王繼超，張麗娟，尤 田，孫東來，回振橋

(1.河北水利電力學院自動化與通信工程學院，河北省滄州市黃河西路49號 061001；2.河北省高校水利自動化與信息化應用技術研發(fā)中心，河北省滄州市黃河西路49號 061001)

隨著疫情在世界范圍內(nèi)的肆虐，利用生物識別手段來實現(xiàn)高效即時的防疫已成為人工智能的新研究方向。面對各個行業(yè)的復工復產(chǎn)，對工作人員或?qū)W生的防疫檢測已經(jīng)成為了當下的主流，但實地落實時還有很多弊端，例如操作過程復雜，人員勞動量大，檢查過程不規(guī)范等，這些都會為防疫落實帶來影響，因此設計智能防疫系統(tǒng)替代人工檢測成為必然，本設計通過人臉識別對被測者進行身份核實與記錄，如果通過核實則進行紅外測溫和口罩檢測，若被測者信息不匹配、體溫異?；蛭磁宕骺谡?，本地便會觸發(fā)異常報警，并將相關信息反饋上云，實現(xiàn)防疫檢測去人工化，達到更高效防疫實施和更精準的防疫效果。

本設計的關鍵是人臉識別技術的應用，而傳統(tǒng)的人臉識別技術是基于可見光圖像的人臉識別，但這種方法受到環(huán)境光照的影響較大，如光照強度變化較大的時候，識別效果會急劇下降。近些年隨著深度神經(jīng)網(wǎng)絡(Deep Neural Networks,DNN)如區(qū)域卷積神經(jīng)網(wǎng)絡(region-convolutional neural network，R-CNN)[1]、快速區(qū)域卷積神經(jīng)網(wǎng)絡(Fast-region convolutional neural network，F(xiàn)ast-RCNN)[2]、更快速區(qū)域卷積神經(jīng)網(wǎng)絡(Faster-region convolutional neural network，F(xiàn)aster-RCNN)[3]、YOLO(You Only Look Once)[4-6]出現(xiàn)和發(fā)展，基于深度學習的圖像處理算法成為主流算法。從傳統(tǒng)的LBP和SIFT特征轉變?yōu)樯疃葘W習的不同層級卷積特征，研究方向也逐漸由單任務二分類演變?yōu)槎嗳蝿諏W習、多粒度層級式學習、多標簽學習等[7]。深度學習算法相對于傳統(tǒng)的人臉識別算法有著明顯的優(yōu)勢，通常在人臉識別過程中想要全面的表現(xiàn)出所有的規(guī)則和規(guī)律是極其復雜的，而神經(jīng)網(wǎng)絡可以通過學習的過程獲得對這些規(guī)則和規(guī)律的隱性表達，它的適應性更強，更容易實現(xiàn)。因此本文使用深度學習技術來實現(xiàn)一個防疫系統(tǒng)的搭建，此系統(tǒng)主要功能如下：

(1)人臉識別算法中加入紅外測溫程序?qū)崿F(xiàn)身份核實的同時完成對體溫的檢測。

(2)檢測被測者是否佩戴口罩，若佩戴口罩則通過，如沒有佩戴則本地報警。

(3)系統(tǒng)可將檢測結果信息上云，如果體溫異常還會顯示在異常人員出現(xiàn)的就幾個被測者信息，將他們劃分為可能異常人群。以便管理者及時作出處理。

(4)云平臺將收集到的數(shù)據(jù)統(tǒng)一進行管理，方便數(shù)據(jù)的監(jiān)控與審查，以便及時與異常人員取得聯(lián)系，降低疫情傳播風險。本設計主要包括人臉識別設計、口罩檢測設計、紅外測溫設計。

1 人臉識別的身份核實應用

生物識別技術領域中，人臉識別是相當引人注意的高新技術之一。人臉識別作為現(xiàn)在常用的身份鑒別手段，被逐漸引入到人們的學習、工作和生活當中[8]。人臉識別是一個具有發(fā)展?jié)撡|(zhì)的領域，也是一個具有極大挑戰(zhàn)力的領域[9]。本設計主要是依托人臉識別的基礎上做的一系列符合當下疫情場景的拓展。下面是我們對人臉識別流程做的改進，以及人臉識別現(xiàn)代方法的實現(xiàn)和選擇。

1.1 人臉識別的流程

人臉識別所需的圖像素材是通過攝像頭獲取的，經(jīng)過圖像預處理后，即可作為素材進行使用。人臉圖像的預處理的目的是規(guī)范化圖像質(zhì)量，以提高人臉特征提取的準確度。常見的用于人臉圖像預處理的操作有調(diào)整明暗、裁剪、濾波、旋轉等?？梢允沟貌杉降膱D像能夠更有利于對人臉圖像進行特征提取[10]。具體流程主要分為人臉數(shù)據(jù)采集、人臉檢測、人臉特征提取、人臉特征對比。流程圖1如下：

圖1 人臉識別流程圖Fig.1 Face recognition flow chart

總體來說對于一個人臉識別系統(tǒng)，圖像匹配的目的是把通過不同傳感器、不同時間拍攝、不同視覺的人臉圖像統(tǒng)一到一個框架下，便于后續(xù)的特征提取和識別，我們將紅外測溫算法加入到人臉特征匹配之后，以實現(xiàn)匹配結果與測溫結果的同時顯示。

1.2 人臉識別設計

1.2.1 基于多分類的人臉識別方法

多分類器方法主要是運用數(shù)據(jù)庫內(nèi)數(shù)據(jù)的整合拼湊來獲取目標圖像數(shù)據(jù)的，首先需要將人臉的不同變化數(shù)據(jù)分別存儲于多個分類器中[11]，每個分類器中儲存一種人臉狀態(tài)。在進行數(shù)據(jù)采集時便將數(shù)據(jù)分成不同種類，再根據(jù)數(shù)據(jù)的分類器儲存數(shù)據(jù)的不同從數(shù)據(jù)庫中提取所需的數(shù)據(jù)。特征提取完成后，將提取到的數(shù)據(jù)進行拼湊疊加，這種識別的方法因為是將大量的表情進行聚類，所以當遇到光照或者表情的變化時，表現(xiàn)得相比于其他的方法要好一些，但也存在著采集系統(tǒng)過于龐大和數(shù)據(jù)傳輸過于緩慢的缺點。

1.2.2 基于幾何識別的人臉識別方法

幾何識別方法是利用人臉器官特征輪廓的分布比例進行數(shù)據(jù)分析，從而構建模型的[12]。主要是將人臉構建一個矢量的人臉幾何模型。Crow曾提出人臉橢圓特征檢測[13]，是將人臉 分為三個部分進行檢測，根據(jù)曲線進行模擬人臉。后又由DR.Gpvindaraju等人進行方法改進，提高了精確度[14]，該方法的缺點就是當人臉的表情不同或體態(tài)不同時都會有較大的影響，導致識別效果不準確。

1.2.3 基于深度學習的人臉識別方法

神經(jīng)網(wǎng)絡的手段是綜合運用深度卷積、網(wǎng)絡級聯(lián)、面部區(qū)域識別等技術，從標簽相關性加權和多分支網(wǎng)絡融合兩方面，綜合研究基于機器視覺的人臉屬性識別技術[15]該方法是現(xiàn)在人臉識別應用的主流技術，基于深度學習的人臉識別識別速度快，適應力強應用場景復雜多樣，弊端是神經(jīng)網(wǎng)絡方法通常需要將人臉作為一個一維向量輸入，因此輸入節(jié)點龐大，其識別重要的一個目標就是降維處理[16]。

1.2.4 人臉識別算法

使用開源的Retinaface人臉識別算法實現(xiàn)人臉識別功能，retinaface是一種魯棒的single stage人臉檢測器，這種算法利用額外監(jiān)督(extra-supervised)和自監(jiān)督(self-supervised)結合的多任務學習(multi-task learning)，能對不同的人臉進行像素級的定位。

1.2.5 實驗數(shù)據(jù)集

Retinface訓練數(shù)據(jù)集使用WIDER FACE數(shù)據(jù)集，數(shù)據(jù)集包括32203幅圖像，其中有393703個人臉邊界框，數(shù)據(jù)集中的人臉圖片在尺度、姿態(tài)、表情、遮擋和光照上存在明顯差異。通過隨機抽取61個場景類別，將WIDER FACE數(shù)據(jù)集按照4：1：5的比例劃分為訓練集、驗證集、測試集。

2 口罩檢測設計

2.1 口罩檢測算法

使用yolov4Tiny目標檢測算法完成口罩檢測功能，yolov4Tiny的算法是一種在保證準確性的同時又增加了檢測速度的高效算法，yolov4Tiny使用特征金字塔網(wǎng)絡提取不同尺度的特征圖，從而獲取更高層次的語義特征，在網(wǎng)絡結構上yolov4Tiny摒棄了yolov4中使用的空間金字塔池和路徑聚合網(wǎng)絡，并且最終只生成兩個featuremap用來檢測結果，使得模型結構輕量化，大大減少了訓練的參數(shù)，進而在保證準確性的基礎上提高目標檢測速度，如圖2.1所示是yolov4Tiny的網(wǎng)絡結構。

圖2 yolov4Tiny網(wǎng)絡結構Fig.2 Yolov4Tiny network structure diagram

2.2 實驗數(shù)據(jù)集及模型訓練

實驗環(huán)境是NVIDIAGeForce RTX 2070GPU，TensorFlow為2.3.0版本，CUDA版本為10.2，CUDNN版本為7.6.5，模型訓練的操作系統(tǒng)為Ubuntu20.10，使用python作為程序設計語言口罩識別識別數(shù)據(jù)集應用的開源的口罩檢測數(shù)據(jù)集一共有圖片2707張，其中包含佩戴口罩和不佩戴口罩兩種數(shù)據(jù) 按照5：3：2的比例分為訓練集、驗證集、測試集。在訓練階段，應用隨機梯度下降對模型參數(shù)進行調(diào)整，設置初始學習率為0.0005，批量尺寸為(batch_rate)為8，設置迭代次數(shù)為200。

2.3 口罩檢測功能效果

實驗最后大約在第120個epoch收斂，平均損失值為3.02。應用時被測者要先進行口罩檢測，檢測佩戴口罩后再進行后續(xù)的人臉識別和體溫測量，如圖3、4分別是不戴口罩是的效果和戴口罩的效果。人臉識別準確率不戴口罩和戴口罩分別可以達到98.57%和98.11%。

圖3 不戴口罩的檢測效果展示圖Fig.3 Rendering without a mask

圖4 戴口罩的檢測效果展示圖Fig.4 Rendering with a mask

3 紅外測溫設計

3.1 紅外測溫的基本構成

紅外線測溫系統(tǒng)主要由顯示輸出電路、光學系統(tǒng)、光電探測器、信號放大處理放大器等部分組成，測量時對準被測物體即可實現(xiàn)測溫。上面我們提到人體可以時刻不斷地向外輻射紅外能量，而紅外線測溫儀的光學系統(tǒng)可以采集這些輻射能量。光學系統(tǒng)將采集到的能量聚焦送到光電探測器上轉變?yōu)橐幌盗械碾娦盘?，這些電信號經(jīng)過信號處理電路內(nèi)設置的算法處理，再經(jīng)過顯示輸出電路，就可以在測溫的屏幕上顯示出被測者的體溫。如圖5所示為紅外測溫系統(tǒng)結構。

圖5 紅外測溫系統(tǒng)結構Fig.5 Infrared temperature measuring system structure

3.2 紅外測溫模塊的選擇

紅外體溫檢測技術在這次疫情時期有了大量的應用，尤其是紅外測溫儀的應用隨處可見。因為大多數(shù)人體疾病產(chǎn)生都伴隨著人體體溫變化。人體體溫的檢測離不開體溫計，隨著科學技術的不斷發(fā)展，越來越多的領域需要用到非接觸式的體溫計[17]。本設計的紅外測溫模塊采用MLX90614紅外非接觸溫度傳感器[18]作為體溫測量的主要載體，TO-39金屬封裝里，同時集成了紅外感應熱電堆探測器芯片和信號處理專用集成芯片。由于集成了低噪聲放大器、17位模數(shù)轉換器和強大的數(shù)字信號處理單元，使得高精度和高分辨度的溫度計得以實現(xiàn)。MLX90614采用I2C協(xié)議與主控板進行通信，I2C總線有簡單性和有效性的特點，傳輸數(shù)據(jù)更快，能更及時將測溫結果反饋。

4 云平臺的數(shù)據(jù)分析與展示

本設計使用NLECloud新大陸物聯(lián)網(wǎng)云平臺，該云平臺開發(fā)便捷，支持所有終端的案例開發(fā)，支持所有開發(fā)語言，數(shù)據(jù)儲存安全方便，儲存采用分布式服務器、分布式數(shù)據(jù)庫，這種結構可將請求壓力平分，能定期數(shù)據(jù)備份和永久歷史保存。

4.1 與云平臺的通信方式選擇

本設計使用TCP協(xié)議來實現(xiàn)本地數(shù)據(jù)的上云，TCP是因特網(wǎng)中的傳輸層協(xié)議，使用三次握手協(xié)議建立連接。當主動方發(fā)出SYN連接請求后，等待對方回答SYN+ACK，并最終對對方的 SYN 執(zhí)行 ACK 確認。這種建立連接的方法可以防止產(chǎn)生錯誤的連接，TCP使用的流量控制協(xié)議是可變大小的滑動窗口協(xié)議[19]。TCP協(xié)議的最大優(yōu)點就是安全可靠，所以可以最安全的與系統(tǒng)進行數(shù)據(jù)的交互，每次運行都會將一組數(shù)據(jù)上傳到云平臺，上傳數(shù)據(jù)包括被測者的身份信息(即被測者的姓名、聯(lián)系方式)、位置信息(現(xiàn)工作或生活位置)和體溫信息，其中身份信息提前與人臉識別的特征一起提前入庫，云平臺對被測者數(shù)據(jù)信息的展示如圖6所示。

圖6 云平臺的數(shù)據(jù)展示Fig.6 Data presentation on cloud platform

為方便本設計的數(shù)據(jù)查詢，可在云平臺進行數(shù)據(jù)的可視化展示。展示數(shù)據(jù)分別是體溫數(shù)、姓名、所在位置以及異常報警。云平臺的可視化界面如圖7所示。

圖7 云平臺的數(shù)據(jù)可視化界面Fig.7 Data visualization interface of cloud platform

4.2 云平臺的綜合管理介紹

該云平臺向內(nèi)可以對數(shù)據(jù)進行統(tǒng)一的監(jiān)測、控制和管理，向外可以提供統(tǒng)一的安全認證和數(shù)據(jù)接口[20]，兼容性好，是一個規(guī)模較大的綜合管理平臺，真正實現(xiàn)了各個設備的數(shù)據(jù)信息統(tǒng)一收集、統(tǒng)一規(guī)劃和統(tǒng)一管理。此外聯(lián)網(wǎng)與各個設備之間以TCP的方式進行數(shù)據(jù)和控制信息的交互。云平臺還對各個設備進行位置標注以實現(xiàn)多點物聯(lián)的功能，達到出現(xiàn)異?？梢择R上發(fā)現(xiàn)并加以管控的效果，實現(xiàn)了對各個設備的統(tǒng)一管理和監(jiān)測。

5 防疫系統(tǒng)設計總結

本文提出了一種疫情期間智能防疫、防疫去人工化的系統(tǒng)設計，首先此設計是通過人臉識別對人員進行身份驗證，通過后進行口罩檢測和紅外測溫對被測者情況做出響應，以上所有數(shù)據(jù)都將實施反饋上云，最后得出的結論如下：

在人臉識別算法中添加紅外測溫功能與口罩檢測功能，符合當前的防疫需要，實際應用場景廣泛。云平臺的數(shù)據(jù)儲存與防疫報警，可有效降低疫情傳播風險，加強防疫保障。