校园安全人脸识别系统的研究

纪正一

（江苏省镇江中学，江苏镇江，212000）

1 概述

1.1 校园门禁系统的重要性

学生的学习大部分时间都是在学校完成的，校园是知识的圣殿，也是快乐健康的乐园。现在的家庭还是独生子女居多，他们是整个家庭的希望。因此，校园的安全与否既关乎着千家万户的幸福，也关乎着整个社会的稳定。再加上部分青少年安全意识不强，自我保护能力有限，导致校园事故时有发生。校园安全问题一旦触发，便会备受社会各界的广泛关注。

随着社会的发展，校园安全管理从消防、交通、饮食、人身、财产等方面进行治理，已经也有了很大的改观。但校外人士进入校园造成人身伤害和财产安全损失案例也还是层出不穷，使“校园安全”上升到重要高度，自上而下，各部门对青少年学生的安全十分关心。

安装校园门禁系统可以对校园出入人员进行实时监控和规范管理，从技术上消除并记录外来人员带来的危险因素；同时还可以提高门卫管理工作的效率和亲和度，以无形方式提高了校园安全保障；另外还可以对学生的出入校园实时记录，提供了学校和家庭随时对学生进出校门的情况监管的需求。时代在变化，科技在发展，电子化、信息化、人防和技防的结合可以提升学校的综合实力，提高门卫安保管理的质量，搭建一个平安保障的平台，更好地为学校管理、教学做好服务。

1.2 当前校园门禁系统的现状与弊端

校园安全，人人有责。目前，各学校都积极采取了防范措施。有以下两种方式：

其一：编织“安全网”。学校制定安全责任书制度，由一把手校长负总责，分管安全工作的副校长为直接责任人。校园的门卫也由以前的老年人变更为年富力强的中年人，且都是进行过培训的安保人员，他们按时进行巡逻，加大对校园周边环境的治理。发现外来进出人员，都会仔细询问、记录，为安全做好最基本的保障工作。但由于保安人员总会有疏忽的地方，安全工作总有漏洞。

其二：校园安装门禁系统，学生就可以通过指纹、刷卡进出校园。这样的方式节省人力，方便快捷，能清楚地知道进出校园人员时间。但校园卡容易遗失，门禁系统识别不了受伤的手指，这给进出校园的学生带来不便。

因此，本文提出使用人脸自动识别技术实现校园门禁安全系统。人脸识别技术有有以下三大主要特点：

①自然性。人脸识别是对人的面部进行图像采集、信息提取并进行验证或辨识，从而实现对其身份进行区分和确认，具有自然性的识别。

②隐蔽性。通过可见光获取人脸图像信息时，完全可以无需识别对象的主动参与，从而实现了个体在不知情的状态下的人脸图像采集。

③非接触性。设备和个体无需任何接触，并且在实际环境中，此方式已能分拣、判断及识别多个人脸。

当前，人脸识别技术不仅对于相似人脸难于分辨，对于同一个人在光照、姿势、表情等不同采样条件下人脸识别技术也很难验证或辨识。所以建立一种能过滤外部环境变化的图像信息处理模型就很有必要。

1.3 创新性

目前市场上并没有一种像这样的门禁系统来专门检测校园进出人员的身份。本文所述的人脸识别技术是近几年一直较为热点的话题，用此技术实现的门禁系统可以更加高效准确的识别人脸，从而保证校园安全。

在图像采集过程中，使用的是DH-VT142型图像采集卡和监控摄像头，这是由北京大恒自主开发的，这样组合不仅更加灵活而且还具有占内存小、传输图像信息快的优点。

在人脸图像的预处理过程中，本文首先采用了直方图均衡化预处理技术解决外在环境因素导致的光照不足或太亮、对比度不佳、以及灰度级集中等诸多问题；其次使用了图像中值滤波技术去除图像噪声；再通过图像分割技术，将所需人脸信息从环境背景中提取出来；最后通过人脸特征提取技术计算人脸数字模型并以欧氏距离进行对象识别。整个过程考虑到了影响因素，并且每一步都有切实可行的理论方法和公式可用，大大提高了图象的识别率。

2 人脸识别技术

2.1 图像采集

图像采集卡是图像采集、图像处理部分的接口，它是在图像获取时必不可少的硬件设备。摄像机拍摄的图像视频信号正是通过采集卡输入给计算机的。后期，结合视频播放和编辑软件，实现了视频信号的数字化处理。如今，很多图像采集卡即可以对视频信息进行捕捉，还可以同步获取伴音，这样可实现音频和视频部分的数字化同步保存和播放。

本文所使用的图像采集卡是北京大恒自主开发的DHVT142款采集卡。DH-VT142采用PCI-E×1总线技术，可以直接通过计算机总线将采集的图像传送到内存或显存，且数据传输几乎不占用CPU的时间。

2.2 人脸图像的预处理

系统在实际成像的过程中，或多或少都存在一些不够完善的地方，由于外界光照条件的影响，采集到的图像会有灰度级不平衡、对比度低、图像不清晰等问题。一般情况下，人脸识别在受到光照角度、光照强度、距离、表情、拍摄角度等因素的干扰时，识别率会下降。因此，本文正是通过对图像进行预处理，将图像中无关的信息消除，使得待识别图像的质量得以提供，系统的辨识率得到保证。

本文主要涉及的图像预处理方式为：直方图均衡去噪、中值滤波均衡和图像分割。

2.2.1 直方图均衡化

直方图均衡化就是将原来图像的数据进行统计均匀分布，使图像的细节更加清晰，从而有效提高图像质量。同时，像素灰度值动态范围在执行均衡化后也得到了扩大，从而图像对比度整体效果也就增强了。因此，灰度图像经过直方图均衡化后，能使图像亮度信息延展到整个分布域内，从而提高了图像对比度，图像也就越发清晰。

具体算法如下：

图像的灰度经归一化处理后，便将灰度范围从原来的[0,255]的分布到[0,1]区间。灰度值从[0, 255]变换到[0, 1]区间内可表示为如下表达式：

每一个原始图像中灰度值r都产生一个归一化的灰度值s。其中，变换函数T (r)需要满足下列条件：

① r在自变量区间[0,255]内，函数T(r)必须为单调单值函数；

② r在自变量区间[0,255]内，对应函数T(r)属于[0,1]。

为了保证其反变换的存在，需要保证条件1中T (r)为单值。同时为了保证输出的图像从白到黑（或者从黑到白）顺序增加，还需保证T (r)单调递增。条件2是为了确保输入值与输出的灰度值有同样的范围。

2.2.2 中值滤波

处理的过程中各模块需要传输图像，而在传输过程中，数字图像会受到环境噪声影响。如果不进行图像去噪，后期的图像处理就增加了不可靠性，从而分析也缺少了有效性。目前数字图像去噪的主要采取均值滤波和中值滤波两种技术。

均值滤波原理主要是选定某个像素作为中心点，并取其周围一定领域内灰度值的平均值替代原有的灰度值，从而使得图像更加平滑。均值滤波算法虽然具有比较简单、实现简便和计算速度比较快等优点，但其实现降低噪声的同时也使图像显示效果变得模糊。这一缺点尤其在图像的突变细节和边缘部分尤为突出。

中值滤波的主要原理也是使以某点为中心，但算法不是取均值而是对中心点一定区域内的灰度值按从大到小的顺序排列，然后取其中间值作为这个图像的灰度值。所以，中值滤波相比于均值滤波不仅有更好的噪声抑制效果，还在抑制噪声的同时很有效地保护了图像的边缘或细节部分的清晰度，从而保证后期图像处理的顺利进行。

在图像的质量要求较高的人脸识别的图像处理中，为了获得后期更好识别率的前提是要保证图像的清晰度。所以较均值滤波而言，本文采用的是在人脸识别技术中更为有效的中值滤波。这样既能更好地在降低噪声，也能保留住图像的细节部分。

2.2.3 图像分割

为了从图像中捕获人脸信息，可以根据灰度、形状、颜色、纹理等特征将图像分割为若干个需要的区域。因为在不同的颜色空间里人脸肤色会呈现出不同的效果，因此本文将颜色空间作为选取分割的标准。

通常用三个独立的属性来描述颜色，颜色空间是由三个独立变量综合作用构成的一个空间坐标。其中RGB空间最为典型：红色用R代表，绿色用G代表，蓝色用B代表。根据人眼视觉特点，可以将计算机使用的RGB三原色转换成YUV表示方法。Y是图像的灰阶值，代表明亮度；U和V为指定像素的颜色，代表色度，用于图像的色彩和饱和度的描述。实验证明，人的肤色色调在YUV颜色空间内的取值范围为为[100°，150°]。用矩阵表示RGB空间向YUV空间转换：

因为肤色不可能完全相同,那么找一个不会变化的肤色空间就非常重要。为了使表现出来的数据是肤色的最强体现，可以寻找一个适当的相位角ϕ让肤色值在色度空间UV平面上集中体现在某个轴上。大量文献中证明，肤色相位角ϕ的分布基本在区间[105°，150°]，而且在取相位角ϕ= 114°时分割结果最为理想。

2.3 人脸图像特征提取

人脸特征提取是决定人脸识别效果的最核心问题之一。特征提取算法的目的就是从待识别图像中提取出所需的模式分类特征信息。特征提取的好坏是后期识别成败的关键。当前特征提取的方法主要有局部性保持特征提取法、线性变换法、二维模式特征提取法。本文将重点讨论主成分分析（PCA）的线性变换方法。

麻省理工学院M.Turk和A.Pent于1991年提出了PCA方法。人脸图像往往由大量的多维向量构成，而为了方便计算那么就需要将多维向量转化一维向量。PCA最大的优点就是用低维特征向量估计原始样本。PCA基本思想是提取高维数据空间中的主要特征，将原数据的大部分信息保留，在此基础上，将数据处理放在一个低维度的空间进行，对高维度空间进行降维。

如果用Y1来代替原本的n个变量，那么对于n个原来的变量的变化，Y1就需要对所有的变化作出尽可能多地反应。Y1所涵盖的信息内容就越丰富，方差 Var(Y1)就需要越大，那么， Var(Y1)取得最大值。与此同时，为了消除方差最大值的不确定性，需要限定=1,由此可得，故，可以将求解方差 Var(Y1)最大值问题转化为求以下最优问题。

用拉格朗日乘子法求解得到： Ca1=ëa1。设 C的最大特征值为 λ=λ1，那么只要求得相应的特征向量a1即可。对于其他不能够涵盖n个变量的绝大部分信息的Y2、Y3……，都可以用相同的方法求得Y2。如果它们相互独立，就能保证其所含的信息内容不会相互重叠。即可以通过求C的第i个对应的特征向量得到X的第i个主成分，即 cov( Yi, Yj

以上方法可以使原始变量的一组综合变量代替原始变量。

2.4 人脸图像识别算法

对各种形式信息的处理和分析就是模式识别，它可以对图像信息进行描述、辨认、分类、解释。本文选用的模式识别方法是模板匹配法，即：使用计算两幅图像对应像素点的欧氏距离来对图像相似度进行判别。欧式距离越大，相似度越低；相反，欧式距离越小，那么相似度越高。以此为依据，就可以搜索得到匹配的对象。

图像矩阵如果有n个像素点，便可用像素点矩阵中所有的n个像素点元素值 (即x1，x2，...，xn)组成该图像的特征组。特征组形成了n维空间，特征组中的特征码（每一个像素点）构成了每一维的数值，就是x1（第一个像素点）对应第一维度，x2（第二个像素点）对应第二维度，. . .，xn（第n个像素点）对应第n个维度。首先两个图像矩阵在n维空间下便形成了两个空间点，然后计算这两点之间的欧式距离。距离最小者便是所匹配的图像。

将数据库里的图片经过PCA处理后得到的脸部特征向量定义为A，将当前拍摄到的人脸特征向量定义为B，那么A与B之间的欧式距离为：

按上式计算，当（A,B）≤ t时，（t为设定的阈值）即为图像匹配成功。

3 可实现的功能

本文利用了先进的人脸识别技术，大大减少了安保人员的工作量，而且，此产品不会像人一样遗忘，对每天穿相同衣服的人可以做出精准、快速地判断。此外，对于产品来说，没有工作时间的限制，不会疲劳，很好的提高了工作质量。本文设计的人脸识别系统目的在于运用到校园门禁系统中，检测校园进出人员的身份是否符合校园规定，防止意外事故发生，保证学生的安全。除此之外，本系统还可以投入使用到各个家庭监控，公司企业监控，公共场所监控，甚至国防的监控系统中。利用实时非接触的人脸识别技术，对生活中的诸多方面都可以进行监控，以提高社会的安全系数。

4 总结和展望

人脸识别技术的研究和应用继指纹技术已成为一种生物识别的新热点。本文重点研究了以下问题：图像采集和预处理、人脸特征提取、人脸特征提取的算法。

采用直方图均衡化把原来图像的数据均匀地分布开来，图像整体对比度的效果得到增强，图像的细节更加清晰。

将中值滤波和均值滤波进行细致对比，发现更能有效抑制噪声的是中值滤波。

采用PCA技术进行数据简化，保留图像大部分的特征数据，进行降维，从而提取到图像的特征。再利用拉格朗日乘子法，用欧氏距离来计算特征向量。

由于多多少少可能会受到角度和光照等因素的影响，本文所述系统还是会出现计算上的误差，所以仍需要再进一步优化系统结构和算法改良。再者，本系统未经过实际使用，其可行性还需要实践证明和提高。希望有更多的人加入人脸识别系统的制作和研发的队伍，集思广益，研发出特征提取更快捷、计算更精确、误差更小的校园门禁监控系统，为校园安全保驾护航。