MATLAB 的疫情防控人脸门禁系统设计

玄 冉，姜明明，王忠祥，米世新，刘涵玉

（山东农业工程学院，山东 淄博 255000）

伴随着高新技术及传感器的普及和应用，生物识别已经逐渐被揭开神秘的面纱，作为生物识别的一项重要分支，人脸识别已经成为研究领域的热门话题。生物识别在安全保障等众多领域被广泛应用，具有不易伪造、方便快捷、防伪性能好等优点。本设计为基于人脸识别的门禁系统，可以将疑似人员设置为库内人员，当小区里的人需要外出时进行人脸采集与人脸定位，然后与库内人脸进行比对；当识别为库内人员的时候，发出疑似人员不可外出的警示，否则提示可以放开门禁给以通行。

1 人脸识别技术综述

人脸识别，是利用摄像机采集到的含有人体面部的图像[1]，通过相关技术进行检测，主要识别人体面部特征信息加以分辨，最终实现人类个体分类识别的一项技术。

综上，可以大体将人脸识别的过程分为四个步骤，如图1所示。

图1 人脸识别流程图

1）图像采集。人体面部表情采集易受到环境因素的影响，不容易实现，人脸图像可以通过摄像头进行记录，许多著名实验室会通过严格控制图像采集的位置，规范地创建包括姿态、表情变化在内的人脸库，通过人脸库进行相应的研究。

2）人脸检测。主要用于面部识别的预处理，它能通过处理将面部的位置标出。人脸检测的目的是透过面部丰富的特征信息筛选出有用的特征，由于环境条件的干扰是随机的，必须将原始采集到的图像进行图像预处理。图像预处理的方法有中值滤波、灰度拉伸、归一化处理及锐化等[2]。

3）特征提取。针对筛选出的最有利分类的特征信息，进行适当降维，保留最有效的特征信息。

4）分类识别。将采集的面部特征信息整合成数据，再与数据库比对匹配，当相似度到达一定阈值，则将数据库匹配的结果输出。其本质就是根据特征相似关系确定人物信息。

2 PCA的人脸特征提取

2.1 PCA算法的基本原理

PCA 是缩写，展开以后就是Principal Component Analysis[3]。利用统计学原理，可以按照一定的原则，找到它们之间的不同进行分类，简化计算步骤，提高计算机的运行速率。将图形进行信息处理主要是为了降维，也就是将三维立体的人体图像特征转换到二维当中。正是由于它的这个功能，这项技术也被广泛地运用在图像压缩的处理当中，其最主要的依据是KL变换。这样就可以达到合并数据、简化数据的效果。

在整个前期图像输入过程中，都是以灰度值来进行统计的，即使其变成0～255灰度范围内的像素点。当把所有的像素点进行分类统计以后，其会构成一个矩阵，输入到之前已经创建好的一个坐标空间中，然后经过KL变换，就可以很容易地找到需要的信息，这就为之后图像处理简便化奠定了基础。因为此时已经收集到的数据其实是三维的，然后经过统计学，保留最主要区别的特征进行降维就可实现想要的结果。在PCA中，主要利用这个构成的向量作为基底。

经过这项处理之后就能得到特征空间了，接下来的任务就是旋转使维数降低[4]。

2.2 基于PCA的特征提取

这个部分具体包括下面讲述的几个环节：捕捉输入图像，创建模板库和特征空间，获得特征值及对应向量。以下是有关这三个部分的详细介绍。

1）第一部分。利用摄像机进行图像采集和捕捉。首先，将采集到的图像进行预处理得到属性信息，判断是否需要进行二值化，本文采用的算法是KL算法，KL算法在线性算法中能量集中效率最高，图像压缩后均方误差最低。此种变换方式最主要的限制条件就是背景要一致，完全可以构建一个简单的模板库。

2）第二部分。在上述步骤完成以后，多放几张同一个人的图片进去，这就构成了一个训练矩阵。因为格式是相同的，KL 变换之后就变成一维的，那么每个照片都能够统计为一个点，这样就使得整个空间更简化了。

3）第三部分。上述步骤完成后，继续进行下一步，将结果创建一个样本集，那么出现的协方差矩阵如下。

CA为 矩阵。A是在进行灰度二值化后与平均矩阵差值。Xi是平均人脸图像，M为被测人员数量。

2.3 特征值和特征向量取得

在上述CA得到以后，还要找到人和对应的特征向量。因为本文用到的算法以KL 为基础，且最后得到的CA是n×n维的矩阵，因此可以直接求对应的特征值和特征向量。但直接计算的话，其计算是非常复杂的，下面会介绍一些相对比较简单的办法。

2.3.1 特征值分解

从这个式子就能够很容易得到它们的关系。那就是CA=AAT的特征向量是A⋅vi。

在这里需要特别提到的是：运用上述提及到的方法，最终得到的计算结果是相同的，这也间接证明了确实起到了简化计算的效果。

3 基于PCA和欧式距离的分类器的人脸识别

3.1 MATLAB人机交互界面GUI介绍

制作这个界面一般可以通过命令创建[6]，也可以通过MATLAB提供的图形用户界面开发环境GUIDE中的图形用户界面开发工具的GUI创建方式制作，本文侧重于后者。

3.2 系统框架以及GUI设计

在进行编程的时候，必须要有一个整体的认识[7]，每一部分做什么都要安排得清清楚楚，这样的话，在真正编写的时候才不至于忙乱。具体的整个系统的设计流程，如图2所示。

图2 人脸识别系统框架图

GUI界面的使用在编写程序的时候主要有两大块[8]，分别是模板库的显示和被测图片的显示。

3.3 程序仿真及调试结果

3.3.1 人脸库采集

在一开始进行模板库的创建时，一般使用的都是ORL人脸数据库，在创建的时候参照了一定的标准。如果这些库里面都没有适合的，就需要自己去拍照，自己去创建，但是需要对其进行预处理。

整个数据库由两部分组成，一部分是模板库，一部分则是被测人脸库。在被测库里面有10 个人的照片，每个人不同表情的照片各两张，照片格式大小完全一样。

3.3.2 特征提取仿真分析

特征值分布图，如图3所示。特征提取之前，最重要的是先要把模板库里面的图像导入到MATLAB 里面，然后进行变换，组成协方差矩阵。在这个里面，要把每一个点的特征值和特征向量计算出来，就构成了所谓的特征分布图。每个图像的特征值差别非常大，但是在这个过程当中必须将其对应到子空间，这样才能大大降低计算量，也可以节约时间，对后续过程中的优化也是一个非常有优势的举措。

图3 特征值分布图

3.3.3 库外判别分析

对疑似病例人员进行人脸采集、入库、训练，得到每个人的人脸特征值[9]。本设计为提取人脸特征值，特征值与样本库里面的人脸特征值进行一一对比，设置一个判断阈值。当属于阈值内，则判定为库内人员，即疑似人员；否则为非疑似病例，提示可以放行。

4 结语

通过对实验结果的分析可以发现，本设计利用MATLAB 数字图像处理相关技术及PCA 算法进行人脸识别，在一定程度上能解决疫情期间人员管控的相关问题。MATLAB仿真结果表明：人脸识别的准确率可以达到80%，它可以有效解决人员流窜问题，有效地避免人力物力资源的浪费，本文所设计的系统对疫情防控是实用的。