基于面部识别的新型智能门禁系统设计与实现

廖玥灵,马敏耀,2,令狐蓉,魏晗*,段先连,李兴龙

(1.贵州师范学院 数学与大数据学院,贵州 贵阳 550018;2.贵州师范学院 网络空间安全重点实验室,贵州 贵阳 550018)

0 引言

由于科技革命的催生,各行各业都向着数字化转型。 在这样科技腾飞的大背景下,智能门禁系统应运而生。 本文主要介绍一种新型智能门禁系统,此系统装配在家居防盗门或其他需要身份认证的场景中。 诸如指纹、声音此类传统的生物识别技术,或受内外因素干扰等原因导致识别效率较低,或对技术实施要求较高而难以普及推广应用,与此同时也存在安全问题。与上述识别技术相比,面部识别技术对环境的依赖性低,可用性高,可以高效、准确地对目标人群的身份进行核实。 由于面部识别的高精确性可应用于视频监控、目标搜索等诸多领域。 基于人脸识别的新型智能门禁系统突破性地采用面部识别技术专攻身份认证、安全识别领域,形成高可用、高精度的解锁方式。 采用基于卷积神经的机器学习并建立了庞大的数据集以供训练机器,使得对面部特征的识别更加准确。

1 总体设计

新型智能门禁系统的总体设计主要包括数据采集、数据匹配、数据集添加3 个方面。 系统整体结构如图1 所示。 数据采集是利用OpenMV 等信息采集模块对人脸特征信息进行提取、收集,从而建立系统图像库。 数据匹配模块工作时,将当前获取到的面部特征信息载入图像库内进行特征匹配预处理。 该过程将节约大量图像处理时间的同时,较少正确率的损失[1]。经过预处理匹配失败将进一步收集用户的面部特征信息,计算出面部特征向量。 运用特征向量进行深度匹配,同时本次深度匹配获取的特征将加入数据集中以供机器进一步学习,从而达到正反馈的效果,进一步提高系统鲁棒性。 此次深度匹配确定密码数据集中无此面部信息,则禁止其使用该系统。 若使用数字密码或备用实体钥匙的方式,则可以将面部特征加入密码信息集内以供解锁使用。

图1 新型智能门禁系统总体框

2 系统关键技术设计与实现

2.1 面部特征信息采集模块设计

面部特征信息采集模块主要作用是分辨并采集待识别人员的面部特征信息,后将其添加到人脸学习数据集中。 其工作原理如图2 所示。 具体工作及实现方法如下。

图2 面部密码采集流程

2.1.1 面部信息辨别

局部二值模式(Local Binary Pattern,LBQ) 是用来描述图像局部特征的算子,具有灰度不变性和旋转不变性等显著优点。 该算子常应用于面部识别与目标检测,OpenMV 官方库提供了该算子的应用接口,其中集成了Haar 算子和传感器的相关配置,对其进行调用即可便捷、准确地辨别面部信息。

2.1.2 面部图像信息采集

系统利用OpenMV 官方库中的cv2.VideoCapture()方法读取到完整、准确的视频流,随后将截取到的面部信息在本地进行存储[2],并将所有面部信息用特定标签备注,在系统运行过程中针对采集到的面部信息,判断其是否存在备注标签,若存在则利用MTCNN 模型对此类面部信息图像进行提取检测,随后将该面部图像信息保存到本地面部数据集。

2.1.3 面部特征信息提取

对于本地面部数据集,采用Facenet 模型对面部特征进行提取,处理后的图像信息经过机器学习后将会获取到一个多维特征向量。 该特征向量将作为面部信息匹配的依据。

2.1.4 构建面部特征信息数据集

该阶段的主要目的是将面部特征信息提取阶段获取到的多维特征向量与其在本地面部数据集内的标签进行匹配存储,提高了后续面部特征匹配的速度、正确率。

2.2 面部特征信息识别模块设计

面部特征信息识别模块主要作用是对系统使用人员的面部特征进行采集,即通过OpenMV 模块对待测人员面部信息进行实时读取、识别[3]。 面部密码识别模块工作流程如图3 所示。 具体工作及实现方法如下。

图3 面部识别流程

2.2.1 读取本地数据集

系统启动后,面部信息采集模块读取本地面部特征数据集,集合中存储的面部特征向量和标签备注信息将在特征匹配的结果输出中发挥作用。

2.2.2 解析数据集生成图像集

多任务卷积神经网络(Multi - task Cascaded Convolutional Networks,MTCNN)是一种基于深度学习的面部检测算法。 该算法可以高效地完成面部检测和面部对齐工作,在目前面部检测算法中处于优先选择的地位。 首先,对图片进行Resize 操作[4],将待操作图片缩放成不同分辨率,生成图像集。 其次,将该集合送入以下3 个P-Net、R-Net、O-Net 子网络中进行训练,从而增加对面部大小检测的适应性,实现对多尺寸检测的要求。

2.2.3 计算特征向量并进行面部特征的量化匹配

Facenet 算法用于处理相同面部下不同角度、姿态形成的差异。 具体通过计算特征向量L 获取一个阈值,从而实现了面部检测的量化计算,增强了面部检测算法MTCNN 的准确度。 特征向量计算公式如下:

面部信息识别模块将载入的面部特征向量进行吻合测试。 吻合测试原理:计算载入的特征向量之间的距离[5]。 根据上述公式计算出特征向量间距L 后,若间距L 在规定范围内,则认为面部信息匹配成功,否则匹配失败并返回错误信息[6]。

3 结语

对于传统门禁设备,密钥有可复制性,故安全性较差。 基于面部识别的新型智能门禁系统开创性地采用了MTCNN、Facenet 等算法使面部匹配从二维平面识别,升级到3D 立体识别,有效防止因利用图像、视频信息导致的非法解密,同时针对传统的生物识别技术有着不可复制性、操作简单、准确度高等优势,经过测试在实用场景下正确率、识别速度均达到预期效果,证实了该设备具有操作可行性。