劉晶晶

摘? 要： 高校圖書館的借閱往往是通過校園一卡通的形式進行管理，此類管理方式相對繁瑣，管理上效率較低，為實現(xiàn)高校借閱系統(tǒng)的更好管理，探究基于嵌入式人臉識別的高校圖書館借閱系統(tǒng)。嵌入式人臉識別的驗證方式克服了平常校園卡借閱的繁瑣性和不易管理性。通過將人臉特征數(shù)據(jù)傳送到云端，并借助外端攝像頭進行人臉比對，做出合適的人臉識別驗證，實現(xiàn)便捷安全的人臉識別借閱，提高借閱系統(tǒng)的管理便捷性和用戶本身信息的安全性。經(jīng)過進一步的系統(tǒng)完善與實踐查證，該系統(tǒng)便捷可行。

關鍵詞： 高校圖書館; 借閱系統(tǒng); 系統(tǒng)設計; 嵌入式人臉識別; 生物特征比對; 信息安全

中圖分類號： TN911.23?34? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）20?0037?05

Design of university library borrowing system based on embedded face recognition

LIU Jingjing

（Hubei University of Technology， Wuhan 430068， China）

Abstract： As the borrowing of university library is usually managed in the form of campus card， which is relatively tedious and inefficient， a university library borrowing system based on embedded face recognition has been explored to realize the better management of the university borrowing system. The verification mode of embedded face recognition has overcome the tedious and unfavorable management of borrowing with campus card. By transferring the face feature data to the cloud， and using the external camera for face comparison， the appropriate face recognition verification is made， and the convenient and safe borrowing according to the face recognition is realized， which can improve the management convenience of the borrowing system and the security of users′ own information. The results of further system improvement and practice verification indicate that the system is convenient and feasible.

Keywords： university library; borrowing system; system design; embedded face recognition; biological feature comparison; information security

0? 引? 言

隨著科學技術(shù)的發(fā)展，以生物特征為基礎依據(jù)的識別技術(shù)發(fā)展越來越迅速，相關方面的應用也被更多地應用到生產(chǎn)生活當中。繼已經(jīng)相當成熟并且應用相對普及的指紋識別技術(shù)之后，人臉識別技術(shù)也得到了更多的重視與應用[1]。而今人臉識別技術(shù)在圖書館借閱系統(tǒng)方面的應用，主要是針對在高校圖書館當中，需要紙質(zhì)借閱登記或者是借閱卡進行圖書借閱的情況。人臉識別技術(shù)更好地實現(xiàn)了高校圖書館借閱系統(tǒng)的人性化、智能化以及高效化。嵌入式人臉識別的應用，使得高校學生能夠?qū)崿F(xiàn)更好地與圖書館借閱系統(tǒng)之間的交互。

1? 人臉識別技術(shù)簡述

1.1? 人臉識別的定義

人臉識別技術(shù)是一種以生物特征為基礎的識別技術(shù)，它借助計算機技術(shù)，通過對人臉的特征分析與確認，實現(xiàn)對不同人臉的精確識別[2]。

人臉識別技術(shù)包含三個步驟，即對人臉進行檢測、對人臉進行追蹤以及對人臉進行比對。對人臉進行檢測的過程，是指在監(jiān)測畫面當中確認是否有人臉的過程;對人臉進行追蹤，是指在監(jiān)測畫面當中檢測到人臉時，對人臉進行追蹤，從而提取對應的人臉特征;對人臉進行比對，就是將已經(jīng)提取的人臉特征數(shù)據(jù)與數(shù)據(jù)庫當中已有的人臉數(shù)據(jù)進行比對。人臉識別的流程圖如圖1所示。

1.2? 人臉識別的現(xiàn)狀

首先進行人臉識別這一技術(shù)研究的是美國，當前國外對人臉識別的研究相對成熟的國家是德國、美國以及日本。我國關于人臉識別技術(shù)的對應研究相對較晚。我國的人臉識別盡管迅速，但是由于起步較晚，仍然有很大進步與完善的空間。人臉識別目前的應用領域主要體現(xiàn)在社會保障、安全監(jiān)管、銀行、軍隊、政府以及電子商務等各個方面。其具體的人臉識別應用場景如表1所示。

人臉識別最為重要的應用場景是安全防護以及身份認證，尤其在一些安全等級要求相對較高的場合，人臉識別的應用也相對廣泛，如在機場、運動場、政府機關、圖書館、銀行以及檔案館等各種場合，其門禁系統(tǒng)已經(jīng)廣泛采用人臉識別的方式來進行對應的身份驗證。隨著科學技術(shù)的發(fā)展和人們生產(chǎn)生活的需要，在筆記本電腦以及手機等隱私性要求較高的私人物品上，也采用了人臉識別的方式進行安全驗證。從2019年9月份的蘋果發(fā)布會上，其推出的iPhone X就采用了人臉識別的方式進行手機解鎖。同時，其人臉識別的功能也能夠被引用到相應的軟件管理以及手機內(nèi)置的電子支付管理系統(tǒng)上[3]。

同時，更為精密的人臉識別技術(shù)也被應用到公共安全方面，具體的應用主要體現(xiàn)在配合警察更為高效的破案。當前人臉識別的精確度已經(jīng)足夠可以支持實際的破案工作。人臉識別的技術(shù)盡管已經(jīng)日趨完善，但是人臉識別作為AI技術(shù)的組成部分，只有與AI技術(shù)的其他部分，如動作識別等相互結(jié)合，才能實現(xiàn)更進一步的高效化和精準化。從當前情況來看，人臉識別的應用領域更為廣泛，其技術(shù)應用也更為成熟，人臉識別的應用不僅是在門禁系統(tǒng)、考勤系統(tǒng)，也應用到醫(yī)療系統(tǒng)的各個方面。隨著信息技術(shù)的不斷發(fā)展，人臉識別技術(shù)的應用范圍越來越廣，同時其發(fā)展也更加遠程化、多元化、多維化和自動化。

2? 生物特征識別與人臉識別技術(shù)的聯(lián)系

2.1? 生物特征識別概述

生物特征識別的主要優(yōu)勢在于，其所供識別的生物特征依據(jù)難以遺忘、無法復制且隨時隨地都能夠“攜帶”。具體來說，生物特征識別包括兩大類，一類是基于行為特征的生物特征識別，一類是基于身體特征的生物特征識別。行為特征主要是指語音動態(tài)、面部表情、行走步態(tài)以及簽名筆跡等，身體特征主要包括臉型、眼睛、虹膜、指紋掌紋、靜脈、視網(wǎng)膜、骨骼以及DNA等[4]。同時，以何種身體特征作為生物特征識別的基本依據(jù)，也應當考慮對應特征識別所需設備技術(shù)是否成熟，成本是否合適等實際問題。具體生物識別技術(shù)的對比如表2所示。

在表2中，指紋識別在采集以及設備成本上相對較低，但是其偽造程度相對較高，安全性不能夠得到更好保障;DNA識別以及虹膜識別盡管具備較高的安全性，但是采集方式復雜，設備成本較高，對于高校圖書館借閱系統(tǒng)而言并不合適。因此，高效圖書館借閱系統(tǒng)的身份識別方式，可以采用設備成本較低，安全性可靠且采集便利的人臉識別來進行相關認證[5]。

2.2? 人臉識別技術(shù)的優(yōu)勢

在各大高校當中，通常通過RFID技術(shù)進行對應的智能驗證。RFID技術(shù)的識別速度相對較快，并且識別精度較高。當前情況下，人臉識別、指紋識別以及RFID技術(shù)是使用頻率較高并且相對合適的特征識別方式。三類技術(shù)的具體比較如表3所示。

與人臉識別相比，RFID技術(shù)主要存在以下劣勢。首先是其證件與持卡人不能保證絕對統(tǒng)一，在借閱卡片丟失、被盜、借用以及數(shù)據(jù)復制等情況下，RFID技術(shù)不能做出更為精確的篩選。這就導致高校圖書館以及相應的檔案地區(qū)無法做到絕對安全，在保密性、安全性要求較高的地方，仍需通過人工識別的方式進行甄別，不能夠?qū)崿F(xiàn)絕對的自動化。對于指紋識別來說，以當前的科學技術(shù)十分容易復制對應的指紋，指紋識別無法保證基于生物特征的不可復制性，會導致以下一系列的問題：一是所造成的損失存在連續(xù)性，當用戶的指紋數(shù)據(jù)被盜時，如果防范不夠及時，很有可能被不法分子破解用戶通過指紋設置的其他云端信息，造成一系列的信息丟失和個人損失;二是無法做到及時的防范，指紋識別不同于卡片式的認證方式，用戶無法及時知悉自己的指紋數(shù)據(jù)是否被盜，不能做到及時的防范;三是恢復程序十分復雜，用戶進行掛失以及補辦時，在相應程序上要比校園卡繁瑣許多[6]。

針對RFID技術(shù)和指紋識別技術(shù)的弊端，人臉識別技術(shù)的優(yōu)勢主要體現(xiàn)在以下幾個方面：一是識別精度相對較高，當前的人臉識別技術(shù)的發(fā)展，能夠最大程度地實現(xiàn)不同光照下的人臉識別，精度相對較高;二是人臉識別技術(shù)可追蹤，通過對應的視頻技術(shù)，人臉識別技術(shù)能夠及時掌握高校圖書館的各種動態(tài)，對館內(nèi)人員的身份進行識別，并且對目標人員進行鎖定和追蹤;三是獲取的信息相對準確，人臉識別技術(shù)能夠通過用戶的人臉數(shù)據(jù)關聯(lián)其身份和一些基本個人信息，并建立相關數(shù)據(jù)庫，方便人員的信息管理和查找;四是人臉識別的安全性相對較高，當前的人臉識別同時是動態(tài)識別，用戶必須到達現(xiàn)場才能夠驗證成功，能夠相對完整地保證生物特征識別的不可復制性。綜上所述，相比于指紋識別和RFID技術(shù)識別，對于高校圖書館的借閱系統(tǒng)而言，人臉識別應當是最為合適的選擇。

3? 嵌入式人臉識別借閱系統(tǒng)

嵌入式人臉識別借閱系統(tǒng)以刷臉的方式進行用戶信息的獲取，主要包括的模塊有圖像識別、圖像采集以及特征提取等。人臉識別通過將收集到的數(shù)據(jù)與云端信息進行比對，做出對應的人臉特征篩選與身份甄別。人臉識別技術(shù)具備精度高、操作簡單、投資較小以及結(jié)果明了等優(yōu)點。

3.1? 人臉識別的方案設計

以嵌入式人臉識別為基礎依據(jù)的高效圖書館借閱系統(tǒng)主要借助FaceCore開放平臺進行設計。通過嵌入式的視頻對前端的人臉數(shù)據(jù)進行采集并且上傳到云端，通過云端的數(shù)據(jù)處理并且進行人臉的對應姿態(tài)估計，從而提取出對應的人臉特征，最終實現(xiàn)數(shù)據(jù)的比對和用戶身份的核實。系統(tǒng)采用的是映射?協(xié)議框架，能夠?qū)⒉杉降拿娌刻卣鲾?shù)據(jù)進行數(shù)據(jù)分割之后傳到云端，從而實現(xiàn)更好的面部特征提取，來應對光線、肥胖、年齡以及角度等各種客觀環(huán)境對人臉造成的影響[7]。其具體流程如圖2所示。

3.2? 人臉識別借閱系統(tǒng)的實現(xiàn)

人臉識別的借閱系統(tǒng)首先要對高校師生的臉部進行數(shù)據(jù)采集，并將采集的數(shù)據(jù)傳到云端。而后，通過灰度變化、二值化、光線補償以及對比度增強等各種方式進行人臉的處理，處理完成之后，建立各自對應的人臉特征碼存儲到云端，并進行相應備份。借閱者在圖書借閱時，攝像頭將對借閱用戶的面部進行拍攝，并將拍攝信息上傳云端，云平臺迅速對上傳圖像進行處理，并且生成對應的人臉識別碼，將此識別碼與之前數(shù)據(jù)庫中的人臉識別碼進行比對，從而做出精確的篩選與匹配[8]。系統(tǒng)的流程如圖3所示。

3.2.1? 注冊人臉

設備在啟動后，對攝像頭拍攝的人臉進行讀取，并將人臉圖像對應的特性值、相關用戶信息以及人臉的照片保存到云端。

3.2.2? 人臉信息的導入

在對用戶的面部收集完成上傳到云端之后，云平臺會對人臉圖像進行精密的圖像處理、分析與監(jiān)測，當前使用的方法主要有以下四種。

1） 光線補償?shù)姆绞?。在光線補償中，圖像中的所有像素按照從高到低的方式依次排列，通常選擇排在前5%的像素對其進行對應的線性放大，從而使所取像素的平均亮度能夠接近極大值，以此來消除光線不平衡時造成的色彩失衡。光線補償情況如表4所示。

2） 灰度變化?；叶茸儞Q旨在進一步改善畫質(zhì)，使得圖像的整體質(zhì)量更為清晰明了。灰度變化往往通過依據(jù)特定變換法逐點對原圖像當中的各個像素的灰度值的方法來實現(xiàn)。其變化圖如圖4所示，灰度變化如表5所示。

3） 二值化方法。二值化是指彩色圖像在做出對應的灰度化處理之后，對對應的灰度照片做出二值化的處理。二值化旨在對用戶的背景進行提取和分類，便于后續(xù)的人臉識別工作的進行。通常采用閾值法對灰度照片進行二值化處理，也就是說，通過圖像中背景與目標人臉的差異，對其進行不同的級別劃分，以實現(xiàn)背景與目標的分離[9]。二值化的編碼如圖5所示，二值化詳見表6。

4） 對比度增強。對比度增強是只通過對圖像當中的亮度值所顯示的范圍進行壓縮或者拉升，實現(xiàn)局部或者全局的對比度的提高[10]。對比度的編碼詳見圖6。

3.2.3? 檢索人臉

在人臉圖像的收集以及云端進行對應的備份之后，高校圖書館的攝像頭在定位到用戶時，系統(tǒng)會以動態(tài)圖像或者是圖像檢索的方式進行人臉的識別與監(jiān)測，同時將收集到的人臉數(shù)據(jù)與云端數(shù)據(jù)進行對比，以進行最終的比對。如果收集數(shù)據(jù)與云端數(shù)據(jù)一致，則驗證通過，準許用戶進行借閱;如果不一致，則驗證失敗，不能借閱[11]。

動態(tài)圖像檢索是指以對應的網(wǎng)格為基本模板，將圖像比對轉(zhuǎn)換為網(wǎng)格之間的相互比對，通過動態(tài)鏈接結(jié)構(gòu)進行人臉的定位和匹配。動態(tài)圖像檢索適用于畫面中存在多個人臉或者是不同的膚色、尺寸、光照條件以及姿態(tài)等各種復雜條件下的人臉識別[12]。動態(tài)圖像檢索詳見表7。

靜態(tài)圖像檢索是指攝像頭在拍攝到靜態(tài)人臉圖像時，能夠?qū)㈧o態(tài)人臉圖像與數(shù)據(jù)庫進行自動比對，進行對應的人臉識別，詳見表8。

3.3? 結(jié)果分析

實驗測試通過對不同性別、不同年齡的100名人的面部圖像進行識別，從不同的角度、背景、表情以及光照進行測試，其驗證結(jié)果如表9所示。

表9表明，基于嵌入式人臉識別的高校圖書館借閱系統(tǒng)可行性強，具備足夠的準確性和實時性，切實可行，可被廣泛應用[13]。

4? 結(jié)? 語

與傳統(tǒng)的校園卡進行圖書館借閱相比，人臉識別具備更好的便捷性和安全性，同時更為直觀和精準。相比于指紋識別及RFID技術(shù)等其他生物特征識別技術(shù)，人臉識別投資更少，精度更高。以嵌入式人臉識別為基礎依據(jù)的高校圖書館借閱系統(tǒng)，能夠更好地實現(xiàn)高校圖書館的借閱與管理工作。

參考文獻

[1] 張靜端.基于人臉識別技術(shù)的圖書館門禁系統(tǒng)的研究[J].現(xiàn)代電子技術(shù)，2016，39（18）：99?103.

[2] 杜紅軍，李巍，趙永彬，等.基于OpenStack體系的云計算基礎架構(gòu)研究[J].吉林大學學報（信息科學版），2018，36（2）：213?217.

[3] 張泊平.云計算平臺下的人臉識別[J].現(xiàn)代電子技術(shù)，2016，39（18）：88?90.

[4] 王維秋，劉春麗.基于人臉識別技術(shù)的我國圖書館智慧服務功能設計與模式構(gòu)建[J].圖書館學研究，2018（18）：44?50.

[5] 陳娟，忽曉偉，陳志鵬.嵌入式實時系統(tǒng)中劣質(zhì)數(shù)據(jù)動態(tài)檢測方法研究[J].科學技術(shù)與工程，2017，17（17）：277?282.

[6] 初琦，丁鋮，李偉.基于嵌入式系統(tǒng)及現(xiàn)場總線的液壓支架壓力監(jiān)測平臺設計[J].煤炭工程，2017，49（4）：13?15.

[7] 楊文艷.圖書館計算機管理系統(tǒng)的總控設計與實現(xiàn)研究[J].微型電腦應用，2018，34（4）：70?72.

[8] 曾瑞，羅亞泓.基于AR技術(shù)的高校嵌入式圖書館導覽系統(tǒng)設計[J].圖書情報工作，2018，62（20）：57?64.

[9] 周秋霞，楊春杰.基于物聯(lián)網(wǎng)技術(shù)的智慧圖書館監(jiān)控管理系統(tǒng)設計[J].自動化與儀器儀表，2018（11）：85?88.

[10] 廖姜男，姜楠，宋海濤，等.基于嵌入式技術(shù)的全液壓鉆機參數(shù)監(jiān)測軟件設計[J].煤田地質(zhì)與勘探，2019，47（2）：13?19.

[11] FERNANDES S， BALA J. Performance analysis of PCA?based and LDA?based algorithms for face recognition [J]. International journal of signal processing systems， 2013， 1（1）： 1?6.

[12] AHONEN T， HADID A， PIETIKAINEN M. Face recognition with local binary patterns [M]. Heidelberg： Springer， 2004： 469?481.

[13] HINTON G E， OSINDERO S， YEE?WHYE T. A fast learning algorithm for deep belief nets [J]. Neural computation， 2006， 18（7）： 1527?1554.