基于人工智能的无接触式签到系统设计

关键词：人工智能；无接触式签到系统；人脸识别

中图分类号：TP391.41 文献标识码：A

0 引言

随着人工智能时代的到来，各个行业虽然面临技术创新的挑战，但在科技方面也取得了前所未有的进步。通过人脸这个独特的标识，已经实现无接触式签到、消费支付、人脸测温等操作，并且研发了相关设备，如人体测温智能访客机等。签到系统作为学校管理中不可或缺的一环，其通常使用刷卡或录入学生学号等方法来实现，这导致签到效率较低[1]。非接触式人脸识别产品可以满足人流密集区域快速筛查异常群体的需求，而通过人脸这个唯一的标识能达到无接触签到、无感通行等操作要求。针对上述情况基于人工智能设计的无接触式签到系统被广泛接受。

1 人脸识别过程分析

由于每个人的人脸均存在一定的差异，针对人脸特性和计算机支持存储海量数据的特征，决定了人脸识别技术具有较高的效率。人脸识别是一种新兴的识别技术，与IC 卡、指纹识别等相比，其具有新颖性、非接触等优势。人脸识别主要过程为检测、对齐、特征提取及分类，在对人脸相关特征数值如入选人员耳朵尺寸、鼻长等信息[2] 进行提取后，通过相同的方法完成新人脸照片测量，并迅速找到与测量值相匹配的数据库信息与服务器中已保存的人脸数据。根据设置的阈值，当测量值大于阈值，表示系统能快速寻找与检测人脸图像匹配的信息，顺利完成人脸分类处理。根据采集的人脸特征数值，使用分类器完成分类处理，常见的分类器包含k 最近邻（k-nearest neighbor，KNN）算法、卷积神经网络（convolutional neural networks，CNN）算法等。本文使用KNN 算法作为分类器，该算法可以根据周围限定的邻近样本而非单一判别类域来确定目标检测物相应的类别。因此，针对交叉或重叠有待需要分离的样本集合，KNN 算法优于其他算法。

2 人脸识别算法

2.1 MobileFaceNet 模型下识别操作

人脸识别旨在借助图像路径读取完成人脸识别操作，通过MobileFaceNet 模型对人脸特征进行预测，从而获取特征与人脸库内特征值的对比相似度，最终获取阈值大于0.6 的最高相似度结果，准确率较高。MobileFaceNet 模型涉及大量的参数以达到能够在个人计算机（personal computer，PC）或服务器进行调整的要求。嵌入式设备受算法的影响，无法达到整个网络在线训练的要求，MobileFaceNet 模型结构如表1 所示。其中，t、c分别为通道扩展及输出通道值；n 为操作次数；s 为步长。网络输入值控制为112×112×3，其采用RGB 显示人脸彩色图像，经过相应的运算输出一定的特征向量。

利用MobileFaceNet 进行模型人脸识别，步骤如下：根据预训练模型提取相应的数值，求解需要识别的特征向量，并与特征库原有特征向量相似度进行对比，进而完成人脸识别。如果判定为陌生人，系统在算法允许的条件下，加入分类网络并对其模型实施更新处理。利用已验证数据集对公开数据集进行训练并且微调相关参数，从而获取相应的模型，有利于提升人脸图像的识别率。

由于嵌入式终端算法受限，难以加入新检测人脸特征数值及原有特征库，所以无法顺利开展MobileFaceNet 模型训练。同时，上述操作工作量较大，对专业性具有较高的要求，难以应用于实际场景。本文提出的基于MobileFaceNet 模型联合支持在线学习Siamese 模型可以解决上述问题，其支持在PC/ 服务器将经过训练的模型移植至嵌入式设备，从而实现初始特征提取操作，获得新特征向量，并且实时完成特征向量数据集更新操作。采用Siamese 模型配置的实时更新功能，能有效提高人脸识别效果。

2.2 MobileFaceNet+Siamese模型下识别处理

Siamese 模型是评估各输入特征向量所用的神经网络，输入达到共享要求的神经网络模型，通过共享模型确定输入新的空间，经损失度函数Loss对所输入数值相似度展开评估[3]。由于各网络设定的参数相同，在训练操作中仅需对某个模型进行训练，这可以有效减少训练样本数。

将所提取人脸特征向量等信息输入到Siamese模型内，获取与之对应的64 维特征向量，求解欧式距离。当最小欧式距离小于设置阈值，表示有待识别人脸图像处于数据库内；当最小欧式距离大于设置阈值，代表本次签到人员为陌生人。系统如果需要添加陌生人，采用MobileFaceNet 模型提取与之相关的特征值并创建数据集，并且通过Siamese网络重新开展训练。本次使用Siamese 模型可以在嵌入式设备上执行人脸识别、模型训练操作。

3 系统各功能设计

无接触式签到系统主要包含人脸图像采集、识别、提取等，根据检测的人脸图像来查找数据库人脸，并与数据库人脸展开对比，快速完成身份识别操作。

3.1 系统注册功能

利用本文的无接触式签到系统对学生开展注册操作，课堂管理者先对班级学生建立相应的人脸数据，支持收集、管理本班级学生照片，顺利完成注册操作[4]。系统完成注册后，学生根据各项要求填写个人信息，系统对上传图片设置统一要求。系统设计的前端注册界面，支持对学生性别、人脸图像、证件信息等进行检测。

3.2 人脸图像采集模块

该模块旨在对人脸图像及其数据信息执行采集工作，使用系统配置的摄像头进行拍照，将收集的图像信息存储至数据集。在实时完成签到人员信息采集工作后，再将采集的数据传输至数据库，以方便后期开展数据分析操作。

3.3 人脸图像识别

系统配置的人脸图像识别功能，主要是在准确采集签到人员人脸图像后，实时完成识别、导出信息操作。当执行人脸识别操作时，先将摄像头打开进行拍照、存储等操作，从而获取签到人员的人脸图像，便于下一步开展人脸识别操作。当对人脸识别模型进行训练时，提取相关的特征数值，利用训练分类器对人脸图像执行识别操作。此外，对训练集文件下存储的数据执行训练操作，在完成人脸图像定位、特征提取后，执行一系列训练，将有待训练的分类器存储至clf 文件。此次获取的人脸图像特征采用MobileFaceNet 模型来完成，训练操作经KNN 算法完成。

3.4 人脸识别预测功能

该模块主要功能是对所采集人脸图像进行识别，当检测出来的人脸图像已存储在数据库内，系统会根据所识别图像姓名匹配与之相关的数据库信息，将结果呈现在系统屏幕上[5]。若识别操作提示人脸图像并未存储在数据库内，系统提示检测人员为陌生人。图1 为人脸识别预测流程。

4 系统调试结果分析

本文共采集15 张人脸图片，假定其中10 张为已知人员，5 张为陌生人。采用MobileFaceNet模型对10 张图片的人脸特征值进行提取，同时对Siamese 模型开展训练，时间控制、迭代次数分别为10 min、100 次，训练模型文件大小为65 kB。在签到系统训练完成后，显示数据库已有的识别结果。如果检测为陌生人，系统支持在线添加新人。

根据识别结果可知，如果陌生人较少，使用Siamese 模型的准确率较高；如果不断增多陌生人的数量，该模型的准确率会随之降低。然而，每一次添加新检测人员，均可以对Siamese 模型各项参数进行微调，随着微调数量不断增多，特征提取能力也随之增强，更新处理后该模型的识别准确率明显增加，均超过99.0%。

5 结论

综上，基于人工智能设计的无接触式签到系统，可以借助红外传感器检测受检者，开启摄像头对人脸进行拍摄，利用MobileFaceNet 准确提取需要检测的人脸特征，采用Siamese 模型获得相应的特征向量，根据欧式距离完成人脸识别，该系统具有良好的稳定性和准确性。系统用于课堂签到场合，只需采集几张图片，通过预处理及算法优化，识别准确率超过99.0%，有利于解决传统签到速度慢、数据利用率低等问题。