基于PCA+ICA人臉識別技術的考勤系統設計

雷耀花 劉東宏

(廣州華夏職業學院，廣東 廣州 510935)

1 引言

當前智能考勤系統在各大企業的員工考勤、大學生宿舍門禁等領域應用普遍。考勤系統的好壞直接關系到企業員工管理是否科學，目前企業常用指紋識別、人臉識別、人工簽到等方式進行考勤，人臉識別考勤系統的非接觸式使其具有明顯的優勢，相比其他兩種應用更加廣泛，但是這種技術也存在缺陷，比如更換眼鏡、光線不足等情況下識別不了，需要重新錄入數據庫樣本等。針對這些缺陷，本文研究使用PCA+ICA的人臉重建技術完成眼鏡摘除操作，直方圖均衡化技術完成圖像增強的效果，大大提升了人臉識別考勤系統的識別率。

2 智能考勤系統的結構

智能考勤系統[1]的各個終端常安裝于辦公大樓一樓電梯口等位置，員工上班時間刷臉，調出人臉數據庫中保存的數據進行比對，使用人臉識別技術，輸出匹配結果，完成打卡過程。整個公司的各個終端通過局域網連接在一起，達到信息共享，一套人事管理系統即可管理所有在職員工。布線簡單，維護工作量較少，安全性與可靠性極高。后臺管理程序采用MySQL數據庫來存放人臉數據庫信息，在刷臉的同時將其信息存入日志文件供日后考勤統計，導出存儲的數據即可。

3 智能考勤系統的工作過程

智能考勤系統的數據庫中存放著人臉圖像、人臉特征數據、簡單的員工個人信息。該系統運行過程中的流程主要有如下步驟：

(1)刷臉系統開啟。攝像頭掃描到有員工人臉信息輸入時自動開啟，將掃描到的信息作為人臉樣本待匹配，其他時間整個系統待機。

(2)圖像預處理。當掃描到的人臉圖像存在光線過差、噪聲太大、部分遮擋時就需要對其預處理，采用昏暗圖像增強、小波去噪[2]、眼鏡摘除等處理，并通過主成分分析方法處理數字圖像數據供匹配識別。

(3)人臉識別。提取圖像預處理階段得到的數字信息的PCA特征子空間，并與智能考勤數據庫中的人臉特征庫進行匹配，輸出顯示查找到的人員信息，將數據存入日志文件備查。

如將智能考勤系統與安防門禁相結合使用，可將其終端安裝在門禁即可。攝像頭掃描刷臉后與公司數據庫相匹配，同時與在逃通緝人員數據進行比對，一經發現即刻報警；如不能識別則提示換角度重新錄入圖像再次識別，可設置系統重新識別的上限；若仍然不能識別，則進行登記處理。將人臉識別技術應用到安防、考勤、門禁等系統，可使其發揮更好的防偽功能。

4 人臉圖像仿真系統的設計

整個智能考勤系統中人臉識別技術為其核心內容，其包含如下模塊：

(1)文件模塊的設計

文件模塊是整個識別的開始，主要完成正面人臉圖像的讀入。人臉的面部分布特征、輪廓線、骨骼特點是人臉識別過程中重要的特征點。然而使用整張面部特征在進行特征提取的時候，大大加大了算法的時間及空間復雜度。所以降低圖像的像素，特征空間降維就顯得尤為重要，我們使用加權特征的方法進行處理。

(2)圖像預處理模塊的設計

將獲取的人臉樣本圖像轉化為灰度圖像，可不需要處理三通道的RGB圖像，存儲空間大大降低，同時減少了需要處理的數據。將樣本進行尺度歸一化和灰度均衡化處理，同時采用直方圖均衡化的方法來完成圖像的銳化，使圖像特征更加清晰。

(3)人臉特征提取模塊的設計

在訓練樣本庫或者識別過程中，設置進行人臉圖像子空間特征點的提取。其步驟如下：

1)選取CAS_PEAL中的正面人臉圖像數據進行樣本庫的訓練。

2)把將選取的樣本人臉圖像進行下采樣降維。

3)把選取的樣本人臉圖像進行直方圖均衡化處理。4)把灰度處理，降維處理后的樣本分為n個子空間。5)把n個子空間用n個向量表示。

6)求所有子空間向量的均值。

7)求得樣本庫的平均臉。

8)測試工程中使用測試樣本與平均臉進行差值求出差圖像，求出匹配程度。

(4)人臉數據庫模塊的設計

人臉數據庫主要完成人臉樣本圖像的存儲，存儲著人臉圖像面部分布特征、輪廓線等空間特征，用來在測試過程將其相同的特征空間進行匹配。將CAS_PEAL中的中國人臉庫進行圖像特征提取，求得特征臉存儲于mysql數據庫中，用于測試過程。當需要將新的人臉圖像存入數據庫中時，需要再次進行特征臉的訓練。在匹配的過程中我們使用(PCA主成分分析方法)將在下一小節進行介紹。

5 眼鏡摘除方法

5.1 基于PCA+ICA的人臉重建

PCA(主成分分析法)[3]采用二階的統計數據，在表現人臉具體細節較薄弱時，只能表現大致輪廓特征。因此，結合能夠同時處理二階和高階統計數據的ICA(獨立分量分析)方法，能夠表示人臉的幾何分布同時將細節輪廓呈現出來，可補充PCA方法不能呈現細節信息的缺陷。本文采用PCA+ICA的方法，發揮起各自優勢完成人臉特征提取匹配。提取被遮擋區域后重建完整的人臉圖像，眼鏡摘除處理過程流程如圖1所示：

圖1 眼鏡摘除處理過程流程

5.2 眼鏡遮擋區域提取

眼鏡遮擋區域的提取流程為三個步驟：

(1)將樣本數據Bi直方圖均衡化后得到By，使用PCA+ICA得到補償圖像Br。

(2)將補償圖像Br與直方圖均衡化圖像By相減求得差分圖像Bz，即為眼鏡遮擋區域圖像。

(3)再使用PCA(主成分分析法)結合ICA(獨立分量分析法)，對差分圖像進行迭代重建。

差分圖像Bz獲取的成功與否直接影響重建圖像效果的真實性。為了能夠合成自然的無遮擋人臉，整個提取過程詳細描述如下：

(1)直方圖均衡化圖像By(如圖2(a))與補償圖像Br(如圖2(b))相減求得差分圖像(如圖2(c))。

(2)將差分圖像Bc二值化求出二值化圖像Be(如圖2(d))。

(3)將二值化圖像Be連通，消除分散點求得圖像Bm(如圖2(e))。

(4)將Bm里面的各個遮擋位置，逐個篩選消去小范圍部分，同時根據眼鏡對稱性的特點調整遮擋區域形狀獲得鏡框圖像Bg(如圖2(f))。從該圖像可以看出提取的鏡框存在缺少的情況是鏡面反光造成，但其對后期重構人臉圖像效果影響不大。

圖2 提取過程效果圖

5.3 眼鏡摘除

上面章節中的獲得的鏡框區域圖像Bg，用來合成人臉中被眼鏡遮擋的區域，同時用沒有被眼鏡遮擋的部分作為補償圖像。

上式中，By為直方圖均衡化后的測試樣本數據，Br,t是迭代過渡圖像，Bb,t誤差補償圖像，w為所選取的因子，圖像中鏡框區域其值為1，其他區域則為0。由于求得的Bb,t圖像存在灰度不均現象，需選取選擇式掩膜進行平滑[4]。在迭代的過程中，使用PCA+ICA技術復原的誤差補償圖像進行二次迭代，直到誤差補償圖像在迭代過程中變化很小的時候，循環結束。求得最終數據樣本Bh。

本文從CAS_PEAL數據庫中挑選500個人的正面圖像以及其對應的500張佩戴眼鏡圖像，并且使用特征點眼鏡嘴巴，統一為60×60尺寸的圖片，同時對圖像進行了預處理操作。利用PCA與ICA相結合的人臉重構方法，能夠合成自然、完整的無眼鏡人臉，并且通過在MATLAB仿真實驗數據表明其可以增加人臉識別考勤系統的識別率，當出現戴眼鏡的樣本時，可以通過重構無眼鏡人臉來完成樣本的識別。

6 結語

本文設計的員工智能考勤打卡系統，采用人臉識別技術代替傳統打卡、指紋、簽到等接觸式考勤，相比來說應用更加方便，快捷無接觸，給員工上班帶來極大的便捷。對于安全性要求較高的企業來說效果很好。同時為了解決員工佩戴眼鏡或者更換眼鏡后識別不了的情況，本文使用了PCA+ICA的人臉識別技術，提高了員工打卡的效率。

[1]李青云．智能考勤系統的設計與實現方案研究[J]．網絡安全技術與應用，2016(12)：75+77．

[2]王旭，王昶．一種改進小波閾值去噪方法的研究[J]．大地測量與地球動力學，2017(10)：1038-1041+1078．

[3]Yunbing Huang，Janos Gertler，Thomas J．McAvoy．Fault Isolation by Partial PCA and Partial NLPCA[J]． IFAC Proceedings Volumes，1999，32(2)．

[4]包正睿，楊任爾．基于閾值的數字圖像去噪的算法研究[J]．微型機與應用，2015，34(01)：47-49．