|
作者：陳彪 吳成東 鄭君剛 沈陽(yáng)建筑大學(xué)理學(xué)院信息科學(xué)與控制學(xué)院 時(shí)間：2009-10-12 來(lái)源:電子產(chǎn)品世界 引言 在智能建筑的門(mén)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(shù)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(zhù)廣泛的應用。人臉識別有著(zhù)方便、友好的特點(diǎn)，防欺騙性和安全性高，是人工智能領(lǐng)域和建筑智能化領(lǐng)域的研究熱點(diǎn)之一。 本文研究了結合ID技術(shù)和人臉識別技術(shù)的門(mén)禁與報警系統。結合ID技術(shù)可以使檢索信息直接鏈接到人臉庫中對應的人臉圖像類(lèi)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(mén)禁安防報警系統的傳輸和存儲效率。人臉識別技術(shù)的應用，更加提高了門(mén)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(shí)現程序進(jìn)行鏈接，用戶(hù)可以非常方便地對人臉圖像仿真識別系統進(jìn)行操作使用，系統運行結果直觀(guān)地顯示出來(lái)。 智能門(mén)禁安防報警系統結構 智能門(mén)禁報警系統如圖1所示，主要包括以下幾個(gè)部分。 
門(mén)禁終端根據傳輸過(guò)來(lái)的不同的識別信號執行打開(kāi)或關(guān)閉門(mén)的動(dòng)作，也能根據門(mén)的狀態(tài)發(fā)出不同的提示或報警信號。電鎖與門(mén)禁控制器相互連接，識別信號傳輸至門(mén)禁控制器轉換為控制信號驅動(dòng)電鎖，控制門(mén)的開(kāi)關(guān)。 結合ID卡和人臉識別技術(shù)的門(mén)禁安防報警系統，能夠通過(guò)來(lái)訪(fǎng)者的ID卡號和人臉圖像信息判斷是否為本部人員，或者來(lái)訪(fǎng)者是否為公安部門(mén)公布的網(wǎng)上通緝人員，有效地控制門(mén)禁通道開(kāi)關(guān)和報警后的安保措施。 局域網(wǎng)連接著(zhù)若干門(mén)禁控制器和門(mén)禁服務(wù)器，是傳輸門(mén)禁日志數據和其他重要數據信息的通信通道。門(mén)禁報警系統的局域網(wǎng)要和其他局域網(wǎng)相互分隔，在封閉性的環(huán)境中單獨使用。門(mén)禁安防報警系統的局域網(wǎng)采用總線(xiàn)式布局，易于安裝和日常維護。 門(mén)禁控制器傳輸的有關(guān)通行人員進(jìn)出日志或者其他重要的門(mén)禁狀態(tài)信息數據，由門(mén)禁報警服務(wù)器負責準確可靠地接收。門(mén)禁報警服務(wù)器對接收到的門(mén)禁狀態(tài)信息數據進(jìn)行實(shí)時(shí)解析，將判斷信號發(fā)送至控制系統驅動(dòng)門(mén)禁及安防報警執行裝置，同時(shí)將有關(guān)工作信息存入數據庫服務(wù)器中，以備日后查詢(xún)。 后臺管理程序實(shí)時(shí)監控各個(gè)出入口的人員進(jìn)出情況，將捕獲的人臉圖像實(shí)時(shí)處理。后臺管理程序發(fā)送提示或者報警信息以及人臉模板數據信息給門(mén)禁控制器，同時(shí)，顯示人臉圖像或者文檔信息等有關(guān)判別結果。 數據庫服務(wù)器負責存儲和檢索門(mén)禁進(jìn)出日志、相關(guān)人臉圖像等門(mén)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(gè)模塊(見(jiàn)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(guò)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�；谡四槇D像的向量求取特征空間時(shí)，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(shí)，對識別速度會(huì )有很大影響。進(jìn)行加權特征處理，則使人臉識別問(wèn)題得到了很好的解決。 在進(jìn)行人臉圖像識別方法的對比分析時(shí)，通過(guò)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(jìn)行人臉識別。選擇基于子圖像的識別方法之后，進(jìn)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(jīng)過(guò)幾何尺度與灰度的歸一化處理，進(jìn)行人臉圖像矩陣的奇異值分解。本文采用雙線(xiàn)性插值方法對圖像進(jìn)行尺度歸一化。幾何歸一后的圖像再經(jīng)灰度均衡化處理，人臉圖像的直方圖均衡化是實(shí)現圖像增強一種有效途徑。 研究發(fā)現人臉的不同特征在識別過(guò)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(shí)，通過(guò)模塊中功能設置的選取，設定鏈接進(jìn)行人臉子圖像的特征提取。 人臉圖像的特征提取方法實(shí)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(guò)的人臉圖像分為N個(gè)子塊;(5)將每一幅圖像變?yōu)橐粋�(gè)列向量(先分別將每一個(gè)子塊所有向量排成一列，再將N個(gè)子塊按順序排成一列);然后以子塊為單位進(jìn)行;(6)計算全部人臉圖像的均值;(7)計算每一類(lèi)人臉圖像的平均臉同時(shí)將人臉圖像列向量與類(lèi)內平均臉做差。 利用訓練學(xué)習過(guò)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(jìn)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(gè)選項分別鏈接著(zhù)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(shí)與待測人臉圖像對應的特征空間進(jìn)行對比識別。 將YALE人臉圖像庫中選定的圖像進(jìn)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(shí)時(shí)調用。加入新的人臉圖像的類(lèi)別樣本時(shí)，需要重新針對所有樣本圖像進(jìn)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(zhù)基于貝葉斯估計的分類(lèi)識別方法、基于RBF網(wǎng)絡(luò )和貝葉斯分類(lèi)器融合的人臉識別方法兩個(gè)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(jìn)行數據壓縮，對每個(gè)特征分塊設計一個(gè)貝葉斯分類(lèi)器，最后將這些分類(lèi)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(lèi)器(FBBC)的總數，是Ii與Ij的第b個(gè)特征塊之間的差值。是由第b個(gè)貝葉斯分類(lèi)器計算出的類(lèi)條件概率密度。wb是第b個(gè)貝葉斯分類(lèi)器對應的權值。 RBF神經(jīng)網(wǎng)絡(luò )識別模塊 RBF神經(jīng)網(wǎng)絡(luò )為三層結構(如圖4所示)。
訓練時(shí)：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(shí)現聚類(lèi)算法，其中，si為隱含層第i個(gè)神經(jīng)元的寬度;輸出層類(lèi)別k的輸出值為：
式中，w(k，i)為隱含層第i個(gè)節點(diǎn)與輸出層第k個(gè)輸出節點(diǎn)的連接權值。 測試時(shí)：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(lèi)器估計測試樣本與訓練樣本之間的人臉圖像相似度，滿(mǎn)足閾值初始化設定值的人臉圖像和相關(guān)類(lèi)別情況的文字說(shuō)明顯示于相應界面內。滿(mǎn)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(shí)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(jìn)行實(shí)驗(識別結果見(jiàn)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(mǎn)足閾值要求的人臉圖像輸出情況和必要的文字說(shuō)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(shí)驗結果表明，通過(guò)子圖像權值的分配，突出人臉骨骼特征，識別效果良好(見(jiàn)表1和表2)，模擬了人類(lèi)識別人臉時(shí)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(diǎn)。通過(guò)對人臉圖像進(jìn)行分塊，降低圖像維度，減小了計算量。 結語(yǔ) 本文研究了在智能門(mén)禁報警系統中，人臉識別結合ID技術(shù)的仿真應用問(wèn)題，驗證了基于RBF網(wǎng)絡(luò )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(mén)禁系統的安全性和防欺詐性，與ID技術(shù)相結合，實(shí)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(wǎng)的應用環(huán)境。在本文所研究的算法基礎上，使用MATLAB語(yǔ)言開(kāi)發(fā)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(hù)可以非常方便地對人臉圖像仿真識別系統進(jìn)行操作使用，對所研究的人臉識別方法進(jìn)行仿真測試與對比分析，系統運行結果非常直觀(guān)地顯示出來(lái)。 參考文獻： [1] 陳彪, 吳成東, 鄭君剛. 基于RBF網(wǎng)絡(luò )和貝葉斯分類(lèi)器融合的人臉識別方法[J]. 電子產(chǎn)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(fā)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 |
