基于人工智能的無接觸式簽到系統設計

關鍵詞：人工智能；無接觸式簽到系統；人臉識別

中圖分類號：TP391.41 文獻標識碼：A

0 引言

隨著人工智能時代的到來，各個行業雖然面臨技術創新的挑戰，但在科技方面也取得了前所未有的進步。通過人臉這個獨特的標識，已經實現無接觸式簽到、消費支付、人臉測溫等操作，并且研發了相關設備，如人體測溫智能訪客機等。簽到系統作為學校管理中不可或缺的一環，其通常使用刷卡或錄入學生學號等方法來實現，這導致簽到效率較低[1]。非接觸式人臉識別產品可以滿足人流密集區域快速篩查異常群體的需求，而通過人臉這個唯一的標識能達到無接觸簽到、無感通行等操作要求。針對上述情況基于人工智能設計的無接觸式簽到系統被廣泛接受。

1 人臉識別過程分析

由于每個人的人臉均存在一定的差異，針對人臉特性和計算機支持存儲海量數據的特征，決定了人臉識別技術具有較高的效率。人臉識別是一種新興的識別技術，與IC 卡、指紋識別等相比，其具有新穎性、非接觸等優勢。人臉識別主要過程為檢測、對齊、特征提取及分類，在對人臉相關特征數值如入選人員耳朵尺寸、鼻長等信息[2] 進行提取后，通過相同的方法完成新人臉照片測量，并迅速找到與測量值相匹配的數據庫信息與服務器中已保存的人臉數據。根據設置的閾值，當測量值大于閾值，表示系統能快速尋找與檢測人臉圖像匹配的信息，順利完成人臉分類處理。根據采集的人臉特征數值，使用分類器完成分類處理，常見的分類器包含k 最近鄰（k-nearest neighbor，KNN）算法、卷積神經網絡（convolutional neural networks，CNN）算法等。本文使用KNN 算法作為分類器，該算法可以根據周圍限定的鄰近樣本而非單一判別類域來確定目標檢測物相應的類別。因此，針對交叉或重疊有待需要分離的樣本集合，KNN 算法優于其他算法。

2 人臉識別算法

2.1 MobileFaceNet 模型下識別操作

人臉識別旨在借助圖像路徑讀取完成人臉識別操作，通過MobileFaceNet 模型對人臉特征進行預測，從而獲取特征與人臉庫內特征值的對比相似度，最終獲取閾值大于0.6 的最高相似度結果，準確率較高。MobileFaceNet 模型涉及大量的參數以達到能夠在個人計算機（personal computer，PC）或服務器進行調整的要求。嵌入式設備受算法的影響，無法達到整個網絡在線訓練的要求，MobileFaceNet 模型結構如表1 所示。其中，t、c分別為通道擴展及輸出通道值；n 為操作次數；s 為步長。網絡輸入值控制為112×112×3，其采用RGB 顯示人臉彩色圖像，經過相應的運算輸出一定的特征向量。

利用MobileFaceNet 進行模型人臉識別，步驟如下：根據預訓練模型提取相應的數值，求解需要識別的特征向量，并與特征庫原有特征向量相似度進行對比，進而完成人臉識別。如果判定為陌生人，系統在算法允許的條件下，加入分類網絡并對其模型實施更新處理。利用已驗證數據集對公開數據集進行訓練并且微調相關參數，從而獲取相應的模型，有利于提升人臉圖像的識別率。

由于嵌入式終端算法受限，難以加入新檢測人臉特征數值及原有特征庫，所以無法順利開展MobileFaceNet 模型訓練。同時，上述操作工作量較大，對專業性具有較高的要求，難以應用于實際場景。本文提出的基于MobileFaceNet 模型聯合支持在線學習Siamese 模型可以解決上述問題，其支持在PC/ 服務器將經過訓練的模型移植至嵌入式設備，從而實現初始特征提取操作，獲得新特征向量，并且實時完成特征向量數據集更新操作。采用Siamese 模型配置的實時更新功能，能有效提高人臉識別效果。

2.2 MobileFaceNet+Siamese模型下識別處理

Siamese 模型是評估各輸入特征向量所用的神經網絡，輸入達到共享要求的神經網絡模型，通過共享模型確定輸入新的空間，經損失度函數Loss對所輸入數值相似度展開評估[3]。由于各網絡設定的參數相同，在訓練操作中僅需對某個模型進行訓練，這可以有效減少訓練樣本數。

將所提取人臉特征向量等信息輸入到Siamese模型內，獲取與之對應的64 維特征向量，求解歐式距離。當最小歐式距離小于設置閾值，表示有待識別人臉圖像處于數據庫內；當最小歐式距離大于設置閾值，代表本次簽到人員為陌生人。系統如果需要添加陌生人，采用MobileFaceNet 模型提取與之相關的特征值并創建數據集，并且通過Siamese網絡重新開展訓練。本次使用Siamese 模型可以在嵌入式設備上執行人臉識別、模型訓練操作。

3 系統各功能設計

無接觸式簽到系統主要包含人臉圖像采集、識別、提取等，根據檢測的人臉圖像來查找數據庫人臉，并與數據庫人臉展開對比，快速完成身份識別操作。

3.1 系統注冊功能

利用本文的無接觸式簽到系統對學生開展注冊操作，課堂管理者先對班級學生建立相應的人臉數據，支持收集、管理本班級學生照片，順利完成注冊操作[4]。系統完成注冊后，學生根據各項要求填寫個人信息，系統對上傳圖片設置統一要求。系統設計的前端注冊界面，支持對學生性別、人臉圖像、證件信息等進行檢測。

3.2 人臉圖像采集模塊

該模塊旨在對人臉圖像及其數據信息執行采集工作，使用系統配置的攝像頭進行拍照，將收集的圖像信息存儲至數據集。在實時完成簽到人員信息采集工作后，再將采集的數據傳輸至數據庫，以方便后期開展數據分析操作。

3.3 人臉圖像識別

系統配置的人臉圖像識別功能，主要是在準確采集簽到人員人臉圖像后，實時完成識別、導出信息操作。當執行人臉識別操作時，先將攝像頭打開進行拍照、存儲等操作，從而獲取簽到人員的人臉圖像，便于下一步開展人臉識別操作。當對人臉識別模型進行訓練時，提取相關的特征數值，利用訓練分類器對人臉圖像執行識別操作。此外，對訓練集文件下存儲的數據執行訓練操作，在完成人臉圖像定位、特征提取后，執行一系列訓練，將有待訓練的分類器存儲至clf 文件。此次獲取的人臉圖像特征采用MobileFaceNet 模型來完成，訓練操作經KNN 算法完成。

3.4 人臉識別預測功能

該模塊主要功能是對所采集人臉圖像進行識別，當檢測出來的人臉圖像已存儲在數據庫內，系統會根據所識別圖像姓名匹配與之相關的數據庫信息，將結果呈現在系統屏幕上[5]。若識別操作提示人臉圖像并未存儲在數據庫內，系統提示檢測人員為陌生人。圖1 為人臉識別預測流程。

4 系統調試結果分析

本文共采集15 張人臉圖片，假定其中10 張為已知人員，5 張為陌生人。采用MobileFaceNet模型對10 張圖片的人臉特征值進行提取，同時對Siamese 模型開展訓練，時間控制、迭代次數分別為10 min、100 次，訓練模型文件大小為65 kB。在簽到系統訓練完成后，顯示數據庫已有的識別結果。如果檢測為陌生人，系統支持在線添加新人。

根據識別結果可知，如果陌生人較少，使用Siamese 模型的準確率較高；如果不斷增多陌生人的數量，該模型的準確率會隨之降低。然而，每一次添加新檢測人員，均可以對Siamese 模型各項參數進行微調，隨著微調數量不斷增多，特征提取能力也隨之增強，更新處理后該模型的識別準確率明顯增加，均超過99.0%。

5 結論

綜上，基于人工智能設計的無接觸式簽到系統，可以借助紅外傳感器檢測受檢者，開啟攝像頭對人臉進行拍攝，利用MobileFaceNet 準確提取需要檢測的人臉特征，采用Siamese 模型獲得相應的特征向量，根據歐式距離完成人臉識別，該系統具有良好的穩定性和準確性。系統用于課堂簽到場合，只需采集幾張圖片，通過預處理及算法優化，識別準確率超過99.0%，有利于解決傳統簽到速度慢、數據利用率低等問題。