对各个系统模块的管理。系统管理功能包括：系统配置管理；设备配置管理；系统日志管理和用户管理等，同时系统还需要预留与其他系统的接口，方便系统升级与维护。

2.3 铁路车站人脸识别系统性能

铁路车站人脸识别系统性能如下：

（1）比对速度：30万/s；

（2）建模速度：70张/s；

（3）人脸偏转角度：上下≥15°；左右≥25°；

（4）多人脸同时识别数：≥5人；

（5）系统响应时间：≤1 s；

（6）采集率：≥95%；

（7）正识率：≥80%；

（8）漏识率：≤20%；

（9）误识率：≤2%。

3 铁路车站人脸识别系统测试结果

结合京沪高速铁路沿线各个车站安检区域的不同情况和试点工程的实施进度，给出铁路车站人脸识别系统的具体测试结果。

3.1 硬件环境

（1）比对服务器配置：24核Intel5600 CPU，主频2.4 GHz，43 GB DDR3内存；

（2）采集端PC配置：4核 I5 CPU，主频2.9 GHz，内存4.0 GB；

（3）摄像机：泰科1080P高清摄像机AV2115AI；

（4）数字录像机NVR：泰科M155。

3.2 软件环境

（1）操作系统：Windows Sever2003 ；

（2）数据库：Oracle。

3.3 比对数据量

10万CCIC人像库，2011年6月～2011年11月新增罪犯库。

表1 人脸识别软件测试性能情况

3.4 测试结果

表1为人脸识别软件测试性能情况表。表中，各统计参数的定义与计算公式如下：

（1）采集率即为通过安检区域乘客人脸信息被采集到的概率；

（2）正识率即为重点人员库中已有人员被识别出的概率；

（3）漏识率即为未被识别出人脸图像信息的被测人员概率；

（4）误识率即为非测试人员被误识别的概率；

（5）β+γ=100% （5）

4 结束语

本文提出了一种应用于铁路车站安检区域的人脸识别系统解决方案，并在京沪高速铁路车站的实验结果。该系统的应用实现对铁路公安重点人员的信息化、网络化、实时化的监测和管理，有助于减轻铁路公安人员的日常工作量，为铁路公安追逃、维稳、治安管理、刑侦破案等工作提供了先进的科技手段。本系统虽然在试点测试中取得了较好的效果，但还需在光照环境复杂和优化人脸识别算法等方面做进一步研究。

[1]Ming. Yang, David Knegman. Detecting Faces in Images: A Survey[J]. IEEE Trans. Pattern Analysis and Machine Intelligence, 2002, 24(1): 34-58.

[2]Bartlett M S, Movellan J R, Sejnowski T J. Face Recognition by Independent Component Analysis[J]. IEEE Trans. on Neural Networks, 2002, 13(6): 1450-1464.

[3]Lu J, Plataniotis K N, Venetsanopoulos A N. Face Recognition Using Kernel Direct Discriminant Analysis Algorithms[J]. IEEE Trans. on Neural Networks, 2003, 14(1):117-126.

[4]Yongjin Lee, Kyunghee Lee, Sungbum Pan. Local and Global Feature Extraction for Face Reco-gnition[C]. AVBPA 2005,Berlin; Springer, 2005, 219-228.

[5]He X, Yan S, Hu Y. Face Recognition Using Laplacianfaces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(3): 328-340.