基于人脸识别的罪犯抓捕系统

作者/段钰龙，天津市实验中学

基于人脸识别的罪犯抓捕系统

作者/段钰龙，天津市实验中学

目前，在中国罪犯在逃率很高。公安系统对在逃罪犯还不能做到实时追踪，抓捕过程仍有一定难度。本系统将人脸识别与交通电子眼相结合，实时地对罪犯进行追踪，能帮助公安系统提高破案效率、及时抓捕逃犯。本系统是直接通过电子眼进行人脸检测，并对采集的图像进行灰度化、二值化、直方图均衡化、中值滤波等预处理，采用主成分分析法（Principal Component Analysis，PCA)进行图像特征提取；将特征数据与公安系统犯罪人员信息库里的数据进行匹配与识别，找到罪犯、锁定其位置并自动报警。

罪犯抓捕；人脸识别；中值滤波；PCA

1.人脸识别的罪犯抓捕系统

■1.1 设计基于人脸识别的罪犯抓捕系统的重要性

在逃犯罪嫌疑人，对人民群众生命财产安全形成严重威胁，应尽快将其抓捕归案，解除危害。设计这套系统就是为了能随时追踪罪犯，及时报警，保证公共安全。

■1.2 当前罪犯抓捕方式的现状与弊端

警力调查是抓捕罪犯最常见的方式，这种方式需要投入大量警力深入地去调查罪犯的踪迹，还需要人民群众的大力配合。

这些传统方法的缺陷是：①在财力、物力及人力方面花费都很多；②凭经验、凭影像、“人海战术”效率低;③商场、高楼、车站等公共区域的监控资料死角多，信息不全面；④这些调查都是事后调查，有滞后，往往会错过最佳抓捕时间。

■1.3 本产品的创新点

目前电子眼在城市的覆盖率极高，本系统便利用它的“点控”、“线控”、“面控”的特点，直接利用电子眼采集人脸图像，然后进行灰度化、中值滤波、直方图均衡化等的预处理；再使用主要成分分析法对图像进行特征提取；并将特征数据与公安系统犯罪人员信息库里的数据进行匹配与识别，找到罪犯、锁定其位置并自动报警。

论文的结果及数据可为公安系统提供参考，可以为侦破犯罪案件提供线索。而人脸识别是本产品的关键技术。

2.人脸识别

人脸识别可以经过计算机来处置人脸图像，目的主要是为了验证身份，主要包括图像采集、预处理、特征提取、图像匹配及识别四个部分。

■2.1 图像采集与检测

由于目前电子眼在城市的覆盖率极高，本系统便利用它的“点控”、“线控”、“面控”的特点，直接利用电子眼所采集的人脸图像进行检测。

■2.2 预处理

输入的原图像由于遭到外界条件的干扰，不能在视觉系统中直接使用，有必要对其进行处理，这个过程被称之为图像的预处理[1]。预处理的过程如图1所示。

2.2.1 图像的灰度化

因为彩色图像中三种色彩是混合的，要对彩色图像进行识别往往困难很大，且识别时会受到复杂背景的影响，造成不少缺陷。而灰度图像是将图片不同区域的颜色进行量化，所以灰度化图像容易完成识别[2]。

图1 图像的预处理流程

图像的灰度化主要由几个步骤完成，如图2所示。

图2 图像的灰度流程

彩色图像转化成灰度图像的公式如式（1）所示。

2.2.2 二值化

在预处理的过程中，二值化的作用是把人的头发，眼睛脸的边缘轮廓及背影与人脸的亮域进行分割。通过选择合适的阀值，将前面得到的灰度图像的灰度值变为只剩0和255的黑白图像。通常，图像二值化阈值选择方式有三种：整体阀值法、局部阈值法、动态阀值法。而动态阀值法相对前面两种方法，适应性和性能会更好，所以通常采用动态阀值法进行二值化处理。

2.2.3 直方图均衡化

直方图均衡的原理是将各灰度级分量尽可能分布均匀目的是为了加强人脸图像的对比度。另外，它还能减少光线对人脸图像的影响，更容易地提取到人脸特征。

图像的直方图均衡化的计算包含以下步骤：

①列出原图像和变换后图像的灰度级 fk∶k = 0,1,···,L − 1，其中L是灰度等级总数。

②计算直方图各灰度等级的出现总数：

其中 nk为原图像各灰度级的像素个数， k = 0,1,···,L − 1;n为原图像的像素总个数。

③计算累积直方图：

④计算输出图像的灰度等级ig：

公式中P表示输出图像的灰度级个数，i=0,1，…，p–1

⑤用以下的公式计算输出图像的直方图

2.2.4 中值滤波

经过前面操作后的图像，可能还会一些噪声。而这些噪声无论对于人脸的定位还是特征提取都会有不同程度的影响，所以有必要对它们进行处理，尽可能去除噪声的影响。

本设计主要采用中值滤波方法来去除噪声。

中值滤波实现步骤：

（1）首先，将模板与目前得到的图像进行比较，然后把模板中心与图像中某个像素位置重合；

（2）读取模板下各对应像素的灰度值；

（3）将这些灰度值从小到大排成一列；

（4）找出这些值里排在中间的一个；

（5）将这个中间值赋给对应模板中心位置的像素。

由以上过程可以看出，中值滤波的作用就是把与周围像素灰度值的差比较大的像素变成与周围像素值接近的值，能够去除独立噪声。换句话说，中值滤波即能消除噪声又能保持图像的细节[3]。

■2.3 特征提取的方法

特征提取就是经过提取人的眉、眼、鼻、口、下巴等重要特征点的几何形状作为基础特征，把人脸用一组几何特征矢量表示，然后再进行识别。

目前，人脸特征的选择和提取主要有基于几何特征的方法、基于代数特征的方法、基于神经网络的方法，而本文采用的是主成分分析法（PCA）。它是使用K–L变换得到人脸各部分的主成分集，这些主成分组成坐标系，每个坐标轴就是一个特征脸图像。在进行识别时，只要把被识别的图像进行空间投影，就可以得到一组投影向量，再通过与人脸库的图像进行匹配，进而进行识别。

假设y为n维的随机变量，那个Y可以由（6）来表示

此中：ia定义为加权系数，iϕ定义为基向量。公式（6）还能用矩阵的形式表示，详见公式（7）所示：

公式中 Φ = (ϕ1, ϕ2,···ϕn)，a = (a1, a2,· ··,an)T

取向量为正交向量，得到式（8）所示

由于Φ是由正交向量组成的，所以Φ应该是正交矩阵，那么用（9）表示

将式（9）两边同时乘以TΦ 可以得到式（10）和（11）

为了满足a向量的各个向量间互不相关，随机向量矩阵式如（12）所示：

将式（7）带入式（12）得到式（13）：

为了满足向量a各个分量间互不相关，需要满足下面关系式（14）：

将式（14）写成矩阵形式，得到式（15）：

将式（15）变换形式得到式（16）：

将等式（16）作相应的变换得到式（17）和（18）：

由以上的推理，可以得出jλ是Y的特征值，jΦ是特征向量[4]。

■2.4 身份匹配及识别

最近邻法是模式识别中最重要的一种方法，它首要是使用样本间距离来分类决策的。样本间的欧式距离是本文首要采用的用于分类决策的方法。

将数据库中罪犯的照片经过PCA处理后得到的特征向量定义为X, 而将采集到的照片经过PCA处理后得到的特征向量定义为G，那么X与G之间的欧氏距离(Euclidean distance)为：

图3 —匹配与识别流程图

当D(X,G)≤t时，（t是设定的阈值）即认为匹配成功，完成识别，可以将罪犯人名及相关信息报告公安局。

3.可实现的功能

当一名在逃罪犯出现在某个交通路口时，他的图像将被路口的电子眼所采集，经过本系统识别后，判断其是公安系统犯罪人员信息库里在逃罪犯。这个罪犯的信息及位置会在第一时间报告给公安系统，而且罪犯经过的每一个路口的位置信息都会向公安系统报警。有了这些信息，公安系统就可以将罪犯抓捕归案了。

4.结束语

本系统图像采集及检测不仅可以利用交通电子眼进行还可以延展至许多公用摄像监视系统,比如在银行的自动提款机安装本系统，可以避免非银行卡主人冒取现金等等，用途十分广泛。

当然，本文的研究还有不完善之处。例如：人脸图像存在姿态、表情、年龄、配饰等多方面的变化，这些复杂因素都可能会对最后的识别效果有所影响，所以本文对于图像预处理及特征提取算法方面还有待进一步研究，以便优化。

＊ [1]胡晓军，徐飞.MATLAB应用图像处理[M].西安电子科技大学.2011:25-28.

＊ [2]赵红梅.MATLAB基础与提高[M].电子工业.2005:176-182.

＊ [3]刘文耀.数字图像采集与处理[M].北京: 电子工业出版社,2007.8

＊ [4]马晓路.MATLAB图像处理从入门到精通[M].中国铁道.2013:130-134.