安 然，王輝麟

（中國(guó)鐵道科學(xué)研究院 電子計(jì)算技術(shù)研究所，北京 100081）

人臉識(shí)別技術(shù)是利用圖像處理和模式識(shí)別技術(shù)鑒別或驗(yàn)證身份的一種熱門(mén)的計(jì)算機(jī)安全技術(shù)，現(xiàn)已在國(guó)家安全、軍事安全和公共安全等方面實(shí)現(xiàn)了初步的應(yīng)用。但因?yàn)殍F路車(chē)站環(huán)境存在人流密度大、治安難度大、環(huán)境復(fù)雜等特殊的行業(yè)應(yīng)用特點(diǎn)，針對(duì)鐵路車(chē)站安檢區(qū)域的人臉識(shí)別系統(tǒng)尚未廣泛應(yīng)用。

鐵路車(chē)站人臉識(shí)別系統(tǒng)是在鐵路車(chē)站安檢區(qū)域通過(guò)對(duì)旅客人臉圖像的采集、檢測(cè)和建模，與鐵路公安設(shè)定的重點(diǎn)人員庫(kù)進(jìn)行人臉特征比對(duì)，對(duì)重點(diǎn)人員進(jìn)行識(shí)別和布控，實(shí)現(xiàn)對(duì)重點(diǎn)人員的信息化、網(wǎng)絡(luò)化、實(shí)時(shí)化的監(jiān)測(cè)和管理。系統(tǒng)有助于減輕鐵路公安人員的日常工作量，為追逃、維穩(wěn)、治安管理以及刑偵破案等鐵路公安工作提供先進(jìn)的科技手段。

1 人臉識(shí)別技術(shù)概述

人臉識(shí)別技術(shù)結(jié)合數(shù)字圖像處理、計(jì)算機(jī)圖形學(xué)、模式識(shí)別、可視化技術(shù)、人體生理學(xué)、認(rèn)知科學(xué)和心理學(xué)等研究領(lǐng)域，對(duì)采集到的人臉圖像進(jìn)行分析，確定人臉的位置、大小和姿勢(shì)等信息，并提取有效的識(shí)別信息進(jìn)行人臉特征比對(duì)，從而實(shí)現(xiàn)身份辨認(rèn)[1]。

1.1 人臉識(shí)別技術(shù)研究范圍

人臉識(shí)別的研究?jī)?nèi)容包括如下幾個(gè)方面[2]：

（1）人臉檢測(cè)：從各種環(huán)境中檢測(cè)出人臉的存在并確定其位置，檢測(cè)精度主要受光照、復(fù)雜背景、頭部?jī)A斜角度以及各種遮擋的影響。

（2）特征提?。簭臋z測(cè)到的人臉圖像中提取對(duì)識(shí)別有效的特征信息，是對(duì)人臉信息的一種描述方式。

（3）人臉比對(duì)：目標(biāo)人臉在經(jīng)過(guò)人臉檢測(cè)和特征提取之后，與重點(diǎn)數(shù)據(jù)庫(kù)中的人臉比對(duì)，得出相關(guān)結(jié)果。

圖1 人臉識(shí)別流程

1.2 人臉識(shí)別算法

鐵路車(chē)站具有人流密度大、治安難度大、安檢時(shí)間短和光線環(huán)境復(fù)雜等較為特殊的行業(yè)應(yīng)用特點(diǎn)，對(duì)現(xiàn)場(chǎng)采集到的人臉圖像質(zhì)量有著很大影響，因此對(duì)于應(yīng)用于鐵路車(chē)站的人臉識(shí)別系統(tǒng)有著特殊要求。本文采用的人臉識(shí)別算法在對(duì)特征臉?lè)椒ㄟM(jìn)行改進(jìn)的基礎(chǔ)上再與模板匹配方法相結(jié)合，完成人臉識(shí)別功能。

特征臉?lè)椒ㄓ芍鞒煞址治龇椒ǎ≒CA）衍生而來(lái)[3～5]，其思想是將一副由N個(gè)像素組成的圖像看作N維矢量，或者是N維空間中的一點(diǎn)。我們假設(shè)人臉圖像在這個(gè)高維圖像空間中只占據(jù)一個(gè)很小的子區(qū)域，這樣就可以通過(guò)PCA方法得出人臉圖像的優(yōu)化坐標(biāo)系。通過(guò)這種方法對(duì)人臉子區(qū)域坐標(biāo)進(jìn)行降維，通過(guò)較少的參數(shù)來(lái)表示高維人臉圖像，從而降低了計(jì)算復(fù)雜度。

對(duì)于人臉識(shí)別而言，需要盡最大可能區(qū)分不同的人臉特征，原始的特征臉?lè)椒ㄊ撬腥四樄灿靡粋€(gè)降維人臉子空間，而我們采用的方法是為每個(gè)人臉建立一個(gè)私有子空間，這樣能更好地描述不同人臉之間的差異性，增加多個(gè)訓(xùn)練樣本。

對(duì)于M●N的人臉圖像，D=M●N就是人臉圖像空間的維數(shù)。設(shè)n為樣本數(shù)；Xj表示第j幅人臉圖像的人臉向量，則樣本協(xié)方差矩陣：

其中，u為樣本的平均圖像向量：

再設(shè)A=[x1-ux2-u……xn-u],則可得出協(xié)方差Sr=AAT，維數(shù)為D●D。

根據(jù)奇異值分解定理，設(shè)l（ii=1,2,……,r）為矩陣ATA的r個(gè)非零特征值，vi為ATA對(duì)應(yīng)于li的特征向量，因此AAT的正交歸一特征向量ui：

其中，i=1,2,……r，特征臉空間為：w=(u1,u2，……，ur)。再將樣本投影到特征臉空間，經(jīng)過(guò)變換后得到投影向量Ω=wTu，作為人臉特征值向量，構(gòu)成用于比對(duì)的重點(diǎn)人員數(shù)據(jù)庫(kù)。

在得出特征臉數(shù)據(jù)庫(kù)結(jié)果后，再利用模板匹配方法進(jìn)行識(shí)別比對(duì)，將兩種方法相結(jié)合。模板匹配方法中的模板變形可以充分利用特征臉區(qū)域的全局信息，因此能較好地檢測(cè)出特征。彈性模板匹配方法具有在一定程度上容忍光線干擾的特性。通過(guò)對(duì)特征臉?lè)椒ㄅc模板匹配方法相結(jié)合，增強(qiáng)了系統(tǒng)對(duì)鐵路車(chē)站復(fù)雜環(huán)境下的識(shí)別能力。

2 鐵路車(chē)站人臉識(shí)別系統(tǒng)

2.1 鐵路車(chē)站人臉識(shí)別系統(tǒng)組成

鐵路車(chē)站人臉識(shí)別系統(tǒng)軟件架構(gòu)由前端采集、預(yù)處理、比對(duì)識(shí)別、輸出和管理等模塊組成。系統(tǒng)能夠?qū)⒈粰z人員與鐵路公安指定的重點(diǎn)人員數(shù)據(jù)庫(kù)進(jìn)行逐一的特征比對(duì)，根據(jù)輸出比對(duì)結(jié)果，發(fā)現(xiàn)并確認(rèn)數(shù)據(jù)庫(kù)內(nèi)注冊(cè)過(guò)的重點(diǎn)人員。系統(tǒng)總體架構(gòu)和功能結(jié)構(gòu)如圖2和圖3。

（1）前端采集模塊

前端采集模塊用于采集人臉圖像，包括網(wǎng)絡(luò)攝像機(jī)、LED補(bǔ)光燈、網(wǎng)絡(luò)交換機(jī)、本地存儲(chǔ)NVR和視頻監(jiān)控管理終端等硬件部分。人臉識(shí)別軟件客戶端運(yùn)行在視頻監(jiān)控管理終端上，通過(guò)網(wǎng)絡(luò)攝像機(jī)完成對(duì)進(jìn)入安檢區(qū)域的乘客人臉特征的采集。

（2）預(yù)處理模塊

預(yù)處理模塊對(duì)來(lái)自前端采集模塊的人臉圖像進(jìn)行人臉的檢測(cè)、跟蹤、分割和校正等處理，提取人臉特征信息，實(shí)現(xiàn)人臉建模，包括人臉識(shí)別技術(shù)中的人臉檢測(cè)和人臉特征提取兩大部分。經(jīng)過(guò)預(yù)處理后的人臉圖像被提取出特征值，等待與重點(diǎn)人員數(shù)據(jù)庫(kù)中的人臉特征進(jìn)行下一步的比對(duì)。

圖2 鐵路車(chē)站人臉識(shí)別系統(tǒng)架構(gòu)圖

圖3 鐵路車(chē)站人臉識(shí)別系統(tǒng)功能結(jié)構(gòu)圖

（3）比對(duì)識(shí)別模塊

該模塊用于將預(yù)處理后的人臉特征信息與重點(diǎn)人員庫(kù)進(jìn)行人臉特征的逐一比對(duì)，計(jì)算輸出人臉相似度或相似隊(duì)列等識(shí)別結(jié)果，滿足一對(duì)一的身份驗(yàn)證和一對(duì)多的動(dòng)態(tài)比對(duì)識(shí)別功能。該模塊使用到的硬件有：人臉比對(duì)服務(wù)器、千兆網(wǎng)絡(luò)交換機(jī)和NVR等設(shè)備。

（4）輸出模塊

輸出模塊用于顯示人臉識(shí)別結(jié)果及報(bào)警信息，提供圖形化監(jiān)控界面和用戶管理界面。方便安檢區(qū)域現(xiàn)場(chǎng)工作人員與民警進(jìn)行實(shí)時(shí)的核對(duì)。

（5）管理模塊系統(tǒng)管理模塊實(shí)現(xiàn)人臉圖像建模信息的入庫(kù)及存儲(chǔ)，系統(tǒng)的軟硬件配置與設(shè)備管理，用戶權(quán)限設(shè)定，系統(tǒng)日志管理，報(bào)警信息的輸出顯示和及時(shí)發(fā)送，對(duì)重點(diǎn)人員庫(kù)的管理和維護(hù)等功能。

2.2 鐵路車(chē)站人臉識(shí)別系統(tǒng)功能

人臉識(shí)別系統(tǒng)在鐵路車(chē)站的應(yīng)用必須克服苛刻的環(huán)境條件，在滿足系統(tǒng)功能需求的同時(shí)盡量提高系統(tǒng)響應(yīng)速度。應(yīng)用在鐵路車(chē)站的人臉識(shí)別系統(tǒng)應(yīng)具有如下功能。

（1）人臉圖像采集和人臉檢測(cè)

鐵路車(chē)站人臉識(shí)別系統(tǒng)除完成多來(lái)源的人臉圖像采集外，還需實(shí)現(xiàn)以下人臉檢測(cè)需求：實(shí)時(shí)人臉檢測(cè)并完成單人和多人人臉圖像檢測(cè)；多角度人臉檢測(cè)；不同表情人臉檢測(cè)；復(fù)雜背景下的人臉檢測(cè)；有遮擋情況和針對(duì)臉部飾物的人臉檢測(cè)。

（2）人臉特征提取

人臉特征提取是人臉識(shí)別中的核心步驟，直接影響識(shí)別精度。特征提取針對(duì)干擾因素，提取出具有穩(wěn)定性和有效性的人臉信息，可綜合多種人臉特征提取方法，完成對(duì)苛刻環(huán)境下人臉特征的提取。

（3）人臉比對(duì)

人臉比對(duì)的結(jié)果關(guān)系到人臉識(shí)別的準(zhǔn)確程度。人臉比對(duì)的速度與重點(diǎn)人員數(shù)據(jù)庫(kù)的容量有關(guān)，同時(shí)也直接影響到系統(tǒng)響應(yīng)時(shí)間的長(zhǎng)短，應(yīng)用于車(chē)站安檢區(qū)域的人臉識(shí)別系統(tǒng)應(yīng)具有較高的人臉比對(duì)速度。人臉比對(duì)分為一對(duì)一比對(duì)和一對(duì)多比對(duì)，前者主要應(yīng)用于身份驗(yàn)證；一對(duì)多的比對(duì)既可用于對(duì)乘客照片、視頻的事后比對(duì)，也可用于實(shí)時(shí)視頻的動(dòng)態(tài)比對(duì)。

（4）報(bào)警管理

報(bào)警管理是人臉識(shí)別系統(tǒng)中必不可少的功能。報(bào)警功能直接關(guān)系到人臉識(shí)別系統(tǒng)的使用效果，車(chē)站安檢區(qū)域的報(bào)警需要考慮人流量大、安檢時(shí)間短、人員可控性差等環(huán)境特點(diǎn)來(lái)設(shè)計(jì)并實(shí)現(xiàn)報(bào)警功能。

車(chē)站安檢區(qū)域人臉識(shí)別系統(tǒng)的報(bào)警管理需完成如下功能：完成報(bào)警提示并實(shí)時(shí)更新報(bào)警日志；支持多種可劃分的報(bào)警級(jí)別；報(bào)警結(jié)果第一時(shí)間通過(guò)短信、彩信方式發(fā)送給監(jiān)控指揮中心及指定民警；完成對(duì)報(bào)警時(shí)間點(diǎn)前后時(shí)間段的視頻存儲(chǔ)；支持多種方式的報(bào)警提示等。

（5）重點(diǎn)人員數(shù)據(jù)庫(kù)管理

人臉識(shí)別系統(tǒng)需要完成數(shù)據(jù)庫(kù)系統(tǒng)的管理和維護(hù)，以滿足各種環(huán)境與監(jiān)控模式下的數(shù)據(jù)庫(kù)應(yīng)用需求。對(duì)數(shù)據(jù)庫(kù)的管理維護(hù)功能包括數(shù)據(jù)導(dǎo)入、數(shù)據(jù)庫(kù)維護(hù)、數(shù)據(jù)庫(kù)相關(guān)參數(shù)配置、數(shù)據(jù)導(dǎo)出、人臉數(shù)據(jù)建模和數(shù)據(jù)編輯等。

（6）輸出顯示

識(shí)別結(jié)果的輸出顯示是民警現(xiàn)場(chǎng)人工確認(rèn)和事后二次確認(rèn)的依據(jù)。人臉識(shí)別系統(tǒng)的輸出顯示內(nèi)容與報(bào)警功能相關(guān)聯(lián)，需要在識(shí)別輸出結(jié)果中顯示報(bào)警時(shí)間和地點(diǎn)、報(bào)警等級(jí)和報(bào)警日志等信息。

（7）系統(tǒng)管理

系統(tǒng)管理即完成對(duì)各個(gè)系統(tǒng)模塊的管理。系統(tǒng)管理功能包括：系統(tǒng)配置管理；設(shè)備配置管理；系統(tǒng)日志管理和用戶管理等，同時(shí)系統(tǒng)還需要預(yù)留與其他系統(tǒng)的接口，方便系統(tǒng)升級(jí)與維護(hù)。

2.3 鐵路車(chē)站人臉識(shí)別系統(tǒng)性能

鐵路車(chē)站人臉識(shí)別系統(tǒng)性能如下：

（1）比對(duì)速度：30萬(wàn)/s；

（2）建模速度：70張/s；

（3）人臉偏轉(zhuǎn)角度：上下≥15°；左右≥25°；

（4）多人臉同時(shí)識(shí)別數(shù)：≥5人；

（5）系統(tǒng)響應(yīng)時(shí)間：≤1 s；

（6）采集率：≥95%；

（7）正識(shí)率：≥80%；

（8）漏識(shí)率：≤20%；

（9）誤識(shí)率：≤2%。

3 鐵路車(chē)站人臉識(shí)別系統(tǒng)測(cè)試結(jié)果

結(jié)合京滬高速鐵路沿線各個(gè)車(chē)站安檢區(qū)域的不同情況和試點(diǎn)工程的實(shí)施進(jìn)度，給出鐵路車(chē)站人臉識(shí)別系統(tǒng)的具體測(cè)試結(jié)果。

3.1 硬件環(huán)境

（1）比對(duì)服務(wù)器配置：24核Intel5600 CPU，主頻2.4 GHz，43 GB DDR3內(nèi)存；

（2）采集端PC配置：4核 I5 CPU，主頻2.9 GHz，內(nèi)存4.0 GB；

（3）攝像機(jī)：泰科1080P高清攝像機(jī)AV2115AI；

（4）數(shù)字錄像機(jī)NVR：泰科M155。

3.2 軟件環(huán)境

（1）操作系統(tǒng)：Windows Sever2003 ；

（2）數(shù)據(jù)庫(kù)：Oracle。

3.3 比對(duì)數(shù)據(jù)量

10萬(wàn)CCIC人像庫(kù)，2011年6月～2011年11月新增罪犯庫(kù)。

表1 人臉識(shí)別軟件測(cè)試性能情況

3.4 測(cè)試結(jié)果

表1為人臉識(shí)別軟件測(cè)試性能情況表。表中，各統(tǒng)計(jì)參數(shù)的定義與計(jì)算公式如下：

（1）采集率即為通過(guò)安檢區(qū)域乘客人臉信息被采集到的概率；

（2）正識(shí)率即為重點(diǎn)人員庫(kù)中已有人員被識(shí)別出的概率；

（3）漏識(shí)率即為未被識(shí)別出人臉圖像信息的被測(cè)人員概率；

（4）誤識(shí)率即為非測(cè)試人員被誤識(shí)別的概率；

（5）β+γ=100% （5）

4 結(jié)束語(yǔ)

本文提出了一種應(yīng)用于鐵路車(chē)站安檢區(qū)域的人臉識(shí)別系統(tǒng)解決方案，并在京滬高速鐵路車(chē)站的實(shí)驗(yàn)結(jié)果。該系統(tǒng)的應(yīng)用實(shí)現(xiàn)對(duì)鐵路公安重點(diǎn)人員的信息化、網(wǎng)絡(luò)化、實(shí)時(shí)化的監(jiān)測(cè)和管理，有助于減輕鐵路公安人員的日常工作量，為鐵路公安追逃、維穩(wěn)、治安管理、刑偵破案等工作提供了先進(jìn)的科技手段。本系統(tǒng)雖然在試點(diǎn)測(cè)試中取得了較好的效果，但還需在光照環(huán)境復(fù)雜和優(yōu)化人臉識(shí)別算法等方面做進(jìn)一步研究。

[1]Ming. Yang, David Knegman. Detecting Faces in Images: A Survey[J]. IEEE Trans. Pattern Analysis and Machine Intelligence, 2002, 24(1): 34-58.

[2]Bartlett M S, Movellan J R, Sejnowski T J. Face Recognition by Independent Component Analysis[J]. IEEE Trans. on Neural Networks, 2002, 13(6): 1450-1464.

[3]Lu J, Plataniotis K N, Venetsanopoulos A N. Face Recognition Using Kernel Direct Discriminant Analysis Algorithms[J]. IEEE Trans. on Neural Networks, 2003, 14(1):117-126.

[4]Yongjin Lee, Kyunghee Lee, Sungbum Pan. Local and Global Feature Extraction for Face Reco-gnition[C]. AVBPA 2005,Berlin; Springer, 2005, 219-228.

[5]He X, Yan S, Hu Y. Face Recognition Using Laplacianfaces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(3): 328-340.