基于MagFace損失函數的停車場智能人臉識別尋車系統研究

任高翔 底帥 彭劍林

（1.北京首都國際機場股份有限公司 北京市 100621 2.愛筆（北京）智能科技有限公司 北京市 100094）

1 引言

國內城市對大型停車場設施建設十分重視，停車場空間不斷加大、設施數量不斷增多，停車場規模逐漸向大型化發展，同時用戶尋車也越來越難。機場停車場由于樓層多、空間大、車位多，很多車主因記不清車位而導致尋車難的問題，這為旅客尋車體驗帶來諸多不便。傳統尋車方式，往往是車主在下車時拍攝用于回憶車位的標識于方向感不佳的車主來說，根據平面地圖導航路徑尋車依舊存在困難。

為此，本文將人臉識別、VR 實景導航技術等應用到反向尋車系統中。通過人臉識別技術，旅客無須接觸屏幕即可快速查詢車輛位置，通過對停車場三維掃描形成大空間高精度三維模型及VR 虛擬場景，進而通過VR 導航技術為旅客提供實景導航服務，同時可通過多塊智能尋車屏幕進行車位的斷點導航，實現高效精準的定位、尋找車輛，提升旅客智慧尋車的服務體驗，提高旅客滿意度，同時有助于提升機場停車場停車周轉率，緩解機場周邊交通壓力，促進機場實現“智慧機場、平安機場”建設。

2 國內外研究進展

2017年，民航局提出了加快推進以“平安機場、綠色機場、智慧機場、人文機場”為核心的“四型機場”建設，著力打造集內在品質和外在品位于一體的現代化民用機場，注重質量、效率、效益的質優式發展。其中，智慧機場是推進“四型機場”建設的關鍵支撐和實施路徑。智慧機場的發展依賴于大數據、人工智能、生物識別等新興技術，并最終為機場持續安全、提升效率、改進服務、增加收入等方面提供賦能[1]。以人臉識別為代表的人工智能技術是智慧機場建設的核心一環，也是互聯網+在未來5-10年內的可持續發展方向[2]。

國內外不少機場通過人臉識別技術來提升機場的智慧化水平，但應用場景大多集中在安防、值機、安檢、機器人服務、信息查詢等方面。截止到目前，全國大部分千萬級客流機場已經實現了從值機、安檢、登機的“一臉通關”服務[3][4]；北京首都國際機場實現了基于人臉識別技術為旅客提供航班查詢、登機口路徑導航、店鋪推薦、智能客服、設施查詢、交通查詢等服務；新加坡樟宜國際機場將人臉識別技術應用到值機、行李托運、出入境、登機等全流程；法國戴高樂國際機場采用人臉識別安檢，提升了出入境邊防檢查效率[5]。在停車場場景，國內大部分機場仍然采用傳統反向尋車系統為旅客提供車輛位置查詢、2D 平面地圖導航服務[6]。目前，基于人臉識別技術的尋車系統尚未有在機場停車場落地應用。

3 系統方案論述

本文的研究方案是基于Android 系統下設計的一款操作便捷、交互智能、經濟實用、性能穩定的智能尋車系統。該系統可以對識別區域內的人員進行身份識別，并自動匹配其車牌及車位信息，從而達到智能尋車的目的。該系統主要具有以下功能：

（1）智能尋車系統具有人臉識別功能，對出現在攝像頭視野范圍內的人員進行人臉檢測、人臉比對、身份識別；

（2）智能尋車系統具有人臉及車牌號注冊功能，系統可以自動抓拍人臉并與人員輸入的車牌號碼進行綁定；

（3）智能尋車系統具有車位查詢及車位導航功能，針對身份識別成功的人員，系統自動展示車輛所在車位，并提供平面地圖或VR 實景提供路徑導航；

（4）智能尋車系統具有手動查詢功能，針對身份識別未成功或未注冊人臉信息的人員，系統可以提供手動輸入車牌號碼進行查詢車位和路徑功能；

（5）系統基于ARM 主板、Android 系統作為運行平臺，系統可擴展性強、用戶體驗友好。系統結構圖如圖1所示。

圖1：系統結構圖

3.1 技術框架

智能尋車系統總體框架如圖2所示，該系統是通過卷積神經網絡技術對人臉大數據進行學習獲得高精度的識別模型，進而實現在停車場環境下人臉識別和數據處理的新型智能尋車系統。該系統框架模型主要包括前端應用系統、人像處理平臺、應用服務平臺構成。

圖2：系統框架圖

3.1.1 前端應用系統

前端應用系統主要負責人臉及車輛數據采集、車位及地圖信息展示。系統通過前端攝像頭進行人臉圖像數據和車牌號碼數據獲取，并將該數據傳輸至后端人像處理平臺和應用服務平臺進行數據處理，同時前端應用系統根據后端返回的數據進行車位信息、地圖導航、VR 導航信息的展示。

3.1.2 人像處理平臺

人像處理平臺主要負責人臉檢測及人臉比對。該平臺通過前端傳輸的人臉圖片，基于卷積神經網絡算法進行人臉檢測、人臉特征提取，同時與數據庫的人臉特征庫進行識別比對，比對成功后將人臉信息與車牌號信息進行關聯并反饋至應用服務平臺。

3.1.3 應用服務平臺

應用服務平臺通過將人臉比對后的車牌號碼與車位信息進行處理，同時將該車位數據、車位地圖數據、VR 實景數據反饋至前端應用系統進行展示，為旅客提供車位查詢、平面地圖導航、VR 實景導航等服務，提升旅客尋車體驗。

3.2 人臉識別技術

人臉識別技術作為一種新興的生物特征識別技術，可以實現非接觸式遠距離采集生物特征，數據獲取更加自然、直接、便捷[7]。人臉識別的總體流程包括從攝像頭采集的實時視頻數據中，自動檢測、跟蹤人臉圖片，通過對人臉進行檢測、跟蹤、抓拍、評分、篩選一系列流程，結合人臉照片質量檢測，自動選出符合人臉提取條件的人臉照片抓拍并進行輸出。通過卷積神經網絡算法對所抓拍的人臉圖像根據人臉位置、大小及各個面部器官的位置信息進行人臉特征提取，并將人臉特征信息與已知人員照片庫（N 庫）進行1：N 實時比對，如果人臉的相識度達到設定閥值，則該人員的抓拍圖像與系統人員身份進行關聯匹配，并自動記錄比對信息。

卷積神經網絡作為深度學習的網絡模型，被廣泛應用于人臉識別、圖像分類、目標檢測等領域。卷積神經網絡核心處理過程包括卷積層、池化層、全連接層[8][9]。

卷積層是通過對圖像局部信息而非全局圖像進行感知，每一個卷積核均提取特定的特征，卷積層通過不同的卷積核分別在前一層的特征圖上滑動窗口進行卷積求和，再加上偏置，最后通過激活函數計算得到當前層的神經元，對不同卷積核卷積可以獲得當前層不同特征的特征圖[10]。

卷積層的計算公式為：

其中，Mi是輸入矩陣；Li,j是卷積核矩陣；Pj是偏置矩陣項；Cj是輸出矩陣；f(*)是激活函數。

池化層是通過將輸入的原始像素信息進行等比例縮小，從而縮小圖像尺寸、降低特征維數、減少參數數量、大大降低計算量，并在一定程度上防止特征過擬合。池化層一般池化方法包括最大池化方法、平均池化方法、最小池化方法，其中最大池化方法是通過選取池化窗口的最大值作為輸出數值，最小池化方法是通過選取池化窗口的最小值作為輸出數值，平均池化方法是通過選取池化窗口的平均值作為輸出數值。最大池化示例如圖3所示。

圖3：最大池化示例

全連接層一般在卷積網絡的最后，之前的卷積層、池化層和激活函數將原始信息數據映射到隱層特征空間，而全連接層則通過特征空間變換操作實現將“分布式特征表示”映射到樣本標記空間。在此過程中，有用的信息被保留下來，但會損失特征的位置信息。

在損失函數設計方面，ArcFace 是目前最為主流的方法，不僅是學術界達到SOTA，也被工業界廣泛應用。ArcFace 提出通過增加角度間隔盡可能的拉大不同類別之間的角度間隔，從而達到壓縮類內距離拉大類間距離的目的。但ArcFace 方法僅采用了一個固定常量間隔，且只考慮了類間間隔并沒有對類內分布做更加精細化處理，沒有考慮模長等維度的信息。Qiang Meng 等提出了一種基于角度和模長二維信息的MagFace[11]損失函數方法，能夠充分利用角度和模長兩個維度信息，不僅能在識別問題做到更優的性能，還可以利用好模長維度的信息來衡量人臉質量問題，同時實現更好的類內分布也有利于聚類任務。

ArcFace 損失函數為：

對比ArcFace 的loss 函數，MagFace 的loss 函數通過引入特征模長的信息用來平衡類內不同質量圖片的分布，第一是把ArcFace的loss 函數中角度間隔懲罰由常數項m 改成了基于特征模長ai的函數m(ai)，同時增加一個基于模長的懲罰項g(ai)。

MagFace損失函數為：

其中，m(ai)是角度margin 的懲罰函數，λg是模長的懲罰系數，g(ai)是模長的懲罰函數。

3.3 人臉尋車流程

旅客使用智能尋車系統進行尋車的流程如圖4所示：

圖4：人臉尋車流程圖

（1）旅客站立在智能尋車屏幕前方開始使用智能尋車系統；

（2）系統自動對旅客人臉進行人臉檢測及識別，判斷旅客是否曾綁定人臉信息；

（3）若旅客曾使用過智能尋車系統并綁定過人臉信息，則系統自動識別旅客身份并提供其所匹配車牌號碼的車輛位置，提供地圖導航、VR 實景導航等功能；

（4）如果旅客為首次使用智能尋車系統，則系統為其提供刷臉尋車及手動查詢兩種尋車方式；

（5）如果旅客選擇刷臉尋車方式，則系統采集旅客人臉信息，并提示旅客輸入車牌號碼進行人車關聯，并返回尋車頁面，為其提供地圖導航及實景導航功能；

（6）如果旅客選擇手動查詢方式，則系統提示旅客進行手動輸入車牌號碼，并返回旅客尋車頁面，提供地圖導航及實景導航功能。

3.4 方案優勢

如表1所示，相較于傳統反向尋車系統，智能尋車系統在系統功能、響應速度、用戶體驗及系統安全等方面具備一定優勢。

表1：與傳統反向尋車系統對比

4 仿真實驗

為了驗證基于人臉識別技術的智能尋車系統優于傳統反向尋車系統，需對本系統的實現運行情況進行測試，測試內容包括軟件功能測試、硬件測試，其中人臉識別速度、人臉識別精度是本系統的測試核心內容。

4.1 數據集

在測試人員通過系統進行關聯人臉和車牌號之后，可以對系統進行實測，分別以被測對象150 人、300 人對人臉識別功能進行測試。

4.2 人臉識別模型

本文算法模型是基于 Tensorflow 深度學習框架搭建而成，實驗室硬件配置為 NVIDIA GTX-1060TiGPU,8G RAM，軟件環境為Windows 7 系統，算法模型采用文獻[11]設計的MagFace 設計方法。

4.3 實驗結果

最終實驗結果如表2所示，結果表明智能尋車系統對人臉的識別速度均可在1s 內完成，識別效果較好，識別率均高于99%。因此，基于人臉識別技術的智能尋車系統能為廣大機場停車場的旅客提供安全、快速、便捷、智能的尋車服務。

表2：人臉識別測試結果

5 結論及展望

智能尋車系統為旅客尋車提供了服務便利，提升了旅客尋車體驗，提高了停車場運行效率，但同時也存在不可避免的算法精度、應用條件及數據安全等相關問題。在算法精度方面，人臉識別算法本身存在一定的誤識及拒識情況，不可能保證百分之百的識別精度，從而會為旅客尋車產生一些不便；在應用條件方面，人臉采集攝像頭需要在充足的光線及合適角度及人臉未被完全遮擋的條件下才能獲取良好的人臉圖像，否則所采集的人臉圖像質量不達標會影響識別精度，從而旅客使用系統；在數據安全方面，由于人像數據涉及旅客隱私，為此需要在用戶明確授權條件下，才能進行數據獲取及使用，同時需要加強對數據的安全防護。

隨著以人臉識別為代表的人工智能技術在民航機場的應用越來越深、越來越廣，人臉識別應用場景將不限于停車場、到港旅客服務、離港旅客服務、中轉旅客服務、商業店鋪刷臉應用等各個方面，如何實現智能尋車系統與其他場景的人臉識別應用關聯及數據打通是今后的重點研究課題。