廖玥靈,馬敏耀,2,令狐蓉,魏晗*,段先連,李興龍

(1.貴州師范學院 數(shù)學與大數(shù)據學院,貴州 貴陽 550018;2.貴州師范學院 網絡空間安全重點實驗室,貴州 貴陽 550018)

0 引言

由于科技革命的催生,各行各業(yè)都向著數(shù)字化轉型。 在這樣科技騰飛的大背景下,智能門禁系統(tǒng)應運而生。 本文主要介紹一種新型智能門禁系統(tǒng),此系統(tǒng)裝配在家居防盜門或其他需要身份認證的場景中。 諸如指紋、聲音此類傳統(tǒng)的生物識別技術,或受內外因素干擾等原因導致識別效率較低,或對技術實施要求較高而難以普及推廣應用,與此同時也存在安全問題。與上述識別技術相比,面部識別技術對環(huán)境的依賴性低,可用性高,可以高效、準確地對目標人群的身份進行核實。 由于面部識別的高精確性可應用于視頻監(jiān)控、目標搜索等諸多領域。 基于人臉識別的新型智能門禁系統(tǒng)突破性地采用面部識別技術專攻身份認證、安全識別領域,形成高可用、高精度的解鎖方式。 采用基于卷積神經的機器學習并建立了龐大的數(shù)據集以供訓練機器,使得對面部特征的識別更加準確。

1 總體設計

新型智能門禁系統(tǒng)的總體設計主要包括數(shù)據采集、數(shù)據匹配、數(shù)據集添加3 個方面。 系統(tǒng)整體結構如圖1 所示。 數(shù)據采集是利用OpenMV 等信息采集模塊對人臉特征信息進行提取、收集,從而建立系統(tǒng)圖像庫。 數(shù)據匹配模塊工作時,將當前獲取到的面部特征信息載入圖像庫內進行特征匹配預處理。 該過程將節(jié)約大量圖像處理時間的同時,較少正確率的損失[1]。經過預處理匹配失敗將進一步收集用戶的面部特征信息,計算出面部特征向量。 運用特征向量進行深度匹配,同時本次深度匹配獲取的特征將加入數(shù)據集中以供機器進一步學習,從而達到正反饋的效果,進一步提高系統(tǒng)魯棒性。 此次深度匹配確定密碼數(shù)據集中無此面部信息,則禁止其使用該系統(tǒng)。 若使用數(shù)字密碼或備用實體鑰匙的方式,則可以將面部特征加入密碼信息集內以供解鎖使用。

圖1 新型智能門禁系統(tǒng)總體框

2 系統(tǒng)關鍵技術設計與實現(xiàn)

2.1 面部特征信息采集模塊設計

面部特征信息采集模塊主要作用是分辨并采集待識別人員的面部特征信息,后將其添加到人臉學習數(shù)據集中。 其工作原理如圖2 所示。 具體工作及實現(xiàn)方法如下。

圖2 面部密碼采集流程

2.1.1 面部信息辨別

局部二值模式(Local Binary Pattern,LBQ) 是用來描述圖像局部特征的算子,具有灰度不變性和旋轉不變性等顯著優(yōu)點。 該算子常應用于面部識別與目標檢測,OpenMV 官方庫提供了該算子的應用接口,其中集成了Haar 算子和傳感器的相關配置,對其進行調用即可便捷、準確地辨別面部信息。

2.1.2 面部圖像信息采集

系統(tǒng)利用OpenMV 官方庫中的cv2.VideoCapture()方法讀取到完整、準確的視頻流,隨后將截取到的面部信息在本地進行存儲[2],并將所有面部信息用特定標簽備注,在系統(tǒng)運行過程中針對采集到的面部信息,判斷其是否存在備注標簽,若存在則利用MTCNN 模型對此類面部信息圖像進行提取檢測,隨后將該面部圖像信息保存到本地面部數(shù)據集。

2.1.3 面部特征信息提取

對于本地面部數(shù)據集,采用Facenet 模型對面部特征進行提取,處理后的圖像信息經過機器學習后將會獲取到一個多維特征向量。 該特征向量將作為面部信息匹配的依據。

2.1.4 構建面部特征信息數(shù)據集

該階段的主要目的是將面部特征信息提取階段獲取到的多維特征向量與其在本地面部數(shù)據集內的標簽進行匹配存儲,提高了后續(xù)面部特征匹配的速度、正確率。

2.2 面部特征信息識別模塊設計

面部特征信息識別模塊主要作用是對系統(tǒng)使用人員的面部特征進行采集,即通過OpenMV 模塊對待測人員面部信息進行實時讀取、識別[3]。 面部密碼識別模塊工作流程如圖3 所示。 具體工作及實現(xiàn)方法如下。

圖3 面部識別流程

2.2.1 讀取本地數(shù)據集

系統(tǒng)啟動后,面部信息采集模塊讀取本地面部特征數(shù)據集,集合中存儲的面部特征向量和標簽備注信息將在特征匹配的結果輸出中發(fā)揮作用。

2.2.2 解析數(shù)據集生成圖像集

多任務卷積神經網絡(Multi - task Cascaded Convolutional Networks,MTCNN)是一種基于深度學習的面部檢測算法。 該算法可以高效地完成面部檢測和面部對齊工作,在目前面部檢測算法中處于優(yōu)先選擇的地位。 首先,對圖片進行Resize 操作[4],將待操作圖片縮放成不同分辨率,生成圖像集。 其次,將該集合送入以下3 個P-Net、R-Net、O-Net 子網絡中進行訓練,從而增加對面部大小檢測的適應性,實現(xiàn)對多尺寸檢測的要求。

2.2.3 計算特征向量并進行面部特征的量化匹配

Facenet 算法用于處理相同面部下不同角度、姿態(tài)形成的差異。 具體通過計算特征向量L 獲取一個閾值,從而實現(xiàn)了面部檢測的量化計算,增強了面部檢測算法MTCNN 的準確度。 特征向量計算公式如下:

面部信息識別模塊將載入的面部特征向量進行吻合測試。 吻合測試原理:計算載入的特征向量之間的距離[5]。 根據上述公式計算出特征向量間距L 后,若間距L 在規(guī)定范圍內,則認為面部信息匹配成功,否則匹配失敗并返回錯誤信息[6]。

3 結語

對于傳統(tǒng)門禁設備,密鑰有可復制性,故安全性較差。 基于面部識別的新型智能門禁系統(tǒng)開創(chuàng)性地采用了MTCNN、Facenet 等算法使面部匹配從二維平面識別,升級到3D 立體識別,有效防止因利用圖像、視頻信息導致的非法解密,同時針對傳統(tǒng)的生物識別技術有著不可復制性、操作簡單、準確度高等優(yōu)勢,經過測試在實用場景下正確率、識別速度均達到預期效果,證實了該設備具有操作可行性。