人臉識別技術在軌道交通閘機口人物身份判定報警應用探索

周夢麟

摘 要：基于動態人臉識別技術，在軌道交通閘機口對過往人員進行臉部數據采集提取，與基礎數據庫中的人員進行比對分析，從而對人員身份進行判定報警。該應用探索適用于大部分通道型依據人臉特征進行身份判定的場景。

關鍵詞：軌道閘機；動態人像；人臉識別；身份判定報警

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2017）05-00-02

0 引 言

隨著我國平安城市建設的推進，對城市治安防控的技術支撐要求也越來越高，傳統的技術手段越來越難以高效解決日益增長的人員流動安全防控問題。城市地鐵作為一類特殊的封閉交通環境，是需要更高級別安全監控的場所。因此，相比于一般公共場所需要提供更高級別的安全防范技術手段和措施。

人臉識別技術作為生物識別技術的一種，目前已在我國公安系統的戶籍和治安等業務管理中得到應用，并取得了很好的效果。這類應用主要是在基于靜態的證件照、正面標準照的基礎上，比對照片與數據庫照片來判別身份，其應用環境質量較好。在城市軌道交通閘機動態場景下，針對過往行人無序走動過程中，能夠把實時采集的人臉數據與照片庫進行比對，原有的基于靜態比對方法及技術手段已無法達到實際管理效果和要求。因此，探索軌道交通動態環境下人臉識別技術應用研究具有重要的社會價值和現實意義。

1 動態人臉識別技術基本原理

動態人臉識別技術包括人臉數據采集和比對兩個主要技術環節。人臉照片數據采集的質量越好，比對的準確率就越高。目前人臉采集主要有抽幀截圖法與人物軌跡法兩種。

抽幀截圖法采用人臉抓拍攝像頭抽幀或從視頻流里直接抽幀，是把單幀作為獨立照片進行處理的方法，每張照片提取的特征碼都具有人臉的部分特征。

人物軌跡法是根據視頻流中人的行走軌跡圖像的漸變來判斷人物身份，并從中截取多張質量較好的照片進行分析處理，提取當前過往行人面部多個細節的特征碼，進而提高比對的準確率。

從目前的實際應用來看，在這兩種方法中，依據人物軌跡法獲得的照片及特征碼要優于抽幀截圖法獲得的照片及特征碼，其比對質量和準確率更高。

2 環境場景中攝像頭選型及架設要求

根據常規視頻流的人臉采集方法，需選擇有200萬像素以上的高清攝像頭，能夠支持RTSP視頻流輸出，同時需要為人臉采集應用提供單獨一路碼流，其網絡帶寬占用為6 Mb/s，網絡前后端需要設固定的IP地址。為提高已有裝備設備的利用率，技術選型要盡量采用能夠支持多攝像頭廠商設備的人臉識別技術。

鏡頭選擇依據架設攝像頭與被拍照人員閘口的距離決定，理論上講，距離越遠，越需要中長焦攝像頭，相應攝像頭的架設高度也應進行適當調整。一般情況下，攝像頭架設高度應控制在2.5～2.9 m之間。攝像頭架設示意圖如圖1所示。

攝像頭架設位置應盡可能正對閘機出入口，使出閘機人員面部處在視頻橫向圖像的左五分之一到右五分之一之間，使人流走向盡量朝向攝像頭。如有覆蓋不足的個別區域，可適當傾斜攝像頭角度，調整相應姿態以獲取較好的圖像質量。

3 環境場景中服務器的基本要求

根據通道人流量的情況，經測試，目前一般單臺參數為E5-2650V3×2/64G的服務器可以支持不超過4路攝像頭的人像采集與比對計算要求。當人流量較大時，因會增加服務器計算資源需求量，一般要采取適當減少攝像頭接入路數等方式予以解決。

隨著硬件GPU技術的不斷進步更新，設備制造成本降低，隨著廠商人臉識別算法對GPU的不斷支持與優化，預計未來可以實現單臺GPU服務器支持超過20路以上的視頻接入。

4 用于比對的基礎報警庫準備

報警庫就是為采集每張照片在入庫提取特征碼后，提供實時比對的人臉照片數據庫。理論上講，基礎報警庫越小，其報警準確率越高；反之，基礎報警庫越大，其誤報率也就越高。目前，我們在寧波交通軌道實際應用場景中，采用的是6萬張基礎報警庫。從寧波全市目前每天軌道交通客流30萬人次的實際應用來看，每日比對次數約為180億次。如果是特大城市，對人臉動態識別技術和處理能力的要求會更高。

5 動態人臉識別技術應用的幾個重要參數

5.1 人臉抓拍率

人臉抓拍率即在實際場景中實時采集到的人臉數量與實際過往人數總數的比值。人臉抓拍率越高，表明對視頻中過往行人情況采集的能力越強，其數量指標也就越好。較高的人臉抓拍率需要較高的服務器計算資源，因此，在實際人流量較大的區域，應適當增加服務器數量或提供更高配置的服務器資源。

5.2 報警閾值

報警閾值需提前設置，且應依據不同場景、不同警力配備進行設置。如在安保要求較高、警員人力充沛的大型活動中，可設置較低的報警閾值，盡量避免漏報，可對因增多的誤報有充足的警力進行人工排查；對一般普通場景，在警力配備不多的情況下，可以設置較高的報警閾值，盡量避免誤報，允許適當漏報。

5.3 漏報率

漏報率即應報警而未報警的人數與應報警總人數的比值。在不同動態人臉識別算法中，應盡量選擇漏報率較低的算法；在相同動態人臉識別算法情況下，因漏報率與誤報率密切相關，因此要依據不同的場景進行合理選擇。

5.4 誤報率

誤報率即報警錯誤的人數與實際報警總人數的比值。由于漏報率降低會造成誤報率上升。因此在實際工作中，需要在系統運行一段時間后，依據警力情況將誤報率、漏報率設置在一個穩定的區域。

6 軌道交通應用中選型測試及方法

6.1 重點測試不同廠商動態人臉識別系統的報警準確值

報警準確值是決定能否真實判斷一個目標人員身份的重要指標，只有比對成功有效，才能夠產生實際應用效果。從我們的實踐來看，在考察報警準確值階段，要盡可能投入充足的警力，對系統報警的信息進行逐一核對確認，基于上述數據形成統計分析報告，可以對不同廠商提供的人臉識別技術系統進行分析對比。

6.2 全面判斷動態人臉識別系統漏報率與誤報率的均衡性

在實際應用過程中，漏報率和誤報率必須要達到一定程度的均衡才有實際意義。均衡的標準是在報警準確值達標的情況下，盡可能減少一線警員的排查工作量，同時還能獲得較好的應用效果。均衡性考察的目的是使一線警員有余力兼顧處理其他工作，不會過多占用警力在大量的排查工作中。

6.3 優先選擇原創算法廠商的動態人臉識別系統

目前，人臉識別技術在人工智能的引領下快速發展，國內能夠提供動態人臉識別相關解決方案的公司也越來越多。但就人臉識別技術本身而言，總體還處于初始階段，還有較長的發展進程。因此，在技術使用早期階段，相當長的一段時間內還會存在對人臉識別算法不斷迭代、優化升級的問題，所以選擇擁有原創算法的廠商會有較好的可靠性，能夠針對軌道交通治安監控實際，做出更有針對性的技術改進，有利于優化實景應用效果。

7 結 語

隨著基于深度學習的人工智能發展，人臉識別技術在近兩年獲得了突飛猛進的發展，尤其在公安應用業務中，取得了顯著的成績，并顯現出了巨大的應用前景。在基層實際應用工作中，要依據不同的應用場景和應用條件，選擇合理的人臉識別應用技術，向科技要警力，不斷提升城市治安管控的科技水平，彰顯信息技術的巨大作用。

參考文獻

[1]黃存東，劉仁金，楊思春.基于特征融合和流形增強的視頻人臉識別[J].計算機工程，2012，38（9）：193-196.

[2]張丹.一種融合流形學習的視頻人臉性別識別改進算法[J].電訊技術，2012，52（6）：1031-1034.

[3]李苗在，谷海紅.人臉識別研究綜述[J].電腦知識與技術 （學術交流），2011，7（24）：5992-5994.

[4]梁永睿.基于谷歌眼鏡的人臉識別系統設計與實現[J].物聯網技術，2016，6（6）：28-29.

[5]亢潔，王曉東，潘思璐.基于VPM642的人臉識別算法的實現[J].物聯網技術，2015，5（11）：17-19.

[6]張立東，潘志福，胡志毅，等.人臉識別技術在上海軌道交通中的應用[J].城市軌道交通研究，2011，14（a01）：19-24.

[7]張玉亮，蘇宇，李嘉偉，等.基于無線傳感網絡的智能家居安防系統[J].物聯網技術，2015，5（6）：28-31.

[8]張嫄.城市軌道交通系統的閘機中圖像處理與識別技術[D].天津：天津大學，2006.