|
作者：陳彪 吳成東 鄭君剛 沈陽(yáng)建筑大學(xué)理學(xué)院信息科學(xué)與控制學(xué)院 時(shí)間：2009-10-12 來(lái)源:電子產(chǎn)品世界 引言 在智能建筑的門(mén)禁和安防報(bào)警系統(tǒng)中包括三層防范體系：周邊防范、出入口控制;保安監(jiān)控、電子巡更 ;可視對(duì)講、安防報(bào)警、緊急呼叫等。這些共同構(gòu)成了智能建筑的安全防范管理系統(tǒng)。人臉識(shí)別技術(shù)目前在智能建筑的出入口控制、視頻控制、安防報(bào)警方面有著廣泛的應(yīng)用。人臉識(shí)別有著方便、友好的特點(diǎn)，防欺騙性和安全性高，是人工智能領(lǐng)域和建筑智能化領(lǐng)域的研究熱點(diǎn)之一。 本文研究了結(jié)合ID技術(shù)和人臉識(shí)別技術(shù)的門(mén)禁與報(bào)警系統(tǒng)。結(jié)合ID技術(shù)可以使檢索信息直接鏈接到人臉庫(kù)中對(duì)應(yīng)的人臉圖像類(lèi)別;人臉圖像分塊后直接采用奇異值分解方法壓縮圖像，兩者的應(yīng)用大大提高了門(mén)禁安防報(bào)警系統(tǒng)的傳輸和存儲(chǔ)效率。人臉識(shí)別技術(shù)的應(yīng)用，更加提高了門(mén)禁安防報(bào)警系統(tǒng)的安全可靠性。 本文利用MATLAB仿真軟件，在管理操作界面的設(shè)計(jì)中，應(yīng)用各種模塊操作按鈕將人臉圖像識(shí)別系統(tǒng)的各種處理和算法的實(shí)現(xiàn)程序進(jìn)行鏈接，用戶(hù)可以非常方便地對(duì)人臉圖像仿真識(shí)別系統(tǒng)進(jìn)行操作使用，系統(tǒng)運(yùn)行結(jié)果直觀地顯示出來(lái)。 智能門(mén)禁安防報(bào)警系統(tǒng)結(jié)構(gòu) 智能門(mén)禁報(bào)警系統(tǒng)如圖1所示，主要包括以下幾個(gè)部分。 
門(mén)禁終端根據(jù)傳輸過(guò)來(lái)的不同的識(shí)別信號(hào)執(zhí)行打開(kāi)或關(guān)閉門(mén)的動(dòng)作，也能根據(jù)門(mén)的狀態(tài)發(fā)出不同的提示或報(bào)警信號(hào)。電鎖與門(mén)禁控制器相互連接，識(shí)別信號(hào)傳輸至門(mén)禁控制器轉(zhuǎn)換為控制信號(hào)驅(qū)動(dòng)電鎖，控制門(mén)的開(kāi)關(guān)。 結(jié)合ID卡和人臉識(shí)別技術(shù)的門(mén)禁安防報(bào)警系統(tǒng)，能夠通過(guò)來(lái)訪(fǎng)者的ID卡號(hào)和人臉圖像信息判斷是否為本部人員，或者來(lái)訪(fǎng)者是否為公安部門(mén)公布的網(wǎng)上通緝?nèi)藛T，有效地控制門(mén)禁通道開(kāi)關(guān)和報(bào)警后的安保措施。 局域網(wǎng)連接著若干門(mén)禁控制器和門(mén)禁服務(wù)器，是傳輸門(mén)禁日志數(shù)據(jù)和其他重要數(shù)據(jù)信息的通信通道。門(mén)禁報(bào)警系統(tǒng)的局域網(wǎng)要和其他局域網(wǎng)相互分隔，在封閉性的環(huán)境中單獨(dú)使用。門(mén)禁安防報(bào)警系統(tǒng)的局域網(wǎng)采用總線(xiàn)式布局，易于安裝和日常維護(hù)。 門(mén)禁控制器傳輸?shù)挠嘘P(guān)通行人員進(jìn)出日志或者其他重要的門(mén)禁狀態(tài)信息數(shù)據(jù)，由門(mén)禁報(bào)警服務(wù)器負(fù)責(zé)準(zhǔn)確可靠地接收。門(mén)禁報(bào)警服務(wù)器對(duì)接收到的門(mén)禁狀態(tài)信息數(shù)據(jù)進(jìn)行實(shí)時(shí)解析，將判斷信號(hào)發(fā)送至控制系統(tǒng)驅(qū)動(dòng)門(mén)禁及安防報(bào)警執(zhí)行裝置，同時(shí)將有關(guān)工作信息存入數(shù)據(jù)庫(kù)服務(wù)器中，以備日后查詢(xún)。 后臺(tái)管理程序?qū)崟r(shí)監(jiān)控各個(gè)出入口的人員進(jìn)出情況，將捕獲的人臉圖像實(shí)時(shí)處理。后臺(tái)管理程序發(fā)送提示或者報(bào)警信息以及人臉模板數(shù)據(jù)信息給門(mén)禁控制器，同時(shí)，顯示人臉圖像或者文檔信息等有關(guān)判別結(jié)果。 數(shù)據(jù)庫(kù)服務(wù)器負(fù)責(zé)存儲(chǔ)和檢索門(mén)禁進(jìn)出日志、相關(guān)人臉圖像等門(mén)禁安防報(bào)警系統(tǒng)中大量的數(shù)據(jù)信息，要求性能穩(wěn)定可靠。 人臉圖像仿真系統(tǒng)的設(shè)計(jì) 按照人臉圖像識(shí)別的流程，人臉圖像識(shí)別系統(tǒng)主要包括以下幾個(gè)模塊(見(jiàn)圖2)。
文件模塊 文件模塊操作按鈕鏈接有基于整幅圖像的人臉識(shí)別和基于子圖像的人臉識(shí)別方法的選擇。 子圖像所對(duì)應(yīng)人臉的不同特征在識(shí)別過(guò)程中所起的作用是不相同的，基于面部骨骼特征、眼睛的分布、鼻子的形狀等結(jié)構(gòu)特征，往往是鑒別人臉的主要依據(jù)。基于整幅人臉圖像的向量求取特征空間時(shí)，則計(jì)算量非常大，當(dāng)樣本空間很大或者人臉圖像像素較大時(shí)，對(duì)識(shí)別速度會(huì)有很大影響。進(jìn)行加權(quán)特征處理，則使人臉識(shí)別問(wèn)題得到了很好的解決。 在進(jìn)行人臉圖像識(shí)別方法的對(duì)比分析時(shí)，通過(guò)人臉圖像識(shí)別系統(tǒng)的文件操作按鈕，可選擇基于整幅人臉圖像的識(shí)別方法或者基于子圖像的識(shí)別方法進(jìn)行人臉識(shí)別。選擇基于子圖像的識(shí)別方法之后，進(jìn)一步設(shè)定子圖像的數(shù)目、子圖像的權(quán)值等參數(shù)。 圖像預(yù)處理模塊 讀入的訓(xùn)練或者測(cè)試人臉圖像經(jīng)過(guò)幾何尺度與灰度的歸一化處理，進(jìn)行人臉圖像矩陣的奇異值分解。本文采用雙線(xiàn)性插值方法對(duì)圖像進(jìn)行尺度歸一化。幾何歸一后的圖像再經(jīng)灰度均衡化處理，人臉圖像的直方圖均衡化是實(shí)現(xiàn)圖像增強(qiáng)一種有效途徑。 研究發(fā)現(xiàn)人臉的不同特征在識(shí)別過(guò)程中所起的作用是不相同的，基于面部骨骼特征、眼睛的分布、鼻子的形狀等結(jié)構(gòu)特征，往往是鑒別人臉的主要依據(jù)。 人臉特征提取模塊 在訓(xùn)練或測(cè)試時(shí)，通過(guò)模塊中功能設(shè)置的選取，設(shè)定鏈接進(jìn)行人臉子圖像的特征提取。 人臉圖像的特征提取方法實(shí)現(xiàn)的流程如下：(1)從人臉數(shù)據(jù)庫(kù)選擇人臉作為識(shí)別訓(xùn)練集;(2)將被選入訓(xùn)練集的人臉圖像幾何歸一;(3)將被選入訓(xùn)練集的人臉圖像灰度歸一;(4)將預(yù)處理過(guò)的人臉圖像分為N個(gè)子塊;(5)將每一幅圖像變?yōu)橐粋�(gè)列向量(先分別將每一個(gè)子塊所有向量排成一列，再將N個(gè)子塊按順序排成一列);然后以子塊為單位進(jìn)行;(6)計(jì)算全部人臉圖像的均值;(7)計(jì)算每一類(lèi)人臉圖像的平均臉同時(shí)將人臉圖像列向量與類(lèi)內(nèi)平均臉做差。 利用訓(xùn)練學(xué)習(xí)過(guò)程獲得的人臉圖像數(shù)據(jù)庫(kù)中的整幅圖像或子圖像特征空間的數(shù)據(jù)，與測(cè)試人臉圖像之間進(jìn)行計(jì)算獲得圖像差。 人臉數(shù)據(jù)庫(kù)模塊 人臉數(shù)據(jù)庫(kù)模塊的兩個(gè)選項(xiàng)分別鏈接著人臉圖像庫(kù)中整幅人臉圖像特征空間和子圖像特征空間的數(shù)據(jù)，供測(cè)試時(shí)與待測(cè)人臉圖像對(duì)應(yīng)的特征空間進(jìn)行對(duì)比識(shí)別。 將YALE人臉圖像庫(kù)中選定的圖像進(jìn)行訓(xùn)練后，得到人臉圖像矩陣、整幅人臉圖像的特征臉空間、子圖像的特征臉空間等數(shù)據(jù)，存儲(chǔ)在人臉數(shù)據(jù)庫(kù)中，以備實(shí)時(shí)調(diào)用。加入新的人臉圖像的類(lèi)別樣本時(shí)，需要重新針對(duì)所有樣本圖像進(jìn)行訓(xùn)練，更新人臉數(shù)據(jù)庫(kù)。 人臉圖像識(shí)別模塊 人臉圖像識(shí)別模塊鏈接著基于貝葉斯估計(jì)的分類(lèi)識(shí)別方法、基于RBF網(wǎng)絡(luò)和貝葉斯分類(lèi)器融合的人臉識(shí)別方法兩個(gè)選項(xiàng)。 貝葉斯估計(jì)識(shí)別模塊 人臉圖像分塊后應(yīng)用奇異值分解方法進(jìn)行數(shù)據(jù)壓縮，對(duì)每個(gè)特征分塊設(shè)計(jì)一個(gè)貝葉斯分類(lèi)器，最后將這些分類(lèi)器融合(如圖3所示)。
本文采取加權(quán)求和的方法：
其中，S(Ii，Ij)表示兩幅圖像Ii與Ij的相似度，L是貝葉斯分類(lèi)器(FBBC)的總數(shù)，是Ii與Ij的第b個(gè)特征塊之間的差值。是由第b個(gè)貝葉斯分類(lèi)器計(jì)算出的類(lèi)條件概率密度。wb是第b個(gè)貝葉斯分類(lèi)器對(duì)應(yīng)的權(quán)值。 RBF神經(jīng)網(wǎng)絡(luò)識(shí)別模塊 RBF神經(jīng)網(wǎng)絡(luò)為三層結(jié)構(gòu)(如圖4所示)。
訓(xùn)練時(shí)：輸入層的維數(shù)r與子圖像的數(shù)目對(duì)應(yīng);隱含層選用高斯核函數(shù)：
實(shí)現(xiàn)聚類(lèi)算法，其中，si為隱含層第i個(gè)神經(jīng)元的寬度;輸出層類(lèi)別k的輸出值為：
式中，w(k，i)為隱含層第i個(gè)節(jié)點(diǎn)與輸出層第k個(gè)輸出節(jié)點(diǎn)的連接權(quán)值。 測(cè)試時(shí)：利用貝葉斯估計(jì)的方法設(shè)置隱含層函數(shù)
識(shí)別結(jié)果模塊 利用貝葉斯分類(lèi)器估計(jì)測(cè)試樣本與訓(xùn)練樣本之間的人臉圖像相似度，滿(mǎn)足閾值初始化設(shè)定值的人臉圖像和相關(guān)類(lèi)別情況的文字說(shuō)明顯示于相應(yīng)界面內(nèi)。滿(mǎn)足閾值要求的人臉圖像可以按照50%的比例輸出，也可以按照其他的比例輸出。 仿真實(shí)驗(yàn)結(jié)果及分析 利用在Yale人臉庫(kù)中的人臉圖像，分以下4種分塊加權(quán)的情況進(jìn)行實(shí)驗(yàn)(識(shí)別結(jié)果見(jiàn)表1和表2)。
1、b1=b3=4;b5=2;b8=2;b2=b4=b6=b7=b9=1，權(quán)值分配情況如圖5所示。
如圖6所示，滿(mǎn)足閾值要求的人臉圖像輸出情況和必要的文字說(shuō)明，圖中選擇的人臉圖像輸出比例選擇為50%;也可以選擇其他的人臉圖像輸出比例。
2、b1=b3=4;b5=3;b8=2;b2=b4=b6=b7=b9=1 3、b1=b3=4;b5=2;b8=0;b2=b4=b6=b7=b9=1 4、b1=b3=4;b5=3;b8=0;b2=b4=b6=b7=b9=1 仿真實(shí)驗(yàn)結(jié)果表明，通過(guò)子圖像權(quán)值的分配，突出人臉骨骼特征，識(shí)別效果良好(見(jiàn)表1和表2)，模擬了人類(lèi)識(shí)別人臉時(shí)主要依據(jù)人臉骨骼等穩(wěn)定特征，而對(duì)嘴部和皮膚折皺等表情變化部分特征給予弱化或剔除這一特點(diǎn)。通過(guò)對(duì)人臉圖像進(jìn)行分塊，降低圖像維度，減小了計(jì)算量。 結(jié)語(yǔ) 本文研究了在智能門(mén)禁報(bào)警系統(tǒng)中，人臉識(shí)別結(jié)合ID技術(shù)的仿真應(yīng)用問(wèn)題，驗(yàn)證了基于RBF網(wǎng)絡(luò)和貝葉斯估計(jì)人臉識(shí)別方法在提高安防報(bào)警系統(tǒng)的快速、準(zhǔn)確和安全性方面的有效性，提高了門(mén)禁系統(tǒng)的安全性和防欺詐性，與ID技術(shù)相結(jié)合，實(shí)現(xiàn)了快速識(shí)別。將分塊后對(duì)人臉圖像奇異值分解壓縮，提高傳輸效率，節(jié)省存儲(chǔ)空間，改善局域網(wǎng)的應(yīng)用環(huán)境。在本文所研究的算法基礎(chǔ)上，使用MATLAB語(yǔ)言開(kāi)發(fā)了人臉圖像仿真識(shí)別系統(tǒng)的管理操作界面，基于Yale標(biāo)準(zhǔn)人臉圖像庫(kù)，用戶(hù)可以非常方便地對(duì)人臉圖像仿真識(shí)別系統(tǒng)進(jìn)行操作使用，對(duì)所研究的人臉識(shí)別方法進(jìn)行仿真測(cè)試與對(duì)比分析，系統(tǒng)運(yùn)行結(jié)果非常直觀地顯示出來(lái)。 參考文獻(xiàn)： [1] 陳彪, 吳成東, 鄭君剛. 基于RBF網(wǎng)絡(luò)和貝葉斯分類(lèi)器融合的人臉識(shí)別方法[J]. 電子產(chǎn)品世界, 2009(2):P41-44. [2] Hu J S, Su T M, Jeng S C. Robust Background Subtraction with Shadow and Highlight [C]. Removal for Indoor Surveillance Intelligent Robots and System, 2006 IEEE/RSJ International Conference on Oct. 2006: 4545-4550 [3] Lee J, Rajauria P, Subodh K. A model-based conceptual clustering of moving objects in video surveillance [J]. Univ. of Bridgeport Multimedia Content Access: Algorithms and Systems. 2007(1) [4] 洪子泉, 楊靜宇. 基于奇異值特征和統(tǒng)計(jì)模型的人臉識(shí)別算法[J]. 計(jì)算機(jī)研究與發(fā)展,1994, 31(3): 60-65 [5] Cucchiara R, Grana C, Prati A. Computer vision system for in-house video surveillance vision[J]. Image and Signal Processing, IEEE Proceedings, 2005,152: 242-249. [6] Desurmont X, Delaigle J F, Bastide A. A generic flexible and robust approach for intelligent real-time video-surveillance system[J]. Real-Time Imaging VIII, 2004: 134-141 [7] Oyang Y J, Hwang S C, Ou Y Y, et al. Data classification with radial basis function networks based on a novel kernel density estimation algorithm. IEEE Transactions on Neural Networks. 2005,16(1):225-236 [8] Moghaddam B, Jebara T, Pentland A. Bayesian Face Recognition, Pattern Recognition 2000,33:1771-1782 [9] Er M J, Wu S Q, Lu J W, et al. Face recognition with radial basis function (RBF) neural networks Neural Networks, IEEE Transactions 2002,13(3): 697-710 [10] Yang F, Paindavoine M. Implementation of an RBF Neural Network on Embedded Systems: Real-Time Face Tracking and Identity Verification [J]. IEEE transaction. on Neural Networks, 2003, 14(5): 1162-1175 |
