基于樸素貝葉斯算法的智能電廠監控夜間視頻人臉識別方法

崔希，劉首明

（1.江投集團能源技術研究院，江西南昌，330000；2.國家電投集團江西電力有限公司分宜發電廠，江西新余，336607）

0 引言

人臉識別技術是圖像深度分析、圖像多維處理等領域內的研究與關注重點，也是近年來市場最為活躍的一項研究技術。目前，與人臉識別相關的研究已在我國醫院診療、刑事案件處理等行業內廣泛應用，在深入對此項技術的研究中發現，人臉識別方法融合了深度視覺、圖像編程、特征提取等多種類型算法[1]。盡管我國有關產業在開展與此相關的研究中，已通過完善的計算機技術，實現了對人臉的有效辨別，但由于傳統方法在獲取人臉信息過程中，獲取行為的實施過程會受到空間明暗程度、獲取人臉信息角度等多種因素的影響，導致最終識別的結果與實際結果不匹配[2]。例如，在智能電廠的夜間監控系統中，人臉識別方法便會受到夜間環境昏暗的影響，導致識別精度與主體定位出現偏離[3]。而要解決與此方面相關的問題，本文在傳統的研究內容基礎上，引進了樸素貝葉斯算法。在提出的算法中，認為每識別到一個人臉特征，其特征對應的屬性均是處于一種獨立狀態的。而在完成對所有特征的獲取后，根據不同特征出現的條件概率融合特征，從而可以獲得一個相對清晰的人臉圖像。因此，本文將綜合樸素貝葉斯算法在應用中所具備的優勢，對人臉識別方法的設計展開詳細研究，并希望本文設計的方法可以真實地應用到智能電廠，為電廠的夜間監控可持續運行提供技術層面指導。

1 智能電廠監控夜間視頻人臉識別方法

1.1 智能電廠監控夜間視頻圖像獲取

基于某智能電廠監控需要，在對其夜間視頻人臉識別過程中，引入樸素貝葉斯算法。首先，針對需要進行人臉識別的視頻進行獲取，對分宜智能電廠前端通過網絡攝像機對現場監控視頻進行采集[4]。網絡攝像機當中包含了攝像機與上位機的所有功能，利用其中與攝像機相關的功能，實現對分宜智能電廠現場視頻圖像的獲取，并將其轉換為數字信號。再利用其與上位機功能相關的部件，針對轉換的數字信號進行壓縮處理，并通過網絡通信傳輸的方式進行傳輸。每一個網絡攝像機都包含了一個獨立的IP地址。在經過分宜智能電廠授權后，上位機用戶能夠通過網絡傳輸的方式，在本地或遠距離實現對監控視頻圖像的觀看、存儲以及管理等操作[5]。結合本文人臉識別方法的應用需要，本文采用由海康公司研發生產的iDS-GPZ2486XS型號網絡攝像機作為本文獲取分宜智能電廠夜間監控視頻的主要設備。該型號網絡攝像機支持RJ45網口，自適應10M/100M網絡數據，分辨率及幀率為主碼流 50Hz:25fps(2560×1440) 或 60Hz:30fps(2560×1440)，該型號網絡攝像機當中配備了PoE網絡接口，能夠支持802.3AF及AT協議，同時與該型號網絡攝像機配套的攝像頭可以做到即插即用。在第一次使用該設備時，對攝像機的IP地址進行設定，并確定視頻采集過程中的相關參數。在與網絡攝像機相連接的服務器上，利用該設備配套的SDK完成對視頻圖像的解析，并獲取圖像幀，用于后續對視頻中人臉的識別。

1.2 基于樸素貝葉斯算法的人臉檢測與跟蹤

在按照上述操作，完成對智能電廠監控夜間視頻圖像獲取后，每隔5幀完成一次對視頻人臉的識別。同時，在識別的過程中，利用樸素貝葉斯算法對人臉特征進行提取[6]。根據貝葉斯定理提取人臉特征，并給定訓練集，再利用訓練后獲得的學習模型，對視頻圖像中的人臉特征進行提取。假設L（ik）表示為在某一類i訓練樣本當中灰度級為k的視頻圖像概率分布矩陣，結合最大后驗概率原則，對L（ik）進行計算，其公式為：

公式（1）中，p表示為某一類別u下的訓練樣本v中每個位置上k’級灰度出現概率。在完成對L（ik）的計算后，還需要對其進行平滑處理。由于在實際識別的過程中會受到訓練樣本數量的限制，因此無法對每一個位置上的各個灰度級分別進行計算，因此當針對每一個灰度級在訓練數據當中，采用最大后驗規則，找出零概率，當零概率產生后會同時產生負無窮大值，影響到樸素貝葉斯算法的識別性能[7]。

因此，本文在利用樸素貝葉斯算法識別時，利用Laplace平滑解決概率分布矩陣中產生零元素的問題。通過上述兩個步驟的處理后，得到一個不包含零元素的灰度級分布矩陣。為確保識別精度，在去除數字圖像噪聲后，對鄰域當中各個圖像像素點的灰度信息進行分析。由于監控夜間視頻當中的灰度級概率分布矩陣各個元素的關系與視頻圖像中各個像素關系相類似，并且樸素貝葉斯算法能夠將需要進行識別的樣本分類并劃分到各個對應條件概率最大的類別當中[8]。因此，本文通過對灰度級概率分布的方式，實現對傳統識別算法的優化，其操作可以用如下公式表示：

公式（2）中，a、b表示為空間濾波的模板尺寸，并且a、b均為奇數；u表示為利用Laplace平滑解決概率分布矩陣中的元素。通過上述公式（2）計算，實現對分布矩陣最大值濾波處理，以此可以獲取視頻圖像上各個位置鄰域最大概率幅值。在此基礎上，將矩陣當中的噪聲進行去除處理，從而增加樸素貝葉斯算法在對夜間視頻圖像識別的適應性，確保在視頻內人臉圖像姿態偏轉和不同光照環境當中都能夠得到更加準確地識別結果[9]。同時，為了減少本文識別方法出現誤檢或由于其他因素的影響造成識別結果錯誤，本文針對檢測到的人臉進行膚色驗證以及人臉大小限制。當檢測的過程中，人臉大小超出設定范圍時，則后續幀將不會對該圖像進行跟蹤；若人臉大小符合設定的標準范圍，則后續仍然按照每5幀識別一次的方式對人臉進行識別和跟蹤，直到人臉在視頻圖像當中消失為止。

1.3 夜間視頻人臉圖像調優

通過本文上述論述，完成對分宜智能電廠監控夜間視頻人臉識別，為了進一步提高本文識別方法的分辨率，獲取到更加清晰的圖像結果。還需要對識別到的人臉圖像進行調優處理[10]。由于在監控當中人會在不同的時間出現多次，因此在識別后得到的數據集當中會有大量重復類別產生，加重監控識別的負擔。因此，針對這一問題，需要對重復類別進行合并[11]。針對不同時間相同類別的圖像需要進行合并，將矩形框當中的樣本作為中心樣本。通過對中心樣本相似度進行計算，并與閾值比較的方式，將屬于相同類別的圖像進行合并，將不同類別圖像進行分類[12]。完成合并后，利用三元組損失函數對提取識別的人臉圖像特征進行映射，并將其映射到距離空間當中。本文基于上述需要，采用VGG模型作為對人臉圖像調優的初始模型，該模型的結構參數如表1所示。

表1 VGG模型結構參數對照表

在對人臉圖像進行調優的過程中，需要始終保持VGG模型的卷積層以及ConvB-1、ConvB-2層原始數據不變，僅針對其較小的學習率進行設置，并對ConvA-2層數據進行微調處理，同時根據上述合并、分類后得到的人臉類別結果，對相應的輸出類別數進行調整，以此完成對人臉視頻圖像的調優。

2 實驗論證分析

2.1 實驗準備

為探究本文提出的基于樸素貝葉斯算法的智能電廠監控夜間視頻人臉識別方法在實際應用中的優勢，選擇將每個智能電廠監控設備采集并存儲的近1個月視頻圖像作為實驗對象。已知該視頻圖像當中共包含850個類別，其中人臉圖像共12520張。將12520張人臉圖像劃分為三組不同集合，其中第一組集合為統一光照下的正臉圖像集合；第二組集合為統一光照的正臉圖像集合，人臉圖像表情與第一組集合存在差異；第三組集合為各種不同姿態變化下的人臉圖像。同時，三組集合當中包含的姿態、光照等因素都在發生變化。利用智能電廠監控平臺，對實際場景當中的監控視頻數據集進行獲取。從視頻圖像可以看出，本文實驗當中的智能電廠監控主要位于不同樓道的出入口，并且攝像機的放置角度也不相同。分別利用兩種識別方法對上述獲取到的圖像集合進行識別，本文將人臉識別分辨率作為實驗評價指標，由于識別分辨率越高，得出的識別結果越準確，而識別分辨率低，得出的識別結果準確性越差，以此實現對兩種識別方法的識別準確性驗證。

2.2 實驗結果與分析

在兩種人臉識別方法對本文上述提取的圖像集合進行識別時，隨機抽取其中5組實驗數據并進行比較，為了更直觀地對兩種識別方法的應用效果進行比較，具體實驗結果如表2所示。

表2 兩種識別方法實驗結果對比表

從表2中的數據可以看出，本文提出的識別方法在對圖像進行識別時，分辨率均明顯大于傳統識別方法。同時，在實驗過程中發現，傳統識別方法在應用過程中會受到圖像姿態、光照等外界條件因素的影響，識別準確率會大大降低，進而造成極差的識別效果。因此造成分辨率無法達到智能電廠監控要求的標準。通過對比實驗進一步證明，本文提出的基于樸素貝葉斯算法的智能電廠監控夜間視頻人臉識別方法具有較高的識別準確率。

3 結束語

人臉識別是一種十分常見的生物特征識別技術，將人臉識別應用到分宜智能電廠當中對于保障整個企業的公共安全和信息安全而言具有十分重要的意義。基于此，本文通過引入樸素貝葉斯算法，提出了一種全新的人臉識別方法，并將其應用于實際發現，該方法能夠在改變人體姿態和周圍光照環境條件下，實現對人臉的準確識別。但由于研究能力有限，在利用樸素貝葉斯算法對人臉圖像識別時，需要在建立的概率分布矩陣當中完成，因此適用性相對較弱，仍然存在改進和提升的空間。