人臉識別系統在鐵路車站安檢區域應用的研究

安 然，王輝麟

（中國鐵道科學研究院 電子計算技術研究所，北京 100081）

人臉識別技術是利用圖像處理和模式識別技術鑒別或驗證身份的一種熱門的計算機安全技術，現已在國家安全、軍事安全和公共安全等方面實現了初步的應用。但因為鐵路車站環境存在人流密度大、治安難度大、環境復雜等特殊的行業應用特點，針對鐵路車站安檢區域的人臉識別系統尚未廣泛應用。

鐵路車站人臉識別系統是在鐵路車站安檢區域通過對旅客人臉圖像的采集、檢測和建模，與鐵路公安設定的重點人員庫進行人臉特征比對，對重點人員進行識別和布控，實現對重點人員的信息化、網絡化、實時化的監測和管理。系統有助于減輕鐵路公安人員的日常工作量，為追逃、維穩、治安管理以及刑偵破案等鐵路公安工作提供先進的科技手段。

1 人臉識別技術概述

人臉識別技術結合數字圖像處理、計算機圖形學、模式識別、可視化技術、人體生理學、認知科學和心理學等研究領域，對采集到的人臉圖像進行分析，確定人臉的位置、大小和姿勢等信息，并提取有效的識別信息進行人臉特征比對，從而實現身份辨認[1]。

1.1 人臉識別技術研究范圍

人臉識別的研究內容包括如下幾個方面[2]：

（1）人臉檢測：從各種環境中檢測出人臉的存在并確定其位置，檢測精度主要受光照、復雜背景、頭部傾斜角度以及各種遮擋的影響。

（2）特征提取：從檢測到的人臉圖像中提取對識別有效的特征信息，是對人臉信息的一種描述方式。

（3）人臉比對：目標人臉在經過人臉檢測和特征提取之后，與重點數據庫中的人臉比對，得出相關結果。

圖1 人臉識別流程

1.2 人臉識別算法

鐵路車站具有人流密度大、治安難度大、安檢時間短和光線環境復雜等較為特殊的行業應用特點，對現場采集到的人臉圖像質量有著很大影響，因此對于應用于鐵路車站的人臉識別系統有著特殊要求。本文采用的人臉識別算法在對特征臉方法進行改進的基礎上再與模板匹配方法相結合，完成人臉識別功能。

特征臉方法由主成分分析方法（PCA）衍生而來[3～5]，其思想是將一副由N個像素組成的圖像看作N維矢量，或者是N維空間中的一點。我們假設人臉圖像在這個高維圖像空間中只占據一個很小的子區域，這樣就可以通過PCA方法得出人臉圖像的優化坐標系。通過這種方法對人臉子區域坐標進行降維，通過較少的參數來表示高維人臉圖像，從而降低了計算復雜度。

對于人臉識別而言，需要盡最大可能區分不同的人臉特征，原始的特征臉方法是所有人臉共用一個降維人臉子空間，而我們采用的方法是為每個人臉建立一個私有子空間，這樣能更好地描述不同人臉之間的差異性，增加多個訓練樣本。

對于M●N的人臉圖像，D=M●N就是人臉圖像空間的維數。設n為樣本數；Xj表示第j幅人臉圖像的人臉向量，則樣本協方差矩陣：

其中，u為樣本的平均圖像向量：

再設A=[x1-ux2-u……xn-u],則可得出協方差Sr=AAT，維數為D●D。

根據奇異值分解定理，設l（ii=1,2,……,r）為矩陣ATA的r個非零特征值，vi為ATA對應于li的特征向量，因此AAT的正交歸一特征向量ui：

其中，i=1,2,……r，特征臉空間為：w=(u1,u2，……，ur)。再將樣本投影到特征臉空間，經過變換后得到投影向量Ω=wTu，作為人臉特征值向量，構成用于比對的重點人員數據庫。

在得出特征臉數據庫結果后，再利用模板匹配方法進行識別比對，將兩種方法相結合。模板匹配方法中的模板變形可以充分利用特征臉區域的全局信息，因此能較好地檢測出特征。彈性模板匹配方法具有在一定程度上容忍光線干擾的特性。通過對特征臉方法與模板匹配方法相結合，增強了系統對鐵路車站復雜環境下的識別能力。

2 鐵路車站人臉識別系統

2.1 鐵路車站人臉識別系統組成

鐵路車站人臉識別系統軟件架構由前端采集、預處理、比對識別、輸出和管理等模塊組成。系統能夠將被檢人員與鐵路公安指定的重點人員數據庫進行逐一的特征比對，根據輸出比對結果，發現并確認數據庫內注冊過的重點人員。系統總體架構和功能結構如圖2和圖3。

（1）前端采集模塊

前端采集模塊用于采集人臉圖像，包括網絡攝像機、LED補光燈、網絡交換機、本地存儲NVR和視頻監控管理終端等硬件部分。人臉識別軟件客戶端運行在視頻監控管理終端上，通過網絡攝像機完成對進入安檢區域的乘客人臉特征的采集。

（2）預處理模塊

預處理模塊對來自前端采集模塊的人臉圖像進行人臉的檢測、跟蹤、分割和校正等處理，提取人臉特征信息，實現人臉建模，包括人臉識別技術中的人臉檢測和人臉特征提取兩大部分。經過預處理后的人臉圖像被提取出特征值，等待與重點人員數據庫中的人臉特征進行下一步的比對。

圖2 鐵路車站人臉識別系統架構圖

圖3 鐵路車站人臉識別系統功能結構圖

（3）比對識別模塊

該模塊用于將預處理后的人臉特征信息與重點人員庫進行人臉特征的逐一比對，計算輸出人臉相似度或相似隊列等識別結果，滿足一對一的身份驗證和一對多的動態比對識別功能。該模塊使用到的硬件有：人臉比對服務器、千兆網絡交換機和NVR等設備。

（4）輸出模塊

輸出模塊用于顯示人臉識別結果及報警信息，提供圖形化監控界面和用戶管理界面。方便安檢區域現場工作人員與民警進行實時的核對。

（5）管理模塊系統管理模塊實現人臉圖像建模信息的入庫及存儲，系統的軟硬件配置與設備管理，用戶權限設定，系統日志管理，報警信息的輸出顯示和及時發送，對重點人員庫的管理和維護等功能。

2.2 鐵路車站人臉識別系統功能

人臉識別系統在鐵路車站的應用必須克服苛刻的環境條件，在滿足系統功能需求的同時盡量提高系統響應速度。應用在鐵路車站的人臉識別系統應具有如下功能。

（1）人臉圖像采集和人臉檢測

鐵路車站人臉識別系統除完成多來源的人臉圖像采集外，還需實現以下人臉檢測需求：實時人臉檢測并完成單人和多人人臉圖像檢測；多角度人臉檢測；不同表情人臉檢測；復雜背景下的人臉檢測；有遮擋情況和針對臉部飾物的人臉檢測。

（2）人臉特征提取

人臉特征提取是人臉識別中的核心步驟，直接影響識別精度。特征提取針對干擾因素，提取出具有穩定性和有效性的人臉信息，可綜合多種人臉特征提取方法，完成對苛刻環境下人臉特征的提取。

（3）人臉比對

人臉比對的結果關系到人臉識別的準確程度。人臉比對的速度與重點人員數據庫的容量有關，同時也直接影響到系統響應時間的長短，應用于車站安檢區域的人臉識別系統應具有較高的人臉比對速度。人臉比對分為一對一比對和一對多比對，前者主要應用于身份驗證；一對多的比對既可用于對乘客照片、視頻的事后比對，也可用于實時視頻的動態比對。

（4）報警管理

報警管理是人臉識別系統中必不可少的功能。報警功能直接關系到人臉識別系統的使用效果，車站安檢區域的報警需要考慮人流量大、安檢時間短、人員可控性差等環境特點來設計并實現報警功能。

車站安檢區域人臉識別系統的報警管理需完成如下功能：完成報警提示并實時更新報警日志；支持多種可劃分的報警級別；報警結果第一時間通過短信、彩信方式發送給監控指揮中心及指定民警；完成對報警時間點前后時間段的視頻存儲；支持多種方式的報警提示等。

（5）重點人員數據庫管理

人臉識別系統需要完成數據庫系統的管理和維護，以滿足各種環境與監控模式下的數據庫應用需求。對數據庫的管理維護功能包括數據導入、數據庫維護、數據庫相關參數配置、數據導出、人臉數據建模和數據編輯等。

（6）輸出顯示

識別結果的輸出顯示是民警現場人工確認和事后二次確認的依據。人臉識別系統的輸出顯示內容與報警功能相關聯，需要在識別輸出結果中顯示報警時間和地點、報警等級和報警日志等信息。

（7）系統管理

系統管理即完成對各個系統模塊的管理。系統管理功能包括：系統配置管理；設備配置管理；系統日志管理和用戶管理等，同時系統還需要預留與其他系統的接口，方便系統升級與維護。

2.3 鐵路車站人臉識別系統性能

鐵路車站人臉識別系統性能如下：

（1）比對速度：30萬/s；

（2）建模速度：70張/s；

（3）人臉偏轉角度：上下≥15°；左右≥25°；

（4）多人臉同時識別數：≥5人；

（5）系統響應時間：≤1 s；

（6）采集率：≥95%；

（7）正識率：≥80%；

（8）漏識率：≤20%；

（9）誤識率：≤2%。

3 鐵路車站人臉識別系統測試結果

結合京滬高速鐵路沿線各個車站安檢區域的不同情況和試點工程的實施進度，給出鐵路車站人臉識別系統的具體測試結果。

3.1 硬件環境

（1）比對服務器配置：24核Intel5600 CPU，主頻2.4 GHz，43 GB DDR3內存；

（2）采集端PC配置：4核 I5 CPU，主頻2.9 GHz，內存4.0 GB；

（3）攝像機：泰科1080P高清攝像機AV2115AI；

（4）數字錄像機NVR：泰科M155。

3.2 軟件環境

（1）操作系統：Windows Sever2003 ；

（2）數據庫：Oracle。

3.3 比對數據量

10萬CCIC人像庫，2011年6月～2011年11月新增罪犯庫。

表1 人臉識別軟件測試性能情況

3.4 測試結果

表1為人臉識別軟件測試性能情況表。表中，各統計參數的定義與計算公式如下：

（1）采集率即為通過安檢區域乘客人臉信息被采集到的概率；

（2）正識率即為重點人員庫中已有人員被識別出的概率；

（3）漏識率即為未被識別出人臉圖像信息的被測人員概率；

（4）誤識率即為非測試人員被誤識別的概率；

（5）β+γ=100% （5）

4 結束語

本文提出了一種應用于鐵路車站安檢區域的人臉識別系統解決方案，并在京滬高速鐵路車站的實驗結果。該系統的應用實現對鐵路公安重點人員的信息化、網絡化、實時化的監測和管理，有助于減輕鐵路公安人員的日常工作量，為鐵路公安追逃、維穩、治安管理、刑偵破案等工作提供了先進的科技手段。本系統雖然在試點測試中取得了較好的效果，但還需在光照環境復雜和優化人臉識別算法等方面做進一步研究。

[1]Ming. Yang, David Knegman. Detecting Faces in Images: A Survey[J]. IEEE Trans. Pattern Analysis and Machine Intelligence, 2002, 24(1): 34-58.

[2]Bartlett M S, Movellan J R, Sejnowski T J. Face Recognition by Independent Component Analysis[J]. IEEE Trans. on Neural Networks, 2002, 13(6): 1450-1464.

[3]Lu J, Plataniotis K N, Venetsanopoulos A N. Face Recognition Using Kernel Direct Discriminant Analysis Algorithms[J]. IEEE Trans. on Neural Networks, 2003, 14(1):117-126.

[4]Yongjin Lee, Kyunghee Lee, Sungbum Pan. Local and Global Feature Extraction for Face Reco-gnition[C]. AVBPA 2005,Berlin; Springer, 2005, 219-228.

[5]He X, Yan S, Hu Y. Face Recognition Using Laplacianfaces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(3): 328-340.