人脸识别技术在高校信息化建设中的应用探索

王伊琳

(西北政法大学 信息网络中心，陕西 西安 710122)

人脸识别，又称人像识别、面部识别，是一种根据人的脸部特征信息进行身份验证的生物识别技术。随着人工智能时代的到来，人脸识别技术也取得了较大的突破，逐渐成为计算机视觉和模式识别领域的热门话题[1]。

1 人脸识别技术的概述

1.1 人脸识别技术的基本原理

现阶段的人脸识别技术主要包括了数据采集、数据预处理、特征提取和匹配识别4个过程。数据采集主要通过摄像设备对不同的人脸图像进行采集，包括静态图像、动态图像、不同表情、不同角度的人脸图像等，当用户出现在拍摄范围内，设备就会自动对其面部图像进行拍摄。在采集到人脸图像后不能直接进行特征提取，因为直接采集的图像通常存在噪声大、模糊、曝光不均匀等特点，需要通过图像处理的方法如灰度变换、直方图均衡化，几何校正等对采集到的人脸图像进行预处理，这样处理后的图像再进行特征提取就不会受到随机信号的干扰。人脸特征提取又称人脸表征，是指对人脸的特征信息进行建模的过程。人脸特征提取方法分为两类：基于知识的表征方法，主要根据人脸五官的形状描述以及它们之间的距离特性来获取特征；基于代数特征的表征方法，包括主成分分析和线性判别分析两种经典方法，基于代数特征的方法因计算复杂度较低成为最受欢迎的表征方法。最后对人脸特征进行匹配与识别，通过将提取到的特征与数据库中存储的特征模板进行搜索匹配，通常设定一个阈值，当特征之间的相似度高于设定的阈值时，则将匹配到的结果进行输出。

1.2 人脸识别技术的优势

人脸识别技术在市场上被应用得越来越普遍，其优势也越来越明显，具体可概括为以下三点：高效性，随着设备硬件性能的不断提升和算法的不断成熟，人脸识别技术通常识别精度高且识别速度快，具有效率高的特点；可靠性，人脸属于暴露在外的生物特征，采集设备通常能够不被察觉地主动获取直观的特征信息，从而不会被经过伪装的信息所轻易蒙蔽；非接触性，人脸识别设备在进行数据采集时不需要和人进行直接接触，而且不受时间场地的限制，采集方式高效灵活。

2 经典的人脸识别算法

2.1 基于几何特征的人脸识别算法

在基于几何特征的人脸识别算法中，主要通过利用人的眼睛、鼻子、嘴巴等器官的基本特征和形状以及各器官之间的几何联系进行识别，这种方法原理简单，识别速度快，但由于其对人脸的细节特征信息无法做到具体的描述，一旦采集的人脸图像有光照的变化或有遮挡的情况下，这种方法的识别准确率就会快速下降，产生较大的误差[2]。

2.2 基于特征脸的人脸识别算法

特征脸也称主成分分析法，是一种基于K-L变换的人脸识别算法。K-L变换是指在统计特征的基础上进行多维正交线性变换，其基本原理是将高维的人脸图像经过K-L变换后得到一组新的正交基，保留其中主要的正交基构成低维线性空间。在识别过程中，将测试的人脸图像投影到这个空间，可以得到一组投影系数并以此作为用于识别的特征矢量。这种算法使图像在压缩前后能够保持较小的均方误差，且变换后的低维空间也具有良好的分辨能力。

2.3 基于纹理特征的人脸识别算法

基于纹理的人脸识别，就是从面部区域提取纹理特征，其中较为经典的是局部二值模式算子。它是通过将中心像素与邻域像素进行比较，若周围像素大于中心像素则标记为1，周围像素小于中心像素则标记为0，这样可以得到一串二进制数，将其转换为十进制数作为该中心像素点的值，该值可以用来表示该区域的纹理特征，然后再对图像进行分块并统计直方图，将测试图像的直方图与训练图像的直方图进行对比，从而输出识别结果。相比较特征脸的算法，局部二值模式算子对于光照条件的变化具有良好的鲁棒性，但是对于人脸表情、姿态的变化局部二值模式算子仍具有局限性。

2.4 基于神经网络的人脸识别算法

近年来，随着大数据和人工智能的快速发展，早期由学者提出的模仿人类大脑的神经网络模型重回人们的视野。学习是神经网络研究的一个重要内容，根据学习方式可分为监督学习和非监督学习，其中卷积神经网络作为一种深度的监督学习下的模型被广泛应用在模式识别的各个领域。卷积神经网络通过挖掘数据的局部特征，提取全局训练特征和分类，其权值共享结构网络使之类似于生物神经网络，卷积神经网络能够结合人脸图像空间的局部感知区域共享权重，在空间或时间上进行降采样来充分利用数据本身包含的局部性等特征，优化模型结构，保证一定的位移不变性[3]。基于此，香港中文大学的DeepID项目以及Facebook公司的DeepFace项目在LFW人脸数据集上的识别准确率均超过97%，取得了突破性的成果。目前已有多种基于神经网络的人脸识别算法。

3 人脸识别技术在高校信息化建设中的应用案例

3.1 门禁安防系统

保证宿舍安全是做好校园安全防护的一项重要工作内容。将人脸识别技术应用在门禁安防系统中具有以下几点优势：可以有效提高安全性，防止代刷、冒用别人身份随意进出宿舍；通行效率高，不会造成学生在高峰时间进出宿舍的拥堵情况；可以对陌生人员的人脸图像进行采集标记，有效对异常行为进行及时预警。基于人脸识别技术的门禁安防系统首先利用门禁摄像头对学生的人脸图像进行采集，然后与数据库中学生录入的基本信息进行匹配并压缩保存至服务器，通过服务器下发学生的人脸图像与基本信息，最后通过各个门禁终端接收到的图像与服务器中的图像进行比对实现人脸识别。目前已有部分高校对校门进出口、宿舍、图书馆、实验室等场所应用基于人脸识别的门禁安防系统，可以根据人脸信息准确设置出入权限，极大程度地保障了校园安全。

3.2 教学考勤系统

考勤是高校教学管理中的一项重要内容，学生上课的出勤率会直接影响学校的校风学风建设。我国大部分高校采用的是开放型的教学模式，学生数量大、流动性高等都给日常考勤工作带来一定的难度。目前大多数高校采用人工考勤的方式，虽然取得了一定的效果但依然有许多问题，如存在代替签到、学生数量多依次点名签到造成课堂时间浪费等现象。基于人脸识别的考勤系统可以很好地解决这些问题，其能够对上课的学生进行快速、准确无误的身份核验，同时还能够保存现场视频照片等，使考勤人员可以远程实时掌控考勤点的实际状况，并可以针对一些特殊情况及时调取回溯。基于人脸识别的考勤系统简化了考勤流程，提高了学校在考勤工作上的效率，减轻了教师和辅导员额外的工作负担，帮助学校强化学风建设，提高教学质量。

3.3 大型活动签到系统

在高校的日常工作中，经常会举办一些学术会议、报告、招聘会等大型活动，通常场地有限且人员较为密集。传统的人工签到模式效率不高，常常会造成排队拥堵、现场秩序混乱等情况，给工作人员和参会人员带来不便，甚至影响整个活动的正常进行。利用基于人脸识别的签到系统具有以下几点优势：极大程度地简化了活动签到流程，能够快速识别参会人员的身份信息，缩短参会人员的签到时间，同时优化人员的管理秩序，提高活动的管理水平；具有非接触性，即在签到的过程中工作人员与参会人员全程无接触，这也是当前疫情常态化下安全的有效保障；仿冒成本高，人脸识别可以准确地对参会人员的信息进行识别，使顶替签到、冒用别人身份参会的情况大大减少。

4 结束语

随着人工智能和智慧校园的快速发展，笔者对人脸识别技术以及其在高校信息化建设中的应用做出了总结分析。尽管人脸识别技术能够带来诸多便利，但目前关于其应用仍然存在着安全性与隐私性的舆论争议。期待着未来人脸识别技术能够在保障数据安全，保护用户隐私方面有所提高，切实为高校信息化建设做出贡献。