廖玥靈,馬敏耀,2,令狐蓉,魏晗*,段先連,李興龍

(1.貴州師范學(xué)院 數(shù)學(xué)與大數(shù)據(jù)學(xué)院,貴州 貴陽(yáng) 550018;2.貴州師范學(xué)院 網(wǎng)絡(luò)空間安全重點(diǎn)實(shí)驗(yàn)室,貴州 貴陽(yáng) 550018)

0 引言

由于科技革命的催生,各行各業(yè)都向著數(shù)字化轉(zhuǎn)型。 在這樣科技騰飛的大背景下,智能門(mén)禁系統(tǒng)應(yīng)運(yùn)而生。 本文主要介紹一種新型智能門(mén)禁系統(tǒng),此系統(tǒng)裝配在家居防盜門(mén)或其他需要身份認(rèn)證的場(chǎng)景中。 諸如指紋、聲音此類(lèi)傳統(tǒng)的生物識(shí)別技術(shù),或受內(nèi)外因素干擾等原因?qū)е伦R(shí)別效率較低,或?qū)夹g(shù)實(shí)施要求較高而難以普及推廣應(yīng)用,與此同時(shí)也存在安全問(wèn)題。與上述識(shí)別技術(shù)相比,面部識(shí)別技術(shù)對(duì)環(huán)境的依賴(lài)性低,可用性高,可以高效、準(zhǔn)確地對(duì)目標(biāo)人群的身份進(jìn)行核實(shí)。 由于面部識(shí)別的高精確性可應(yīng)用于視頻監(jiān)控、目標(biāo)搜索等諸多領(lǐng)域。 基于人臉識(shí)別的新型智能門(mén)禁系統(tǒng)突破性地采用面部識(shí)別技術(shù)專(zhuān)攻身份認(rèn)證、安全識(shí)別領(lǐng)域,形成高可用、高精度的解鎖方式。 采用基于卷積神經(jīng)的機(jī)器學(xué)習(xí)并建立了龐大的數(shù)據(jù)集以供訓(xùn)練機(jī)器,使得對(duì)面部特征的識(shí)別更加準(zhǔn)確。

1 總體設(shè)計(jì)

新型智能門(mén)禁系統(tǒng)的總體設(shè)計(jì)主要包括數(shù)據(jù)采集、數(shù)據(jù)匹配、數(shù)據(jù)集添加3 個(gè)方面。 系統(tǒng)整體結(jié)構(gòu)如圖1 所示。 數(shù)據(jù)采集是利用OpenMV 等信息采集模塊對(duì)人臉特征信息進(jìn)行提取、收集,從而建立系統(tǒng)圖像庫(kù)。 數(shù)據(jù)匹配模塊工作時(shí),將當(dāng)前獲取到的面部特征信息載入圖像庫(kù)內(nèi)進(jìn)行特征匹配預(yù)處理。 該過(guò)程將節(jié)約大量圖像處理時(shí)間的同時(shí),較少正確率的損失[1]。經(jīng)過(guò)預(yù)處理匹配失敗將進(jìn)一步收集用戶(hù)的面部特征信息,計(jì)算出面部特征向量。 運(yùn)用特征向量進(jìn)行深度匹配,同時(shí)本次深度匹配獲取的特征將加入數(shù)據(jù)集中以供機(jī)器進(jìn)一步學(xué)習(xí),從而達(dá)到正反饋的效果,進(jìn)一步提高系統(tǒng)魯棒性。 此次深度匹配確定密碼數(shù)據(jù)集中無(wú)此面部信息,則禁止其使用該系統(tǒng)。 若使用數(shù)字密碼或備用實(shí)體鑰匙的方式,則可以將面部特征加入密碼信息集內(nèi)以供解鎖使用。

圖1 新型智能門(mén)禁系統(tǒng)總體框

2 系統(tǒng)關(guān)鍵技術(shù)設(shè)計(jì)與實(shí)現(xiàn)

2.1 面部特征信息采集模塊設(shè)計(jì)

面部特征信息采集模塊主要作用是分辨并采集待識(shí)別人員的面部特征信息,后將其添加到人臉學(xué)習(xí)數(shù)據(jù)集中。 其工作原理如圖2 所示。 具體工作及實(shí)現(xiàn)方法如下。

圖2 面部密碼采集流程

2.1.1 面部信息辨別

局部二值模式(Local Binary Pattern,LBQ) 是用來(lái)描述圖像局部特征的算子,具有灰度不變性和旋轉(zhuǎn)不變性等顯著優(yōu)點(diǎn)。 該算子常應(yīng)用于面部識(shí)別與目標(biāo)檢測(cè),OpenMV 官方庫(kù)提供了該算子的應(yīng)用接口,其中集成了Haar 算子和傳感器的相關(guān)配置,對(duì)其進(jìn)行調(diào)用即可便捷、準(zhǔn)確地辨別面部信息。

2.1.2 面部圖像信息采集

系統(tǒng)利用OpenMV 官方庫(kù)中的cv2.VideoCapture()方法讀取到完整、準(zhǔn)確的視頻流,隨后將截取到的面部信息在本地進(jìn)行存儲(chǔ)[2],并將所有面部信息用特定標(biāo)簽備注,在系統(tǒng)運(yùn)行過(guò)程中針對(duì)采集到的面部信息,判斷其是否存在備注標(biāo)簽,若存在則利用MTCNN 模型對(duì)此類(lèi)面部信息圖像進(jìn)行提取檢測(cè),隨后將該面部圖像信息保存到本地面部數(shù)據(jù)集。

2.1.3 面部特征信息提取

對(duì)于本地面部數(shù)據(jù)集,采用Facenet 模型對(duì)面部特征進(jìn)行提取,處理后的圖像信息經(jīng)過(guò)機(jī)器學(xué)習(xí)后將會(huì)獲取到一個(gè)多維特征向量。 該特征向量將作為面部信息匹配的依據(jù)。

2.1.4 構(gòu)建面部特征信息數(shù)據(jù)集

該階段的主要目的是將面部特征信息提取階段獲取到的多維特征向量與其在本地面部數(shù)據(jù)集內(nèi)的標(biāo)簽進(jìn)行匹配存儲(chǔ),提高了后續(xù)面部特征匹配的速度、正確率。

2.2 面部特征信息識(shí)別模塊設(shè)計(jì)

面部特征信息識(shí)別模塊主要作用是對(duì)系統(tǒng)使用人員的面部特征進(jìn)行采集,即通過(guò)OpenMV 模塊對(duì)待測(cè)人員面部信息進(jìn)行實(shí)時(shí)讀取、識(shí)別[3]。 面部密碼識(shí)別模塊工作流程如圖3 所示。 具體工作及實(shí)現(xiàn)方法如下。

圖3 面部識(shí)別流程

2.2.1 讀取本地?cái)?shù)據(jù)集

系統(tǒng)啟動(dòng)后,面部信息采集模塊讀取本地面部特征數(shù)據(jù)集,集合中存儲(chǔ)的面部特征向量和標(biāo)簽備注信息將在特征匹配的結(jié)果輸出中發(fā)揮作用。

2.2.2 解析數(shù)據(jù)集生成圖像集

多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)(Multi - task Cascaded Convolutional Networks,MTCNN)是一種基于深度學(xué)習(xí)的面部檢測(cè)算法。 該算法可以高效地完成面部檢測(cè)和面部對(duì)齊工作,在目前面部檢測(cè)算法中處于優(yōu)先選擇的地位。 首先,對(duì)圖片進(jìn)行Resize 操作[4],將待操作圖片縮放成不同分辨率,生成圖像集。 其次,將該集合送入以下3 個(gè)P-Net、R-Net、O-Net 子網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,從而增加對(duì)面部大小檢測(cè)的適應(yīng)性,實(shí)現(xiàn)對(duì)多尺寸檢測(cè)的要求。

2.2.3 計(jì)算特征向量并進(jìn)行面部特征的量化匹配

Facenet 算法用于處理相同面部下不同角度、姿態(tài)形成的差異。 具體通過(guò)計(jì)算特征向量L 獲取一個(gè)閾值,從而實(shí)現(xiàn)了面部檢測(cè)的量化計(jì)算,增強(qiáng)了面部檢測(cè)算法MTCNN 的準(zhǔn)確度。 特征向量計(jì)算公式如下:

面部信息識(shí)別模塊將載入的面部特征向量進(jìn)行吻合測(cè)試。 吻合測(cè)試原理:計(jì)算載入的特征向量之間的距離[5]。 根據(jù)上述公式計(jì)算出特征向量間距L 后,若間距L 在規(guī)定范圍內(nèi),則認(rèn)為面部信息匹配成功,否則匹配失敗并返回錯(cuò)誤信息[6]。

3 結(jié)語(yǔ)

對(duì)于傳統(tǒng)門(mén)禁設(shè)備,密鑰有可復(fù)制性,故安全性較差。 基于面部識(shí)別的新型智能門(mén)禁系統(tǒng)開(kāi)創(chuàng)性地采用了MTCNN、Facenet 等算法使面部匹配從二維平面識(shí)別,升級(jí)到3D 立體識(shí)別,有效防止因利用圖像、視頻信息導(dǎo)致的非法解密,同時(shí)針對(duì)傳統(tǒng)的生物識(shí)別技術(shù)有著不可復(fù)制性、操作簡(jiǎn)單、準(zhǔn)確度高等優(yōu)勢(shì),經(jīng)過(guò)測(cè)試在實(shí)用場(chǎng)景下正確率、識(shí)別速度均達(dá)到預(yù)期效果,證實(shí)了該設(shè)備具有操作可行性。