|
作者：陳彪 吳成東 鄭君剛 沈陽建筑大學理學院信息科學與控制學院 時間：2009-10-12 來源:電子產品世界 引言 在智能建筑的門禁和安防報警系統中包括三層防范體系：周邊防范、出入口控制;保安監控、電子巡更 ;可視對講、安防報警、緊急呼叫等。這些共同構成了智能建筑的安全防范管理系統。人臉識別技術目前在智能建筑的出入口控制、視頻控制、安防報警方面有著廣泛的應用。人臉識別有著方便、友好的特點，防欺騙性和安全性高，是人工智能領域和建筑智能化領域的研究熱點之一。 本文研究了結合ID技術和人臉識別技術的門禁與報警系統。結合ID技術可以使檢索信息直接鏈接到人臉庫中對應的人臉圖像類別;人臉圖像分塊后直接采用奇異值分解方法壓縮圖像，兩者的應用大大提高了門禁安防報警系統的傳輸和存儲效率。人臉識別技術的應用，更加提高了門禁安防報警系統的安全可靠性。 本文利用MATLAB仿真軟件，在管理操作界面的設計中，應用各種模塊操作按鈕將人臉圖像識別系統的各種處理和算法的實現程序進行鏈接，用戶可以非常方便地對人臉圖像仿真識別系統進行操作使用，系統運行結果直觀地顯示出來。 智能門禁安防報警系統結構 智能門禁報警系統如圖1所示，主要包括以下幾個部分。 
門禁終端根據傳輸過來的不同的識別信號執行打開或關閉門的動作，也能根據門的狀態發出不同的提示或報警信號。電鎖與門禁控制器相互連接，識別信號傳輸至門禁控制器轉換為控制信號驅動電鎖，控制門的開關。 結合ID卡和人臉識別技術的門禁安防報警系統，能夠通過來訪者的ID卡號和人臉圖像信息判斷是否為本部人員，或者來訪者是否為公安部門公布的網上通緝人員，有效地控制門禁通道開關和報警后的安保措施。 局域網連接著若干門禁控制器和門禁服務器，是傳輸門禁日志數據和其他重要數據信息的通信通道。門禁報警系統的局域網要和其他局域網相互分隔，在封閉性的環境中單獨使用。門禁安防報警系統的局域網采用總線式布局，易于安裝和日常維護。 門禁控制器傳輸的有關通行人員進出日志或者其他重要的門禁狀態信息數據，由門禁報警服務器負責準確可靠地接收。門禁報警服務器對接收到的門禁狀態信息數據進行實時解析，將判斷信號發送至控制系統驅動門禁及安防報警執行裝置，同時將有關工作信息存入數據庫服務器中，以備日后查詢。 后臺管理程序實時監控各個出入口的人員進出情況，將捕獲的人臉圖像實時處理。后臺管理程序發送提示或者報警信息以及人臉模板數據信息給門禁控制器，同時，顯示人臉圖像或者文檔信息等有關判別結果。 數據庫服務器負責存儲和檢索門禁進出日志、相關人臉圖像等門禁安防報警系統中大量的數據信息，要求性能穩定可靠。 人臉圖像仿真系統的設計 按照人臉圖像識別的流程，人臉圖像識別系統主要包括以下幾個模塊(見圖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別和基于子圖像的人臉識別方法的選擇。 子圖像所對應人臉的不同特征在識別過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、鼻子的形狀等結構特征，往往是鑒別人臉的主要依據。基于整幅人臉圖像的向量求取特征空間時，則計算量非常大，當樣本空間很大或者人臉圖像像素較大時，對識別速度會有很大影響。進行加權特征處理，則使人臉識別問題得到了很好的解決。 在進行人臉圖像識別方法的對比分析時，通過人臉圖像識別系統的文件操作按鈕，可選擇基于整幅人臉圖像的識別方法或者基于子圖像的識別方法進行人臉識別。選擇基于子圖像的識別方法之后，進一步設定子圖像的數目、子圖像的權值等參數。 圖像預處理模塊 讀入的訓練或者測試人臉圖像經過幾何尺度與灰度的歸一化處理，進行人臉圖像矩陣的奇異值分解。本文采用雙線性插值方法對圖像進行尺度歸一化。幾何歸一后的圖像再經灰度均衡化處理，人臉圖像的直方圖均衡化是實現圖像增強一種有效途徑。 研究發現人臉的不同特征在識別過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、鼻子的形狀等結構特征，往往是鑒別人臉的主要依據。 人臉特征提取模塊 在訓練或測試時，通過模塊中功能設置的選取，設定鏈接進行人臉子圖像的特征提取。 人臉圖像的特征提取方法實現的流程如下：(1)從人臉數據庫選擇人臉作為識別訓練集;(2)將被選入訓練集的人臉圖像幾何歸一;(3)將被選入訓練集的人臉圖像灰度歸一;(4)將預處理過的人臉圖像分為N個子塊;(5)將每一幅圖像變為一個列向量(先分別將每一個子塊所有向量排成一列，再將N個子塊按順序排成一列);然后以子塊為單位進行;(6)計算全部人臉圖像的均值;(7)計算每一類人臉圖像的平均臉同時將人臉圖像列向量與類內平均臉做差。 利用訓練學習過程獲得的人臉圖像數據庫中的整幅圖像或子圖像特征空間的數據，與測試人臉圖像之間進行計算獲得圖像差。 人臉數據庫模塊 人臉數據庫模塊的兩個選項分別鏈接著人臉圖像庫中整幅人臉圖像特征空間和子圖像特征空間的數據，供測試時與待測人臉圖像對應的特征空間進行對比識別。 將YALE人臉圖像庫中選定的圖像進行訓練后，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據，存儲在人臉數據庫中，以備實時調用。加入新的人臉圖像的類別樣本時，需要重新針對所有樣本圖像進行訓練，更新人臉數據庫。 人臉圖像識別模塊 人臉圖像識別模塊鏈接著基于貝葉斯估計的分類識別方法、基于RBF網絡和貝葉斯分類器融合的人臉識別方法兩個選項。 貝葉斯估計識別模塊 人臉圖像分塊后應用奇異值分解方法進行數據壓縮，對每個特征分塊設計一個貝葉斯分類器，最后將這些分類器融合(如圖3所示)。
本文采取加權求和的方法：
其中，S(Ii，Ij)表示兩幅圖像Ii與Ij的相似度，L是貝葉斯分類器(FBBC)的總數，是Ii與Ij的第b個特征塊之間的差值。是由第b個貝葉斯分類器計算出的類條件概率密度。wb是第b個貝葉斯分類器對應的權值。 RBF神經網絡識別模塊 RBF神經網絡為三層結構(如圖4所示)。
訓練時：輸入層的維數r與子圖像的數目對應;隱含層選用高斯核函數：
實現聚類算法，其中，si為隱含層第i個神經元的寬度;輸出層類別k的輸出值為：
式中，w(k，i)為隱含層第i個節點與輸出層第k個輸出節點的連接權值。 測試時：利用貝葉斯估計的方法設置隱含層函數
識別結果模塊 利用貝葉斯分類器估計測試樣本與訓練樣本之間的人臉圖像相似度，滿足閾值初始化設定值的人臉圖像和相關類別情況的文字說明顯示于相應界面內。滿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。 仿真實驗結果及分析 利用在Yale人臉庫中的人臉圖像，分以下4種分塊加權的情況進行實驗(識別結果見表1和表2)。
1、b1=b3=4;b5=2;b8=2;b2=b4=b6=b7=b9=1，權值分配情況如圖5所示。
如圖6所示，滿足閾值要求的人臉圖像輸出情況和必要的文字說明，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 仿真實驗結果表明，通過子圖像權值的分配，突出人臉骨骼特征，識別效果良好(見表1和表2)，模擬了人類識別人臉時主要依據人臉骨骼等穩定特征，而對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。通過對人臉圖像進行分塊，降低圖像維度，減小了計算量。 結語 本文研究了在智能門禁報警系統中，人臉識別結合ID技術的仿真應用問題，驗證了基于RBF網絡和貝葉斯估計人臉識別方法在提高安防報警系統的快速、準確和安全性方面的有效性，提高了門禁系統的安全性和防欺詐性，與ID技術相結合，實現了快速識別。將分塊后對人臉圖像奇異值分解壓縮，提高傳輸效率，節省存儲空間，改善局域網的應用環境。在本文所研究的算法基礎上，使用MATLAB語言開發了人臉圖像仿真識別系統的管理操作界面，基于Yale標準人臉圖像庫，用戶可以非常方便地對人臉圖像仿真識別系統進行操作使用，對所研究的人臉識別方法進行仿真測試與對比分析，系統運行結果非常直觀地顯示出來。 參考文獻： [1] 陳彪, 吳成東, 鄭君剛. 基于RBF網絡和貝葉斯分類器融合的人臉識別方法[J]. 電子產品世界, 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計模型的人臉識別算法[J]. 計算機研究與發展,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 |
