適應變電站進出監控需求的人臉快速識別方法*

李存海，江浩俠，胡金磊，李桂昌，林孝斌

（1.廣東電網有限責任公司清遠供電局，廣東清遠 511500；2.廣州市奔流電力科技有限公司，廣東廣州 510670）

0 引言

目前變電站的進出監控依賴于人為的核準與監督，其中人工核驗需要用戶配合，不免存在效率低下和準確率受限于檢驗人員工作效能的問題[1-2]。基于機器學習的人臉檢測技術具有不必用戶主動配合、準確率高以及檢測效率不隨時間變化而降低的優點，對變電站的安全工作意義重大[3-5]。

在變電站進出監控中，人臉快速識別技術顯得不可或缺。現有人臉檢測技術在待識別圖片尺寸較小的時候能夠滿足實時檢測需求，但變電站屬于開闊空間地帶，攝像頭需要覆蓋較大的視野范圍，因此圖片尺寸也會相應地增加。此外，當變電站的監控視頻圖片尺寸較大時，監控系統往往無法在較短時間內得出檢測結果，其原因是隨著圖片尺寸增加，其所包含的像素點會呈平方次數增加，所以在人臉檢測單位處理速度不變的情況下，處理的時間也會呈平方次數增加[6-8]。

在人臉識別技術方面，文獻[9]采用基于Discrete Ada?boost的人臉識別算法，在此基礎上研究改進的Do?main-Partitioning Real Adaboost（DPR Adaboost），將其應用在人臉識別檢測中，結果表明該方法具有分類能力提高、收斂速度快、錯誤率低的優點。文獻[10]研究了一種基于深度多模型融合的人臉識別方法，通過融合多個人臉識別模型提取的特征構成組合特征，再利用深度神經網絡訓練組合特征構建人臉識別分類器，得到了融合多個模型優點的改進模型，經人臉識別權威測試集驗證到識別精度相對基礎模型提高了0.57%，但該識別方法并未給出適應場景以及是否需用戶主動配合。文獻[11]通過識別面部紋理來推測人臉的存在，提取皮膚、頭發等特征，建立SGLD（二階統計特征）模型，使用神經網絡對紋理特征進行監督分類，并且使用Kohonen自組織特征圖對不同紋理類別進行聚類，不足是該方法需要用戶主動配合以完成識別。

本文提出了一種適應變電站進出監控需求的人臉快速識別方法。首先，將待識別圖像輸入參數已知的YOLO神經網絡并輸出圖像中人物的邊界框；接著，從邊界框中提取出人物子圖片并對其進行灰度化處理以及計算出待識別圖像的人臉特征值；最后，根據待識別的人臉特征值與人臉數據庫中各人臉特征值的距離以得出人臉識別結果。經案例場景驗證，所提方法具有較好實用效果。

1 YOLO神經網絡

神經網絡可定義為一個函數Y=f（W，X），W是神經網絡的參數；神經網絡的輸入X與輸出Y是一個張量，其參數通過梯度下降法求解得出。梯度下降法是一階優化算法[12]，求解過程為通過多次迭代尋找能夠使得函數取得局部極小值的參數，具體流程如圖1所示。

圖1 梯度下降法求解流程

YOLO神經網絡為眾多神經網絡的一種[13]，可接受一張608×608像素的圖像作為輸入，圖片像素與多個卷積池化層以及全連接層的參數進行運算，最后輸出檢測到的物體的邊界框。YOLO神經網絡的參數可通過梯度下降法求解得到，YOLO神經網絡的輸出為N個邊界框{Bbo xi|i∈0，1，2，…，N}，其中第i個邊界框可表示為Bboxi=(xi，yi，wi，hi)；邊界框指示了檢測到的人在輸入圖片Iw*h*3的位置，其中xi，yi為邊界框的中心坐標，wi，hi分別為邊界框的寬和高。

2 人臉識別技術

近年來，模式識別技術與計算機視覺技術受到專家學者們的關注[14-15]，其中人臉識別技術也逐漸成了各領域的研究熱點。

目前影響到人臉識別效果的主要因素有：

人臉姿態；遮蓋物；光照強度；面部表情。

2.1 圖片灰度化處理

將彩色圖像轉化成為灰度圖像的過程成為圖像的灰度化處理[16]。彩色圖像中的每個像素的顏色有R、G、B3個分量決定，而每個分量有255種值可取，這樣一個像素點可以有1 600多萬（255×255×255）種顏色的變化范圍。而灰度圖像是R、G、B3個分量相同的一種特殊的彩色圖像，這樣像素點的變化范圍為255種，所以在數字圖像處理中一般先將各種格式的圖像轉變成灰度圖像以使后續圖像的計算量變得少一些。

本文采用的圖片灰度化處理方法為根據RGB和YUV顏色空間的變化關系可建立亮度Y與R、G、B3個顏色分量的對應關系，以這個亮度值表達圖像的灰度值。

2.2 人臉特征值提取

對于每一幅待識別的人臉圖，首先進行灰度化處理；接著將其縮放到150×150像素，得到If；然后使用神經網絡f提取一個128維的特征值Y=f(WResNet-34，If)=(y0，y1，…，y127)，其中WResNet-34是在ImageNet數據集上所學習到的ResNet-34網絡參數。

對于人臉數據庫中的人臉圖像Iface也用上述方法處理并提取特征X=(x0，x1，…，x127)。

2.3 人臉特征值距離計算

一般基于廣義特征值的距離來計算兩幅人臉圖像的相似度，則兩幅人臉圖片的特征值距離L為：

此外，當不等式L≤0.6成立時，則表示兩幅人臉圖片匹配成功；否則表示匹配失敗。

3 人臉快速識別方法

3.1 方法流程

圖2為人臉快速識別方法的流程圖，其主要目的旨在提供一種適應變電站進出監控需求的人臉快速識別方法，以保證視頻監控報警的有效性，更全面地提升變電站的安全系數。

3.2 具體步驟

本文所提出的人臉快速識別方法，具體包括以下步驟：

圖2 人臉快速識別方法流程圖

（1）將待識別圖像Iw*h*3輸入參數已知的YOLO神經網絡并輸出圖像中每個人的邊界框；

（2）根據所得到的邊界框，將每個檢測到的人物從圖像Iw*h*3中提取出來，得到子圖片集合|i∈0,1,2,...,n}；

（3）對所述子圖片進行灰度化處理并計算得到待識別的人臉特征值；

（4）根據所述待識別的人臉特征值與人臉數據庫中各人臉特征值的距離L得出人臉識別結果。

4 案例驗證

根據人臉快速識別方法編寫對應軟件模塊，選取合適場地搭建人臉識別案例場景，并準備好參與識別的工作人員以及人臉數據庫。

經場景模擬后，得到具體分析結果如下：

（1）針對監控視頻中某一張輸入圖片并使用YOLO神經網絡檢測，得到圖片中每個行人的邊界框，即圖3中的實線方框。

圖3 待識別圖像

圖4 所提取人物圖片

圖5 識別出的人臉圖片

（2）提取工作人員圖片，結果如圖4所示。

（3）檢測圖4的工作人員圖片中是否存在人臉信息，其中圖4(a)無法檢測到完整人臉信息，而對圖4(b)檢測到的人臉（圖5）進行灰度化處理后，計算其人臉特征值為：

Y=[-0.0653979，0.0481431，0.0459506，-0.002976 55， -0.0784676， -0.0707229， 0.0017481， -0.129902，0.0899502，-0.0961162，0.18472，-0.04566，-0.177452，-0.119043，-0.00185613，0.123365，-0.101321，-0.0666 383，-0.0822533，-0.0954023，0.0388882，0.0508717，0.0408848，0.0335565，-0.048666，-0.263044，-0.0828 425， -0.0912373， 0.0823404， -0.022558， 0.0207027，0.0748649，-0.162295，-0.0786254，-0.00673984，0.034 479，-0.0504447，-0.0587812，0.283734，-0.0457539，-0.132397，-0.0031759，0.0189574，0.271597，0.2227 58，-0.0507444，-0.00261238，-0.0372537，0.147651，-0.213665，0.0485419，0.125421，0.116833，0.0580825，0.0118643，-0.092228，0.0441321，0.137712，-0.2031 44，0.0675892，0.0768298，-0.168619，-0.037038，-0.0 307111，0.145781，0.0454205，-0.0487946，-0.157138，0.140418，-0.18163，-0.0306611，0.0311677，-0.13422，-0.139509，-0.310455，0.0523049，0.299887，0.160369，-0.182182，0.0295619，-0.0594396，-0.00560254，0.131 522， 0.030557， -0.0181286， -0.0943769， -0.115649，0.0168677，0.160838，-0.0744993，-0.0537497，0.2409 62，0.0239171，-0.00718346，0.0277776，0.00476684，-0.0710697，0.0229204，-0.126025，0.0441402，0.08147 56，-0.113622，0.0699524，0.109151，-0.174594，0.176 26，-0.0370767，0.0387941，0.0300786，-0.0633792，-0.155115，-0.0208994，0.190634，-0.121869，0.197604,0.131385，0.0213304，0.151944，0.101643，0.104232，-0.0347045，-0.0272474，-0.172505，-0.0462738，0.076 5506，0.0254679，0.0702121，0.0738493]。

（4）計算圖6(a)和6(b)中人臉圖片的特征值，其中圖6(a)的特征值為：

X1=[-0.117174，0.0432565，0.0615167，-0.0455164，-0.0706958，-0.0455732，-0.0510033，-0.166344，0.075 0411，-0.131235，0.231625，-0.0978745，-0.196297，-0.163042，-0.0387142，0.198247，-0.165635，-0.09408 13， -0.0818975， 0.00266437， 0.097009， 0.00571842，0.0382776，0.0467014，-0.0377104，-0.343167，-0.1423 02， -0.0462031， 0.0399787， -0.0398614， -0.0901296，0.0863726，-0.138756，-0.102175，0.0238005，0.09194 69，0.0509093，-0.101035，0.16137，-0.0239519，-0.19 225，0.0776478，0.0727825，0.227224，0.25847，0.0510 676，0.033865，-0.11599，0.153841，-0.180689，0.0471 576，0.0887595，0.0761694，0.0240254，0.0222875，-0.1 23475， 0.0528614， 0.109238， -0.154681， 0.0114299，0.109626，-0.131581，-0.0354409，-0.0367509，0.1725 51，0.117364，-0.0914756，-0.234913，0.116833，-0.15 4709，-0.0901379，0.00995727，-0.212836，-0.0959615，-0.36433， 0.0252173， 0.399847， 0.113429， -0.17775，0.0973187，-0.0163856，0.0396124，0.172737，0.177377，-0.0107027，-0.0259293，-0.0973322，-0.00115101，0.1 66939，-0.0176149，-0.0846889，0.226914，-0.004714 37，0.0738132，0.0667178，0.0158959，-0.0309987，0.0 283487，-0.114391，0.0181091，0.0817547，-0.0177323，0.0326894，0.116774，-0.121201，0.112234，-0.0803487，0.10843，0.0436463，-0.0872214，-0.0972368，0.03262 81，0.0974472，-0.205026，0.155965，0.162803，0.0626 691，0.0859266，0.165243，0.100398，0.0339094，0.032 0152， -0.219555， -0.0229654， 0.125368， -0.0185362，0.124461，0.0339912]

圖6(b)的特征值為：

圖6 人臉數據庫中人臉圖片

X2=[-0.0886385，0.0549423，-0.00546047，-0.06525 26， -0.0734701， -0.0891774， -0.0802805， -0.107656，0.0891029，-0.0775417，0.223884，-0.0995733，-0.1820 51，-0.155407，-0.0623404，0.169066，-0.209147，-0.1 05432，-0.0768067，0.0224611，0.0916727，0.0154249，0.0561431，0.00278886，-0.0536536，-0.389321，-0.072 3899，-0.0686888，0.0249965，-0.0387781，0.0280211，0.0195251，-0.205907，-0.0690564，0.0598259，0.0457 73，-0.000860474，-0.047665，0.166677，-0.000445154，-0.222018，-0.000221765，0.0265393，0.212571，0.1734 07，0.0996724，0.0324839，-0.161677，0.152244，-0.15 1677， 0.0278293， 0.153962， 0.0366221， 0.0213522，0.013047，-0.0643532，0.0583508，0.143498，-0.139628，-0.0140229，0.11262，-0.0348965，-0.0218506，-0.1007 26， 0.203176， -0.00134878， -0.11952， -0.173758，0.0945559，-0.13104，-0.0708779，0.0354774，-0.12939，-0.165783，-0.316124，-0.00536548，0.363126，0.08117 48，-0.144772，0.0391074，-0.0603582，0.0201964，0.1 23615，0.112289，-0.0304388，0.01851，-0.0759722，-0.0475834，0.213184，-0.0673732，-0.0385347，0.1891 55，-0.0458143，0.0599411，0.0131644，-0.028812，-0.0700638， 0.057142， -0.0723014， 0.00542674，0.0530222，-0.050184，0.0077821，0.0820619，-0.12622，0.10774，-0.0368184，0.0628868，0.0506034，-0.01153 36， -0.0934998， -0.0939013， 0.0922058， -0.190224，0.232884， 0.183856， 0.110786， 0.120159， 0.135563，0.100329，-0.0339753，0.0397254，-0.180747，-0.05198 26，0.084807，0.0213815，0.0910269，-0.0357912]

分別計算Y與X1、X2的距離L，可得：‖X1-Y‖2=0.574211989425；‖X2-Y‖2=0.604223930903；由于‖X1-Y‖2小于0.6，說明當前人臉數據庫中的人臉圖片圖6(a)與圖4(b)匹配。

5 結語

本文鑒于當前變電站進出安全監控的現狀問題以及為實現無人值班變電站提供技術指導的需求，提出了一種適應變電站進出監控需求的人臉快速識別方法，并通過視頻監控案例驗證了該方法的實用效果。研究表明，所提人臉快速識別方法可對監控視頻出現的人員進行實時分析，能夠全面地提升變電站人員進出安全系數，對變電站的安全監控工作意義重大。