SCI论文（www.lunwensci.com）:
摘要：当前,校园安防主要借助于专门的保安人员来对非校内人员进行甄别,这种方式不仅甄别准确性较低,并且效率也较低。为了对此问题进行解决,研究出一种以机器视觉技术为基础的校园安防智能识别系统。该系统可以对出入校门的人脸影像图进行动态采集,并根据OpenCv等算法,对这些采集到的影像图进行动态分析,然后对这些影像图的人脸特征进行检测。借助于数学算法对其进行处理,从而完成相应的人脸特征信息提取,这样就能将其与存储的信息进行对比,从而对出入人员进行动态甄别。这种方式不仅有着较高的甄别准确性,同时还具有颇高的检测效率,具有较高的推广与研究价值。
关键词：人工智能；机器视觉；人脸检测；校园安防
Design of Campus Security System for Face Image Recognition Based on Artificial Intelligence
DONG Xinyi
(Chuzhou Application Technical School,Chuzhou Anhui 239500)
【Abstract】：At present,campus security mainly by special security personnel to screen non-campus personnel,this way not only screening accuracy is lower,and the efficiency is lower.In order to solve this problem,a campus security intelligent identification system based on machine vision technology is developed.The system can dynamically collect the face image of the entrance and exit of the school,and according to the OpenCv algorithm,dynamic analysis of the collected image,and then detect the face features of these images.With the help of mathematical algorithm to process it,so as to complete the corresponding facial feature information extraction,so that it can be compared with the stored information,so as to carry out dynamic screening of people in and out.This method not only has high screening accuracy,but also has high detection efficiency,and has high promotion and research value.
【Key words】：artificial intelligence;machine vision;face detection;the campus security
0引言
伴随着人工智能技术的不断发展,人们也对此技术产生了较高重视,其中机器视觉技术在此领域应用最为广泛,工业自动化与日常生活中都会运用到此技术。部分学者在研究中以立体物体为对象,根据其表现色彩特征来进行相应的表示,目前表现色彩的系统主要由Lab、RGB等系统,由此给出差异性的灰度值。当前机器视觉技术得到颇为广泛的运用,这种技术涉及到镜头、光源、各种算法等,将信息技术、图像处理技术进行了综合,因此是一种典型的综合性学科,在工业、日常生活中已经得到较为广泛性的运用。譬如借助于该技术,对产品的缺陷进行动态检测,同时在工业高精度检测方面也获得了颇为广泛运用。如今,很多校园、工厂等也积极借助于该技术增强自身的安保能力,因为该技术不仅能够全天候进行监控,同时还能在发现异常时,还能自动进行报警。
1人脸识别技术
1.1概述
人脸识别别名又称人像识别,是根据人类面部具体特点,对要识别的人脸进行一系列数据分析,之后根据计算机人脸识别算法进行判断。首先会先扫描图像或者视频中有无人脸存在,经过扫描如果有人脸的存在,会依据人面部各个器官和大小获取相应信息,之后会依据得到的信息进行数据分析,与图像库中人脸进行比对,进而可以识别出扫描人身份。通常手机人脸图像都是利用摄像机来完成的,人脸识别算法是否高校、准确是人脸识别技术的核心内容。
1.2系统整体结构框架设计
软件模块与硬件模块构成了人脸识别的校园安防智能识别系统。在校园安防系统中包含的图像数据信息都是由Gbps接口进行通讯与分析,之后扫描到的人脸图像信息进过数据分析流程之后会在控制端显现[1]。关于网络拓扑结构如图1所示。
2人脸识别流程
人脸识别可以概括为三个方面的内容,分别是人脸识别、人脸检测与人脸特征。第一步是利用摄像机进行扫描人脸图像,之后进行数据分析判断该图像中是否有人脸的存在。如果在该图像中检测到人脸,就会进一步通过进行分析面部特征,各个器官大小等信息对图像采取形态学分析,为后续进特征提取做准备[2]。最后对检测到的特征进行分析训练,将待识别的人脸信息与数据库中人脸信息进项比较分析,最后判断各个身份,具体人脸识别流程如图2所示。
2.1人脸采集
人脸采集首先要在计算机中创建一个人脸数据库,之后在视频照片或者摄像设备中获取人脸特征信息,在将视频图片中的人面部区域进行提取,利用人面部特征区域保存在计算机中。而对于校园安防系统来说,其中最主要获取人脸信息的方式就是通过摄像设备中进行提取学生面部特征。
2.2人脸检测
在辨识人脸过程中,人脸检测无疑是其中颇为关键的一环,具体就是在影像图中找到人脸信息,包括这些人脸信息所处于的大小与位置。当前,这种识别算法模型较为丰富,其中以深度学习为基础的算法则有着颇高的精准性,为此已经成为当前主流性算法。这种算法通常将CNN为基础,借助于卷积来对图像特征进行提取,由此有着颇高的检测精准度,不过在速度上则不具有优势。目前MTCNN技术不仅有着较高的精度,同时也有着颇高的检测速率[3]。为此,本次在研究中就选用了该模型。此算法模型结构主要涉及到三个CNN,分别对应的是“P、R、O”NET,可以对人脸进行三层检测,并能对人脸位置进行定位。在检测过程中,首先将采集到的图像进行金字塔处理,这样就能对大小不同的人脸图像进行动态检测。在成功处理后,就可以利用12×12的窗口(具有滑动性),来对影像图进行随机采样,随后就能导入至P-NET卷积网络,由此构建人脸候选框,随后对其进行非极大值抑制,从而将富裕的边框进行消除,接着就能完成定位与分类。R-NET卷积网络提供了全连接层,相较于前者,增添了定位工作,同时还能检测关键点。它能够将前者网络得到的候选框,借助于定位模块对那些与预期存在着较大出入的候选框进行去除,并利用调整窗口、NMS对提取出来的候选框加以优化,这样就能获得更为精准的候选框。最后,就能将那些人脸区域导入至O-NET之中,后者与中者在结构上具有相类性,不过后者的卷积层要比中者增加一个,能够对中者得到的结果进行精准计算,并能传递出修正值与置信度信息[4]。这样通过对候选框的多次修正,就能获得精准的候选框与人脸特征点位置信息。
2.3人脸识别
如今,人脸识别算法大致可以分为两个方面：第一,以特征分析为核心的方法；第二,以整体为基础的分析法。谷歌早在2015年就成功推出了FaceNet模型,能够对人脸进行动态识别。该模型运用卷积神经网络技术,对原始人脸影像图进行深度学习,并将其折射式欧式空间,这样就能通过判断欧式距离来精准甄别人脸相似度[5]。
同一个人脸的不同影像图,在欧式空间中的距离很小,而不同人员的人脸图将会在此空间中存在着颇大的距离。此外,该模型还进一步引入了损失函数,来对样本之间的距离误差进行评价,在具体训练之际,为NN带来不同的识别难度,使之找到和自身最不相类的对象,同时也能辨识出最象他人的影像图。接着利用梯度下降法,来对自身样本差距进行显著减短,由此增加与其他主体的差距,从而实现最优,并能对模型学习能力进行显著提升。该模型可以借助于损失函数(Triplet Loos)来对NN进行训练,其传递的特征向量空间则达到128维度[6]。Triplet Loos最主要作用就是保证一个人其中的两个图像之间要小于这个人与其他人之间特征距离。
3硬件模块设计
3.1工业相机
校园门口外大部分会聚集较多人,有必要对校园门口外人群进行检测与识别。人们面部图像是不断变化的,人们在运动时,脸上的光也在不断变化,为得到更为精确与清晰的人脸图像,特此选择一台拥有六百万像素的504 10 MER GM P—面阵工业相机,它的帧率是10FPS。最主要可以确保正确辨别陌生人面部是校园安防系统的重要任务,全部选定的帧速率均为10-FPS。同时,为了进一步提高摄像设备分辨率和获取到更加高清的人脸面部图像,本次实验采用黑白面阵相机。
3.2工业镜头
因为笔记样本是平面的,所以采取工业摄像设备,选择型号为2.1/6 Cinegon,焦距设置成六毫米,面部像素为200,因此拍摄事业足够大,可以获取到较为完整的人脸面部图像。
3.3光源
从光源角度来看,校园门口人是在不断运动,人的面部也是在不停变化与运动,很难捕捉到人静止的面部图像。人的面部图像还会受到环境光的干扰,所以本次采取的是红光光源,灯珠角度是六十度,它的设备型号是664160MVRLXAV--,六十度的灯珠可以实现补光的最大程度。
3.4硬件主要参数
对于智能校园人脸识别系统,想要保证此系统发挥出最大作用,就要保证工业相机、传感器、光源以及工业镜头之间形成梁高合作。第一步启动传感器之后,它为摄像头采集信息并开始手机人脸面部图像,之后通过人脸识别App流程处理之后,就完成了学校门口陌生人人脸检测。
4安防系统处理流程
4.1系统处理流程设计
软件系统是校园人脸识别安全系统的主体部分,它不仅仅是与人之间互动的重要手段,也是展现安全检测结果的重点界面。整个系统中最难点是进人脸面部检测一系列过程,首先需要对人脸图像进行一步一步分析处理,这一系列流程都是通过人脸特征算法来完成的,包括后续的人脸特征检测,人脸特征算法贯穿整个系统。
4.2处理界面设计
软件的显示界面就是人与人脸识别的校园安防系统有关的唯一途径,其中软件显示的界面是利用主次功能和分层设计来完成的,还利用到了OpenCv开发的数据分析算法。
4.3实验与分析
对于现在大中小学校来讲,放在第一位的肯定是学校安防问题,所以人脸识别智能系统研究非常重要,对校园门口陌生人实时进行人脸检测有利于学生人身安全。学校门口无时无刻都会有陌生人的出现,每个人面部图像都不相同,并且白天夜晚或者有光的情况下,光度不同,所呈现人面部图像也不相同。想要解决此问题,就要使用工业相机可以适应不同光度的变化依旧能呈现清晰的人脸图像。如何将人面部图像快速准确识别出来是完成校园安防智能化的前提,也是提升校园安防效率的主要内容[7]。当前有人脸检测系统与安保人员进行测试,对学校门口陌生人脸进行检测,在相同环境下进行测试。安保人员与人脸检测系统同时检测60张人脸,平均实验6次。之后从结果的错误次数进行分析,人脸检测系统错误率较小,效率较高,错误率最高是1.7%,相反人工错误率比较高,达到了6.8%。对于此次实验,人脸检测系统效率明显高与人工,且错误率较小。
5结语
校园安防系统(以人脸辨识技术为核心),能够对出入人员的身份信息进行快速甄别,并对他们的出入时间进行精准记录,并对其进行动态监控、分级授权等。在提升校园安全的前提下,还能对其进行科学的安全管理、监控和自动化报警,显著提升校园的安防水平。通过进行实验分析,人脸识别系统不仅错误率较小,并且具有较高的人脸识别效率,可以对不同人脸进行准确检测,这一点正是所有校园安防系统所需要的。此人脸识别系统对于校园安防系统来说具有重要意义,可以解决各个学校校园安防问题。
参考文献
[1]李迎,甘霖.关于人脸识别技术与其应用于智慧校园的思考[J].电脑知识与技术,2019,15(4):169-170.
[2]李萌昕.基于深度学习的人脸检测和识别关键技术研究与实现[J].深圳大学学报(理工版),2020,37(S1):92-94.
[3]兰雯飞,张盛兰,朱容波,等.基于改进MTCNN的人脸检测算法[J].中南民族大学学报(自然科学版),2020,39(6):637-641.
[4]游飞,杨怡.人脸识别技术在智慧社区门禁系统中的建设与应用[J].自动化与仪器仪表,2020(8):198-201.
[5]苏珊,聂士杰,颜丙生,等.基于机器视觉的SMT元件引脚连锡自动检测[J].组合机床与自动化加工技术,2018(12):63-65+69.
[6]王吉豪,陈奎,王顺,等.基于机器视觉的位置感知与轨迹跟踪的研究[J].工业控制计算机,2018,31(12):56-57.
[7]曹继项,张军,陈国栋.基于机器视觉的直角机器人直线度检测方法研究[J].机床与液压,2018,46(22):108-111+145.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/39995.html
