电力营业厅供电服务系统人脸识别关键技术研究

荣 龙,花 岗,李 然,谢杜鹃,李 胜

（贵州电网有限责任公司兴义供电局，贵州 兴义 562400）

1 引言

我国经济化建设不断加快，国家能源发展战略也随之进行了相关调整，在发展低碳经济的要求下，我国加强建设资源节约型、环境友好型社会，未来电能等绿色环保能源的使用比重也将持续扩大[1]。在此大环境下，传统的供电服务模式受到了极大的影响，新型的智能供电服务模式及系统应运而生[2]。另一方面，人脸识别技术是现代生物特征识别技术中应用最广泛最活跃的技术之一，其具有非接触、非强制的特点，同时也能够快速且准确地对用户进行识别，使其即时查询到自身的用电行为信息，可以自助办理用电业务；供电服务系统的管理者也能够在后台及时获取到用户相关数据信息，进而为其提供更优质的服务[3-4]。将人脸识别技术应用到供电服务系统中，能够提高系统的安全性，提升用户的使用感，同时有助于系统管理者开展业务[5-6]。有鉴于此，此次研究将针对人脸识别等相关技术进行深入分析，将FABE人脸检测算法与ALPS人脸识别技术进行结合，旨在建立一种智能的供电服务系统。

2 人脸识别中的人脸检测技术

人脸识别研究的主要内容涵盖较广，囊括了人脸的检测、表征、识别，以及人脸的表情分析等。在此内容中，人脸识别是指将检测出的待识别人脸与已知人脸数据进行比对的过程；表情分析则是指分析归类待识别人脸的表情信息[7]。人脸识别系统的评价因素为两部分，即识别准确率与识别时间[8]。人脸识别可以细化为三个部分，即人脸特征的提取、降维与分类匹配，在人脸特征提取部分，此次研究将采用基于Adaboost人眼检测的人脸检测算法模型，即FABE人脸检测算法模型（Face detection Based on Adaboost Eye detection）[9]。该算法的本质为利用Adaboost 进行人脸检测，其工作机制为在获取的人脸候选矩形区域中，用此算法对该区域中是否存在人眼区域进行识别，以此判断该候选区域达到人脸对象矩形区域的标准与否[10]。其核心思想级联分类模型图见下。

由图1可知，FABE算法首先进行分类器的训练，训练对象分别为人脸正负样本库和人眼正负样本库，训练完成即可获取一定数量的弱分类器；随后进行第一次级联，获取强分类器，进行第二次级联即可在上述训练结果中获取到最优分类器；最后一步，选取待测图像，运用最优分类器进行人脸检测，进一步进行人眼检测，最终能够成功判断识别目标候选矩形区域中是否含有人脸对象[11-13]。在此过程中，实现人脸对象候选矩形获取模块的主要步骤为五个部分，首先需要进行人脸样本的选择，随后进行矩形特征的选择，即Harr 特征，如图2所示。

图1 级联分类模型图

图2 拓展后的Harr特征矩形

图2中展现了两种Harr 型特征，A 和B 分别为Rainer Lienhart 等不同研究学者提出的对Harr 特征进行拓展后的特征矩形，此次研究中将两种特征矩形均运用到实验中，旨在据此能够更好地对人脸的特征进行描述。第三步则为Harr特征的计算，该计算主要采用积分图的方法，像素点A(xA，yA)的积分特征值εA(xA，yA)是所有像素之和，其计算公式见下。

式中εA(xA，yA)表示点A的积分图，φ(x，y)表示原始目标图像，若针对彩色图像，则该点是颜色值的表现形式。当将其应用到实际的人脸检测工作时，此处则代表着灰色图像，与其灰度值相对应。第四步是最优分类器的训练，图1中弱分类器可表示为h(x，f，p，q)，如下式所示。

该式中f 为一个特征函数，θ为阈值，x为特征函数的参数变量，p 与q 均可对不等号的方向起到指示作用。在训练过程中，以特征函数f 对应的弱分类器为训练对象，则不仅须考虑以该弱分类器为训练对象时权重的分布，还要准确获取与其相对应的最优阈值θ，使θ对构成弱分类器的全部训练样本的分类准确率达到峰值，尽可能减小其分类误差。最后一步为以目标待测样本图像为样本集，从中获取人脸对象候选矩形，设置放大系数并逐级放大，最终合并所检测出来的矩形区域，据此法即可成功获取到独一无二、准确度高的人脸图像位置、人脸图像尺度等相关数据。

3 基于ALPS的人脸识别技术

ALPS 人脸识别技术指的是一种融合多种技术的人脸识别算法模型，其中A指的是Adaboost算法；L表示局部二值模式特征提取，即LBP；P是指PCA特征降维；S则是支持向量机，即SVM。结合第二章所述的FABE 算法获取的目标人脸矩形对象，将其输入到ALPS算法中，ALPS人脸识别开始工作，首先对目标人脸矩形进行特征提取，运用人脸特征信息库中的人脸特征，将此二者进行匹配，判断识别对象的身份。该算法的关键之处在于紧抓人脸的纹理特征，采用LBP算法进行提取和分类识别。然而人脸区域中的人眼、鼻子、眉毛和嘴唇等主要部分，存在显著特征和非显著特征的区别，且其所占人脸区域的面积不多，但其重要性和决定性极强。因此LBP 算法不足以对不同特征区域采用不同的LBP算子进行编码，由此产生了APLS算法。本算法分为四个模块，首先对人脸区域进行划分，将其中的重要特征区域与非重要特征区域明显地分开，再根据不同模式的LBP算子对特征进行提取，其中LBP算子包括、和，接着再对获取到的特征信息进行降维处理，最终运用SVM 算法进行分类识别。其中第二个部分需要定义人脸灰度图像中的一个局部圆形小邻域，以点gc(xc，yc)为中心像素点，该小邻域局部区域的纹理特征定义如式(3)所示。

式(3)表示该小邻域内的灰度联合分布，像素点值为P+1，该小邻域上均匀分布的P个点是以gc为圆心，以R为半径的，且gp=(p=0，1，…，p-1)。人脸图像中的重要区域用算子进行编码，非重要区域则应用。LBP 算法的局部纹理特征T，即中心像素点与相邻像素点之间的灰度值差可表示为下式。

综合考虑到信息丢失的情况，以及中心点gc对局部纹理特征信息的描述几乎可忽略，则可以用目标点与参考像素点的灰度差来描述局部纹理特征分布T，如下式所示。

对其进行二值化处理，二进制编码即可成功获取，对f(gp-gc)与相应的权值2p进行乘法运算，再进行求和，可得到中心像素点gc(xc，yc)为点，半径为R的纹理特征的描述。

根据上式可得到整幅图像的局部纹理特征分布图，再将人脸图像定义成h(x，y)，进行分解处理，使其包含多个不同区域，则该图像的直方图定义如式(8)。

式(8)中Hi，j表示从图像划分区域Rj中属于第i个bin 的个数，n为LBP 的统计模式特征个数，如的n为242，的n为59，D为图像划分后的区域个数。经过LBP 的空间增强直方图编码后，人脸的眼睛等主要部分的特征趋于显著，而其他非重要部分的相关信息则基本不纳入考虑范围。第三部分为PCA特征降维，结合式(8)，假设进行特征提取工作的样本数量为n，将上述模式的直方图Hi，j统一视为一向量，且将所有Hi，j向量合并为一矩阵H，即D×n的矩阵。在此基础上，采用PCA 算法对其进行降维处理并得到矩阵，且使矩阵规模难以与矩阵H相提并论。令=W H，其中W即投影变换矩阵，详细的实现步骤见下。首先需要计算散布矩阵S，其求解公式见下。

式(9)中Xk为一个向量，属于输入样本Hi，j，所有的向本均值以m表示。对散布矩阵S的本征值和本征向量进行运算处理，若式(9)中d＞n，则对R进行本征值分解的效率高于对S进行本征值分解，S的求解公式如下式所示。

得到式(15)所示的本征向量之后，按照本征值的大小对本征向量进行排序，筛选出其中与第d个本征值匹配的本征向量，使其作为投影向量。经过上述步骤提取的特征矩阵H及降维的特征矩阵。

4 实验与分析

当用户完成人脸识别，成功登入供电服务系统后，不仅用户自身可以获得权限进行查询、购买、缴费等操作，系统管理者也可以直接从后台获取到该用户的人脸识别图像结果和相关数据。该用户的人脸识别结果如图3所示，此图可以清晰地展现识别对象的面部情况、五官表征等。

图3 人脸识别的图像反馈

结果除图像反馈之外，还可全面地获取到该用户的各项用电信息，如表1所示。系统管理人员可根据上述信息对用户提供具有针对性的服务，除此之外，还可以设定特殊关注人员名单，在人脸识别的过程中通过监控或图像得到实时数据，实现预警。根据系统性能测评实验得出的数据信息结果，能够证明基于人脸识别技术的供电服务系统具有一定的准确性和实用性。

表1 用户信息反馈

人脸检测的项目需求分为正脸检测和侧脸检测两个部分，其中正脸检测指的是检测彩色或黑白图像中所有正面人脸的位置，准确率和召回率均需达到85%，需要包含具有完整正面人脸的彩色图片和没有人脸的图片各200张，具有完整正面人脸的黑白图片、没有人脸的黑白图片等各50 张。图片的像素类型分别为300万像素以上、100万像素至300万像素之间、50万像素至100万像素之间和低于50万像素这四种。准确率为正确检测出人脸的数目与实际检测出人脸数目的比值，召回率为正确检测出的人脸数目与测试集中包含的所有人脸数目的比值。选取不同颜色与有无人脸的图片进行实验，能够更好地对该技术进行人脸识别的准确度进行判断，根据上述指标进行测试，结果见如图4所示。

图4 人脸检测模块在固定测试样本集上的测试结果

根据表1数据可知，针对正脸的彩色和黑白图像的准确率均为98%，召回率分别为97%和94%，即使是存在各种影响因素的正脸图像，不管是黑白还是彩色的识别效果都较高；侧脸的图片识别准确率和召回率也几乎与正脸识别持平。这表明该项人脸识别技术具有一定的可操作性和精确性。

5 结束语

信息和通信技术蓬勃发展的态势使得原有的供电服务模式发生了质的改变，传统的供电服务模式无法实时地监测用户的用电行为等信息，用户也无法及时得到自身用电情况的反馈，导致供电服务系统中显现出较大的弊端。在国家大力倡导能源发展战略调整的情况下，建设智能的供电服务系统的重要性了然于目。此次研究中运用人脸识别技术、FABE人脸检测算法，以及基于ALPS的人脸识别等相关技术进行了实验，结果显示基于FABE人脸检测算法的人脸识别技术具有较高的正确率，将其应用到供电服务系统中，能够在用户自身可以获得权限进行查询、缴费等操作的基础上，使系统管理者获取到该用户的相关数据，提供更优质的服务。此次研究尽管取得了一定的成果，但仍然有亟待提高的部分，如选取的样本数量较少，希望在未来的研究中，可以进行更加全面的探究。