基于人脸识别的智能门禁系统

王飞，程威，余斌

（常熟理工学院电气与自动化工程学院，江苏常熟215500）

基于人脸识别的智能门禁系统

王飞，程威，余斌

（常熟理工学院电气与自动化工程学院，江苏常熟215500）

针对智能门禁系统的发展需求，提出了一种基于人脸识别的门禁系统.系统首先通过图像采集设备得到目标图像，然后利用空间转换建立目标图像在新空间下的肤色似然图，进而通过二值化、形态学处理并结合特征过滤实现人脸的定位和提取.提取到人脸图像后，利用主成分分析获得待测人脸与数据库的人脸特征并通过相似度度量实现人脸的识别.实验证明，该系统能够有效的实现人脸定位和识别，能够满足智能门禁系统的基本需求.

智能门禁；人脸识别；主成分分析；LabVIEW

1　引言

随着社会的发展和生活水平的提高，人们对自身安全和财产保障的需求越来越强，智能门禁系统作为保障人身和财产安全的重要组成部分迅速发展起来.

在当前的智能门禁系统中，基于电子信息技术的门禁系统占据主要市场，如光符识别技术、磁条字符识别技术、IC卡识别技术和射频识别技术等.这些技术有着成本低、技术成熟等优点，然而其需携带、易伪造和智能化水平较低等缺点难以满足人们对安防日趋提升的需求.随着生物特征识别技术的不断发展，利用人的生理特征或行为特征进行个人身份鉴定的方法被越来越多地应用于智能门禁系统的设计中，如指纹识别、语音识别、人脸识别、虹膜识别等门禁系统［1］.这些技术因生物特征附于人体而使用更加方便，难以伪造和被盗，有着更好的防伪性能，且使得基于生物特征的门禁系统越来越受到研究人员的重视.针对这一情况，本文设计了一种基于人脸识别的智能门禁系统.

2　系统构成

本系统由摄像控制模块，图像处理与识别模块和门锁控制模块构成.摄像控制模块主要完成人脸图像的采集，图像处理与识别模块则通过图像处理技术实现人脸的定位和对象识别，门锁控制模块包括NI ELVIS和步进电机.其示意图如图1.

该识别系统工作流程：首先，使用摄像头进行图像采集，然后对获取的图像进行滤波、空间变换、分割、形态学处理和特征过滤，实现人脸的定位和检测.再将检测到的人脸送入识别模块，通过主成分分析（Principal Components Analysis，PCA）算法，将待检测图片与人脸图像数据库里面的图像进行特征提取再通过相似度度量判断人员是否准入，对准入人员通过ELVIS控制电机开门并记录相关信息，否则显示禁入标志.

系统的核心为人脸识别，包括图像处理，人脸定位检测，识别，其工作流程如图2所示.

图2　识别系统构成框图

2.1图像预处理

门禁系统的图像采集在数字化和传输过程中受到成像设备与外部环境噪声干扰等影响，使得图像包含了不利于检测的噪声，因此，需要噪声处理环节.中值滤波是一种常用的非线性平滑滤波器，进行中值滤波不仅可以去除孤点噪声，而且可以保持图像的边缘特性，不会使图像产生显著的模糊，适合于人脸图像的检测与识别.

中值滤波的基本原理是把数字图像（或数列）中一点的值用一个邻域中各点的中值替代，让其邻域内像素的灰度值差比较大的像素由其周围灰度值接近的值代替，从而消除孤立点产生的噪声［2］.其核心思想是：定义窗口内对作用样本X（n-i）…X（n）…X（n+i）取中值，即：

其中，med［］表示窗口内数据按升序排序后，取其中间值方法是取某种结构的二维滑动模板，将模板内像素按照灰度值排序后得到升序（或降序）序列.在这里，选择把当前中心像素点作为待处理噪声点，在窗口中心点的邻域内除去可能噪声点后取所剩下的信号点，并用它们排序后取中值点的灰度值代替当前中心点灰度值.这样以椒盐噪声的两个特征为判断依据，通过设定两个阈值区分当前点是噪声点还是信号点，用信号点的中值来替代噪声，该方法可以准确地去除噪声点，并能保护图像更多的细节信息.对于带有较高密度椒盐噪声的各种图像都有很好的滤波效果.

预处理环节除了滤波还包括人脸归一化处理，在人脸定位并提取后需要对人脸图像进行缩放归一化处理，以便后续的主成分分析法进行的特征提取和相似度度量.

图像缩放采用的是经典的双线性插值算法［3］，其原理为：采用一个2×2的邻域，在水平方向上进行两次插值，然后在垂直方向上采用一次插值，从而得到新的插值点，即根据采样点和相邻点的距离确定相应的权值，计算出采样点的灰度值.其表达式为：

2.2人脸检测

人脸检测的过程，首先将采集处理过的图像进行空间变换，由RGB空间转换到YCbCr色彩空间，然后进行肤色建模得到肤色似然图，再对肤色似然图进行图像分割得到人脸区域.将分割得到的人脸图像送入下一步的人脸识别模块.示意图如图3所示.

图3　人脸检测流程图

2.2.1空间转换及肤色建模

肤色是人体表面最为显著的特征之一，是人脸的重要信息.其特性能将肤色与大多数背景物体的颜色区别开来，且不依赖于人脸细节特征，因此皮肤颜色为人脸检测提供了重要依据.本系统通过肤色信息实现人脸检测.肤色检测利用了YCbCr色彩肤色模型将图像中的肤色区域和非肤色区域分开，得到人脸检测的候选区域［4-7］.

相对于其他的色彩空间而言，YCbCr色彩空间受亮度的变化影响小，能够较好的限制肤色分布的区域，而且YCbCr色彩空间的肤色聚类特性较好，利于肤色区域与非肤色区域的分离.因此，将采集的图像由RGB空间转化为YCbCr色彩空间.转换公式如下：

经过空间变换后的图像在YCbCr色彩空间进行肤色建模以实现人脸检测.利用高斯模型对肤色区域进行建模，通过肤色概率密度函数进行肤色相似度的计算，得到肤色似然图.高斯模型G（m，C2）是椭圆高斯联合概率密度函数：

其中，x=［Cr，Cb］T是像素的色度向量，协方差矩阵C=E｛（x-m）（x-m）T｝，m是均值向量，通过高斯肤色模型的建立，得到待检测图像的相似度度量值.

2.2.2图像分割与形态学处理

经过相似度计算以后，图像中所有与肤色相似的区域（脸部、颈部、手臂等）其灰度值比非皮肤区域高，利用OTSU方法［8］选取最佳阈值对图像进行阈值分割，得到二值化图像.

OTSU算法又称最大类间方差阈值选择法，是一种自适应的阈值确定的方法.它是按图像的灰度特性，将图像分成背景和目标两部分.背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标，都会导致两部分差别变小.因此，使类间方差最大的分割意味着错分概率最小［8］.

由于外界环境的干扰，二值化后的图像会存在若干噪声点，需要对噪声点进行滤除处理，另外，人的眉毛、眼睛、嘴唇等为非肤色区域，使得分割后的人脸区域存在空洞，会导致二值化后的图像存在一些毛刺，孤立点，以及较窄的连接区域等.因此，要对二值化图像进行形态学处理.本文采用膨胀、腐蚀、开运算、闭运算等组合操作来解决这个问题.

2.2.3人脸定位

经过上述处理后的图像依然会存在若干非人脸区域，其造成原因是由于手、臂等非人脸的肤色区域并未作为噪声消除.为了消除该部分的影响，定义3个特征以消除非人脸检出区域的影响：面积特征、宽高比和矩形度.定义如下：

通过以上特征滤除非人脸的肤色区域以进一步定位人脸.

2.3人脸识别

经过上述步骤处理后得到人脸图像，此时利用相似度判别方法对待检测人脸进行识别，以判断其是否为准入人员.

识别流程首先是对上步骤中检测到的人脸图像利用主成分分析法进行提取特征［9］，得到特征脸，然后利用欧氏距离度量待测人员与数据库中对象的相似度，根据相似度最大原则判断其是否为准入人员.

具体分为两个过程：利用特征脸法进行人脸识别的训练过程和识别过程.其具体步骤如下：

2.3.1训练阶段

（1）设训练集有K张人脸样本.每张人脸图像大小为M*N，将其排列成L维列向量可以得到K张人脸图像的训练样本矩阵为X=（x1，x2，…xk）T.

（2）计算平均脸

（3）计算每一张人脸与平均脸的差值，得到差值脸

（4）构建协方差矩阵

（5）求协方差矩阵的特征值和特征向量，构造特征脸空间w.

（6）将每一幅人脸与平均脸的差值脸矢量投影到“特征脸”空间，即

协方差矩阵的维数为L*L，考虑其维数较大，计算量比较大，所以采用奇异值分解（Singlar Value Decomposition，SVD），通过求解AAT的特征值和特征向量来获得AAT的特征值和特征向量.其具体步骤如下：

（1）求出AAT的特征值λi及其正交归一化特征向量vi；

（2）根据特征值的贡献选取前p个最大特征值及其对应的特征向量；

p的选取通过贡献率获得，其中贡献率是指选取的特征值的和与占所有特征值的和之比.一般使训练样本在前p个特征向量集上共享率按95%以上选取.

原协方差矩阵的特征向量，

则“特征脸”空间为：

2.3.2识别阶段：

（2）定义阈值：

（3）利用欧式距离度量相似度：

（4）若dist＞T，则该对象为准入人员，否则认为待识别对象可以进入.

3　实验与分析

为验证系统的有效性，在labview框架下，对人脸的检测和识别进行了验证.为了便于系统的分析验证与管理，系统共设计了4个环节，登录界面，原图像与人脸检测，预处理和识别.系统的登录界面如图4.

为了便于系统的调试与改进，系统设计了“图像与人脸检测”环节，该环节同步给出了摄像头采集的目标图像（原始图像）、原始图像经过中值滤波后通过空间变换得到YCbCr空间下的肤色似然图、进一步的利用二值化处理得到的分割图像、经过图像的形态学处理并结合特征关联过滤掉非人脸区域得到待识别的人脸图像、通过方框标记的人脸图像和提取的人脸图像.其实验验证效果图如图5.

从图5可以看到，通过空间变换再二值化分割后得到的人脸图像有效的标识出人脸区域，如二值化所示效果，然而该图同时可见的是手部，背景等信息同时出现在二值化的图像中，除此之外还包括细小的噪声粒子，为了有效的检测出人脸，消除干扰信息，需要使用图像的开关膨胀、腐蚀和开关的操作并结合前文提出的相关特征以过滤干扰元素.通过图像腐蚀膨胀、开关和特征过滤，得到去除非人脸区域效果图.该图有效的定位出人脸，再通过标记和对标记区域进行提取即得到待识别的人脸.

图4　系统登录界面

图5　人脸检测

待识别人脸得到后，通过人脸图像灰度化，尺寸归一化得到与数据库存储图像一致的格式，如图6所示.

图6　预处理

最后，将预处理后的人脸图像利用主成分分析进行特征提取，再通过欧式距离的相似度度量实现人员识别任务，若是准入人员，则输出人员信息、记录于数据库并通过ELVIS驱动电机打开实验室门，否则给出禁止入内的信息提示.

图7　识别结果

为了提高系统的性能，该系统还实现了双人检测和识别，其检测效果如图8所示.

图8　双人检测识别

程序整体框图如图9.

图9　程序框图

实验使用的样本库由实验室人员与人脸识别数据库部分样本共同构成，共选用80个样本图像构成.识别阶段，人脸识别过程所需的平均时间为0.6s，用户的识别率为85.3%.

4　结论

本文给出了一种基于人脸识别的实验室门禁系统的设计，该系统使用摄像头采集人员图像通过计算机在labview框架下实现人脸的定位与识别，并通过ELVIS驱动电机控制实验室的门开关.经过统计分析得到：人脸识别过程所需的平均时间为0.6s，用户的识别率为85.3%.因此，此系统具有较高的识别率，较好的快速性，可以满足门禁系统的可靠性和实时性的要求.

［1］赵文，李晓玲.基于LSSVM和RFID的智能门禁身份认证系统设计［J］.计算机测量与控制，2015，23（3）.

［2］刘国宏，郭文明.改进的中值滤波去噪算法应用分析［J］.计算机工程与应用，2010，46（10）：187-189.

［3］林媛.图像缩放算法研究及其FPGA实现［D］.厦门：厦门大学，2006.

［4］黄雄栋.人脸识别系统中的特征检测算法研究［D］.哈尔滨：哈尔滨工业大学，2007.

［5］柳映辉，任德华，陈少杰.基于高斯肤色模型和图像分割的人脸检测［J］.天津科技大学学报，2010，25（5）：64-67.

［6］郭耸，顾国昌，蔡则苏，等.肤色相似度和动态阈值相结合的肤色分割技术［J］.计算机工程与应用，2010，46（18）

［7］王真，李金屏，刘琳.利用多颜色信息融合的自适应肤色建模［J］.计算机工程与应用，2011，30：211-214.

［8］李梅.基于Otsu算法的图像分割研究［D］.合肥：合肥工业大学，2011.

［9］谢佩，吴小俊.分块多线性主成分分析及其在人脸识别中的应用研究［J］.计算机科学，2015，42（3）：274-279.

An Entrance Guardsystem Based on Face Recognition

WANG Fei，CHENG Wei，YU Bin
（School of Electric and Automatic Engineering，Changshu Institute of Technology，Changshu 215500，China）

According to the demand of intelligent entrance guardsystem，an entrance guardsystem based on face recognition was proposed.First of all，target image was captured by vision device，thenspace transform method was used，from whichskin-color andsimilarity of image were obtained.Secondly，binary，morphology and features filter procedure were applied to fulfill face location and extract.Besides，principal component analysis was used to get face features of both candidates and databases.Finally，face recognition was achieved through thesimilarity measurement process.The experimental resultsshow that thesystem is effective on face location and recognition.

intelligent entrance guardsystem；face recognition；principal component analysis；LabVIEW

TP273

A

1008-2794（2015）04-0064-06

2016-05-30

王飞，讲师，博士，研究方向：智能算法，图像处理、数据挖掘，E-mail：wangleea@aliyun.com.