基于人臉識別的高校智能學工系統

匡紅梅 陳衛 李偉

人臉識別技術是一種重要的生物認證技術，通過對人的臉部生物特征進行采集，并與數據庫中的特征數據進行匹配，實現對人的身份智能識別。當前，隨著深度學習技術應用到人臉識別中，使得動態人臉識別和匹配的效率大幅提升，能輕松做到毫秒級的識別速度，足以滿足大部分工程實踐。

1引言

高校中的輔導員往往肩負著一個年級幾百學生的日常工作，有些老師還要負責團委、資助和就業等專項工作。為了將自己的工作專業化、智能化和服務化，輔導員需要對辦公室來訪學生及其信息充分掌握，并對問題學生進行及時溝通。

2系統結構框架

高校智能學工系統整體基于分布式的網絡框架，節點終端與服務器之間采用“星形”數據模型進行通信，辦公室的每個輔導員通過觸摸屏Pad終端查詢和交互數據信息。終端的節點擁有查看實時的來訪學生信息、備注學生狀態等功能。同時依托微信小程序，對終端的數據信息進行查看和管理。

2.1人臉識別技術背景

（1）20世紀40～60年代，歐美一些主要國家先后提出了基于人臉的生物特征對人身份的識別理論。當時人臉識別主要停留在人臉的幾何結構特征的研究，并作為模式識別的一個下屬分支進行研究。

（2）20世紀60～90年代，由于電子計算機迅猛發展，基于早期的理論研究，科學家把人臉識別的幾何特征與計算機的數據結構相接合，將一些人臉特征存儲到計算機中，并進行算法研究和仿真。該階段為今后的人臉識別應用奠定了基礎。

（3）20世紀90年代到本世紀初，人臉識別算法進一步優化，CPU的速度和顯卡性能進一步發展，使人臉識別技術在工程實踐中得到了應用。

2.2系統技術方案

高校智能學工系統中的人臉識別，基于OpenCV數字圖像處理工具，對采集數據進行圖像處理。在處理的過程中，共分為3個階段。

（1）圖片采集和預處理。在對靜態圖片進行特征點提取之前，需要對圖片進行一定的處理，目的是對特征點不容易提取的圖片或光線較差的圖片進行補光或降噪。預處理后的采樣效率好壞對采集效率具有十分關鍵的作用。

（2）人臉特征碼識別和提取。人臉特征碼識別和提取通過特征臉法（Engine Face），PCA降維處理進行完成。該方法將包含特征信息的區域看作一種隨機向量，采用K-L變換（Karhunen Loeve expansion）獲得其正交基底。系統對特征碼提取后，以十六進制的形式存儲在數據庫服務器中。

（3）人臉特征碼比對。系統對提取的人臉特征碼與數據庫中的特征碼數據庫中信息碼進行匹配查詢操作，對查詢成功的信息進行身份確認，對查詢不到的信息做查詢不到處理。為提升查詢速度，系統對特征碼數據庫中的數據進行索引設置，有效提升查詢效率。實驗證明，系統采樣和比對的速度能夠達到工程實踐要求。

2.3相關技術方案比較

當前，除了基于本系統的技術方案以外，主流的生物識別方案還有虹膜身份識別、聲音識別方案和指紋識別等。與人臉特征碼比對的方式相比，其他幾種方案都具有一定的不足。

（1）虹膜身份識別基于每個人的不同的虹膜圖案結構，實驗證明：即使是同一個人的右眼和左眼也有很大的不同。虹膜圖案實際上比指紋更獨特和清晰，可以安全的作為識別一個人身份的方法。缺點是虹膜身份識別的采集難度較大，需要采集者配合且不易于操作。

（2）指紋識別的優點主要是識別算法比較簡單，容易在嵌入式產品中實現。缺點是該識別方案需要采集者配合且不易于操作，采集時間較長（通常在0.5～1 s范圍），同時對指紋不清晰或指紋不明顯的個體識別難度較大。

（3）聲音識別方案是手機身份識別的重要方案，優點是識別算法簡單，識別準確率高。該方案的缺點是識別速度慢，對識別環境的要求高，不易于對大面積人群進行推廣。

3結束語

從系統的整體進行分析，由于辦公室每位老師所看到的學生數據全部由人臉識別模塊進行提供，所以人臉識別的效率決定著系統運轉的整體性能。在實踐過程中，與傳統的人臉識別比較，高校智能學工系統采用的是動態人臉識別，而動態識別的原理是：根據采集視頻中，對每秒的視頻截取30張圖片，即按照每秒30幀進行實時采集。實踐證明，基于這樣的識別效率可有效滿足目前的工程需求，達到預計的效果。