基于Python 和特征臉算法的智能宿舍系統設計

翟文盛，成吉聰，于增洋

（山東科技大學 電子信息工程學院，山東 青島266500）

1 引言

隨著時代的發展，傳統的宿舍磁卡門禁系統已經不能滿足日益發展的需求，針對傳統宿舍磁卡門禁系統磁卡容易丟失、消磁的缺點[1]，本系統采用了基于特征臉算法的人臉識別的智能宿舍系統[2]。相比傳統的磁卡系統而言，人臉識別系統具有安全性高、特征唯一性、不會出現學生代替考勤、有效避免學生夜不歸宿等現象發生的特點[3]，有效地保障了學生的安全，能充分地體現學生的考勤情況。系統通過OpenCV 視覺庫的分析器對采集到的人臉信息進行檢測，再利用相關的圖像處理技術，將識別到的數據上傳到計算機，再移植到樹莓派平臺驗證。

2 系統原理簡介

2.1 相關技術原理

人臉識別技術是生物特征識別技術的重要分支，人臉識別指利用各種技術手段從場景中獲取人臉圖像，并借助已有的知識或經驗來判斷出圖像中人的身份。人臉識別具有快速、簡便、非侵擾、不需要人被動配合，用戶體驗最自然、最直觀的特點，這使人臉識別成為最容易被接受的生物特征識別方式。本系統的人臉庫實驗例子是基于Yale 庫進行處理的[4]。

2.2 Python 與OpenCV 技術

OpenCV（Open Source Computer Vision Library）是一個基于BSD 許可（開源）發行的跨平臺計算機視覺庫，可以在Linux、Windows、Android 和Mac OS 操作系統運行。它主要由C++語言編寫，同時提供了Python、Ruby、MATLAB、Java 等語言的接口[3]，實現了圖像處理和計算機視覺方面的很多通用算法，該庫擁有2 500 多個優化算法，其中包括一套全面的經典算法、最先進的計算機視覺和機器學習算法。這些算法可用于檢測和識別人臉、識別對象、對視頻中的人類行為進行分類、跟蹤攝像機移動、跟蹤移動對象、提取對象的3D 模型、從立體攝像機生成3D 點云、將圖像拼接在一起生成整個場景的高分辨率圖像，從圖像數據庫中查找相似圖像，從使用閃光燈拍攝的圖像中刪除紅眼，跟蹤眼睛運動，識別風景，并建立標記以覆蓋其增強現實等[5]。

2.3 樹莓派

本系統選擇了樹莓派4B 平臺作為主控制器，樹莓派將Python 語言作為主編程語言[6]，自帶板載網口、Wi-Fi 和藍牙，內存硬盤為SD 卡。其由新的處理器Broadcom BCM2711B0 提供支持，采用了Cortex-A72 架構。樹莓派4中的BCM2711B0具有4個內核，時鐘頻率為1.5 GHz，Cortex A72 具有15 指令流水線深度，它還提供無序執行，不需等待一個進程的輸出而在另一個進程上啟動，并且支持linux系統和Windows 系統的開發，具備PC 的基本功能，其價格低廉。安裝該系統需要下載鏡像并使用軟件進行燒錄，同時還需要使用安全外殼協議（SSH）、MQTT 及SMB 協議完成整個設計的配置，此外，其體積小，便于部署和安裝[7-8]。系統實物如圖1 所示。

圖1 系統實物圖

3 系統的設計和實現

3.1 系統設計原理

3．1．1 人臉圖像錄入建庫

通過攝像頭錄入人臉圖像，入庫圖像要背景統一，錄入人員的正臉照片，并且只有輕微的姿態、表情變化，每幅的分辨率為100×100。

3．1．2 人臉圖像預處理

由于照相、攝像設備性能的局限，以及現場復雜環境的影響，獲取的圖像可能受到噪聲的污染，使圖像變得模糊、對比度降低、區域灰度不平衡等。

為了保證提取特征的有效性，進而提高識別系統的識別率，適當去噪、增強等圖像的預處理過程給復雜環境下的人臉識別提供了必要的技術支持[2，9]。

3．1．3 人臉檢測與定位

人臉檢測就是判斷圖像中是否存在人臉，如果存在，則給出人臉在圖像中的位置和大小等信息，根據這些信息將人臉區域從背景中切割出來。

3．1．4 人臉特征提取

人臉特征提取是人臉識別系統的核心。人臉識別本質上是三維非剛性物體的二維投影圖像的匹配問題。從對齊好的人臉中提取能區分不同人的特征：克服光照、表情、姿態、遮擋、胡須、眼鏡、化妝等干擾因素的影響，準確識別類內變化，再利用特征臉算法進行處理。人臉識別系統框架如圖2 所示。

圖2 人臉識別系統框架圖

3.2 特征臉算法原理

將N 個尺寸為W*H 的人臉圖像（訓練集）分別按行級聯成N 個W*H 維的特征向量Ψ1，Ψ2，…，Ψn（零均值），訓練樣本協方差為

選定M 個基向量z1，z2，…，zM（正交基），M≤N，該基向量構成M 維的特征空間。

計算每個訓練樣本相對于每個基向量的投影，并對每個基向量投影進行累加求和，則第k 個特征向量λk可以表示為約束條件為

所有訓練樣本可以由M 維的特征向量表示為Φk=zTΨi，i=1，2，…，N。最大投影系數（特征值）λk對應的特征向量（總共有M 個）認為是對訓練樣本的最好簡約表示（可以是前幾個），則與最大投影系數對應的基向量認為是有效的特征臉。

將待識別人臉Г歸一化零均值，向量化之后投影到特征向量，得到Π=uTΓ。利用k 近鄰分類器根據訓練樣本和待識別人臉的投影特征向量進行判別：

式（1）中：D 為兩種模式之間的距離；Ф為特征模版；П為測試人臉的模式[2]。

3.3 Yale 人臉庫

Yale 人臉數據庫由耶魯大學計算視覺與控制中心創建，包含15 名志愿者的165 張圖片，包含光照、表情和姿態的變化。這些圖像背景、光照統一，只有輕微的姿態、表情變化，每幅的分辨率為100×100。Yale 人臉庫志愿者之一的11幅圖如圖3 所示。

圖3 Yale 人臉庫圖

4 人臉識別結果

將編譯成功的代碼通過鏡像并使用軟件進行燒錄，移植到樹莓派開發平臺，實現智能宿舍系統的人臉識別功能。測試人臉與識別結果如圖4 所示。

圖4 測試人臉與識別結果

5 結語

本文對基于Python 語言的特征臉算法進行了智能宿舍系統的設計，能實現基本的人臉識別功能。

在本系統中，特征提取方法為特征臉算法，分類方法采用的是k 近鄰分類器。在被識別者是正面姿態、遮擋物很少的情況下，能夠實現人臉圖像的識別。本系統的優點是計算量小、識別速度快、準確率高，并能在樹莓派上進行驗證；但是也存在一定的缺點，即在復雜背景下識別人臉時，如果圖像光照發生明顯的變化、被識別者姿態大幅度改變、表情顯著變化等，則存在識別錯誤的現象。針對系統的不足之處，今后需要進一步完善。