人脸识别系统在高校宿舍管理中的应用分析

罗莎，黄丽娟，祝小玲

（北海职业学院，广西 北海 536000）

随着现代社会的发展，计算机技术在人类生产生活中的方方面面都产生了极为深远的影响，与此同时，人机交互情景也不断增多。在人工智能与计算机领域中，人脸识别技术已成为一种颇具创新性与挑战性的技术手段，在许多领域中都彰显出其极高的应用价值。对于高校而言，宿舍管理工作需要得到高度的重视，将人脸识别技术应用到高校宿舍管理中，将比声音识别和指纹识别等技术有着更加良好的稳定性、直接性与安全性。因高校学生并未真正接触社会，这使其安全防范意识较弱，通过以人脸识别技术为核心，能够使高校在宿舍管理工作中构建一种具有良好识别性、较强可控性的安全监控系统，从而更好维护高校学生在财产与人身安全方面的权益。

1 人脸识别系统的整体设计

1.1 框架

所谓人脸识别技术，是通过摄像机或者摄像头等设备来对图像或视频流中的人脸信息进行检测、采集与跟踪，然后再对这些人的脸部信息进行相应的处理，以此实现对人脸面部特征的识别。在光照有明显差异的情况下，即使是同一个人的脸部，其脸部图像会也产生很大的差异，因此设计一种能够对光照影响因素进行消除的人脸识别系统，以将其应用到高校宿舍管理工作中，该系统的主要功能是利用安装于门禁上的摄像头来对人脸图像进行检测与采集与识别，当身份验证通过后，门禁才会解除，当被识别的人脸不符合系统数据库中的人脸时，系统则会自动发出报警，以此提醒宿舍管理员进行相应的处理。

1.2 人脸识别过程

系统在对图像中的面部特征信息进行提取时，需要利用摄像头来进行图像采集，然后才能从图像中提取到所需的面部特征信息，并将这些信息用作身份识别的依据。在此过程中，系统需要先对人脸进行检测，也就是在背景图像中对人脸部分进行检测与分割，然后对人脸所具有的面部区域特征进行选择与提取，最后根据这些提取到的人脸特征来识别学生的身份。人脸识别系统在运行过程中的具体流程包括图像采集、预处理、人脸检测、特征提取以及身份识别。

在进行图像采集时，图像既可以是静态的，也可以是动态的，当前大部分图片都是通过摄像头来进行截取的。在进行人脸检测时，其实质是采集系统中输入的图像，通过相应的算法来对图像内是否含有人脸进行辨别，当含有人脸时，则会对人脸在图像中所处的位置及其面部大小等信息进行记录。在进行图像预处理时，考虑到采集图像时存在外界环境影响，并且还会受到采集设备运行性能的影响，这也使得图像可能会出现大量的噪声点，之所以要进行图像预处理，其目的便是将图像中的噪声点进行消除，以使获得的恢复到图像更加清晰、有效，从而确保图像信息得到充分的利用。本文便论述图像的预处理方法，一种是线性子空间法，该方法可将高维空间中的数据向低维空间进行映射，以此实现数据降维，通过主成分分析法来达到人脸识别的目的。该方法以KL 变换为基础，而KL 变换在图像压缩领域中属于一种最有优正交变换，其能够将图像在空间内进行映射，以此建立相应的3D 空间线性模型，这样人们便可利用该方法来提取统计特征，进而为子空间法模式识别打下一定的基础。另一种是光照椎方法，该方法的原理是不同形态光照射会形成光照椎体，该方法通过三维线性光照空间模型来对固定视点下不同光照条件下能够检测到的人脸图像进行表示，也就是光照椎维度与物体表面法线相一致。随着光照椎方法的发展，还提出了一种当朗伯光照模型与人脸表面不相符时构建的五维线性光照空间模型，通过该模型的应用，能够固定视点中的人脸图像进行表示，根据该理论所提出的人脸识别算法能够在一定程度上避免光照环境差异下给人脸识别造成的不利影响，从而使人脸识别效果能够达到理想的状态。

在人脸识别系统中，其关键在于研究人脸面部特征的提取算法，这对能否实现人脸识别功能至关重要，而且决定着人脸识别的成功与否。人脸识别系统会在采集人脸图像后对这些图像进行预处理，不过，即使这样图像仍旧会受到其他因素的影响，特别是不同的光照环境，会给人脸识别造成很大的影响，当光照因素发生变化时，便会大大降低系统对人脸的识别成功率，进而导致人脸无法被成功识别。因此，在对人脸面部特征进行提取时，必须要尽可能的实现两大目标，其一是能够对图像中针对类别最具有鉴别性的描述进行搜寻，以便于对其他具有该类别的特征进行有效区分，从而使其他类得到最大限度的识别；其二是尽可能的降低图像冗余度，使后续识别运算获得更快的速度。

在进行身份识别时，其实质便是对分类进行识别的问题，通过将被识别的人脸进行检测，然后匹配数据库中的类别人脸，以此获得匹配结果。人脸识别系统的运行目的是需要对待测人员能否和数据库中存储的的人员身份相匹配，为此，必须要确保人脸识别算法具有较高的准确度和精度，同时在系统运行效率上也要有所保证。

2 人脸识别基本问题以及基本算法

2.1 图像光照补偿

因光照不均或是光线照射强度较低，会造成图像出现亮度不均匀、图像偏暗等问题，进而给图像的后期处理带来很大困难。因此需要通过图像光照补偿技术来解决这一问题。图像光照补偿需要在频域上实施非线性或线性的变化，考虑到人脸识别系统经常需要在光线照射强度偏低或过高的情况下运行，因此为了避免图像中的细节出现丢失，需要在提取特征之前对图像予以适当的光照补偿，以便于更好的展现图像信息，同时也有助于提取图像中的人脸特征，使图像具备更加理想的视觉效果，人脸识别成功率也能由此明显提高。

2.2 人脸识别主要算法

人脸识别系统采用的主要算法有两种，一种是对几何特征进行识别的方法，还有一种是通过匹配模板来进行人脸识别的方法。在几何特征识别方法中，众所周知，人的面部包括眼睛、下巴、鼻子以及嘴巴等构件，对人脸中的特征进行提取也是人脸识别系统中的关键所在。因每个人在面部构件上所具有的形状、结构与大小都有不同差异，这也使每个人的脸部有着很大的差别，所以需要通过几何描述来对这些脸部构件所具有的结构关系及其形状等进行描述，以此将其当作人脸识别的重要依据。根据人脸构件所处的相对位置、角度、欧式距离以及曲率等，能够将这些信息当作人脸识别的特征依据。通过将图像和现实人脸实施比对，以此达到人脸识别的目的。该方法具有直观性强、易于理解的优势，不过却容易受到外部光照环境和面部表情等因素的影响，其特征点的稳定性较差。以积分投影特征提取法具有代表性，其是通过判定与分析图像中的投像分布特征来达到识别目的的。对于几何人脸识别方法来说，该方法虽然较为简洁，而且有着较快的运算方法，不过当取值存在偏差时，便无法取得较好的识别效果，而且光照的因素仍旧会是数据特征提取中的主要影响因素。在以模板匹配为核心的人脸识别算法中，需要先对人脸图像进行采集，然后进行相应的预处理后以人脸模板的形式存储于系统之中，系统会对待测图像和人脸模板的相关性进行计算，然后根据计算结果来做出人脸分类。对于不同模板的匹配来说，需要进行大量的模板精度计算和图像灰度计算，以可变模型为基准的人脸特征提取方法便是利用弹性模板对人脸中的嘴巴及眼睛等轮廓进行提取的，不过光照环境差异以及人脸姿态等因素仍旧会影响到通用模板方法的评估结果，通过可变形模板来对人脸进行判别，不过在优化所定义的能量函数时仍旧是很复杂的。

3 结语

综上所述，将大数据技术作为核心，以此设计人脸识别系统，消除光照差异给人脸识别造成的不利影响，可大幅提高人脸识别系统的识别成功率，将该系统应用到高校的宿舍管理工作中，可有效保障学生的财产与人身安全。