随着计算机技术和光学成像技术的发展,人脸识别登上安防系统的舞台。人脸识别技术是现在安防系统中使用较为广泛的技术之一。相比其他生物特征,人脸特征具有非接触性、稳定性好、难仿冒等优点,易于为用户所接受[1]。智能视频监控是计算机视觉领域最近几年发展起来的热点研究方向和应用方向[2]。基于视频监控下的人脸识别由于受到光照、躁声以及人脸多姿态性等因素的干扰,实现起来比静态人脸识别困难得多[3]。随着对人脸技术的不断开发提升,以往因无法充分利用的复杂光照环境条件而被丢弃的人脸采集数据,通过某些条件筛选后的一部分数据也可以在一定程度上进行识别建模,并最终参与到系统的识别比对,从而增强了系统的采集能力。因此,在我们降低对识别系统中采集端的要求的同时,也使得非配合的被动人脸采集纳入人脸识别系统的应用成为可能。
被动人脸识别系统即在采集点架设采集设备,不需要被采集人员配合,在其不知情的情况下将其信息采集、保存并进行识别。采集设备经历了从模拟相机到数字高清摄像机的换代后,采集数据也随之发生了根本性的变化。采集数据量的提升给人脸识别系统的处理能力提出了更高的要求,采集数据质量的提升则给人脸识别系统更大的选择余地。被动识别系统的难点在于整个系统的采集端和识别端。没有了被采集人员的配合,采集数据的光照条件变得更为复杂、行为不可预料、表情丰富姿态不可控。因此,被动识别系统的采集端及识别端性能的好坏直接决定整套系统的性能。目前,市场上非配合的被动人脸采集系统使用的范围并不是很广,但其较强大的适装性将更容易被使用场所接受。
1 系统组成
被动人脸识别系统主要由采集端、检测端、识别端、预警端及数据存储服务器组成,构成如图 1所示。
采集端主要完成被动系统检测对象的采集。 检测端主要完成对采集数据的初步检测,将无人脸或脸部信息缺失的数据从输入数据源中剔除。 识别端主要完成对通过检测的输入数据进行人脸识别、建模、模板制作、信息标定等较复杂的工作。 预警端主要完成在预置中模板检索、比对,在成功匹配后对当前被采集对象发出警报,并将信息标定写入报警数据库中。 数据存储服务器主要将系统成功报警的采集信息写入服务器,供后期数据分析及检索,另外还可以分流系统关心的用户数据,对实际应用的被采集对象行为进行分析以促进其他系统的应用。
2 各子系统的难点
被动人脸识别系统的结构相对来说比较固定,其组合方式如图 2所示。
对于整个系统的应用来说,采集端是整个系统的核心。采集数据的好坏一方面决定了系统的采集效果,另一方面也决定了后端处理系统难度的大小。而检测能力及识别能力也从另一个角度制约着系统的处理能力。
2.1 采集端子系统
采集端决定着系统数据可用程度,制约系统的处理速度。根据现场的实际条件选择采集端的架设位置,确定采集位置就可以调整采集区域内的光线条件匹配系统。本套系统中对人脸采集的角度进行制约,如图 3所示,将俯仰角控制在10°以内。
2.2 检测端子系统
视频监控系统中,主要关注的是视频图像序列的实时性的要求[4]。人脸检测算法不仅需要克服光照和姿态对识别效果的影响,同时还应注重提高人脸识别系统的速度[5, 6]。整套系统的采集端有多处,各采集点场景的光线存在区别导致检测端的检测条件有所不同。整个采集过程又是在远距离、动态采集中完成的。其难点在于如何将各采集端数据归一化或者在不同采集端利用定制条件进行判断筛选。检测原理如图 4所示。
系统检测能级也是整套系统能力指标之一。系统中决定检测能级的要素为:检测分辨率、检测频率,整体检测区域面积。检测分辨率越大则系统识别精度越高,检测频率越高则对系统性能配置要求越高,在同样配置情况下整体检测区域越大对系统运算能力要求越高。
2.3 识别端子系统
识别端相对来说功能较单一,在现有模型的基础上对系统采集数据生成模型。其识别过程如图 5所示。
本套系统中由于人脸模型及特征提取已固定,则不存在调整操作。
2.4 预警端子系统
预警端则是对报警能力的控制。报警涉及2个指标,即正确报警率及漏报率。由于被动采集的数据多样性,人脸姿态不可控以及比对数据的非同源性,都使得正确报警率及漏报率随着光源、姿态等要素的变化而动态变化。如何将二者调整到最佳也是整套系统的难点之一。
2.5 数据存储服务器
数据存储服务器在系统中主要负责数据存储、分类、统计等功能。可根据系统的需求配置合适的硬件,并对数据存储及备份的周期进行确认。
3 子系统之间的相互制约
被动人脸识别系统的子系统较多,其之间的制约条件也比较复杂。比较受关注的是采集端与识别端的制约。采集端的数据传输速度受检测端、识别端的处理速度的制约。
系统流程如图 6所示。另一个需要重点考虑的就是数据量与数据质量对系统的限制。系统源数据的采集区域大小以及照片质量决定了系统传输的带宽,并给后端系统提出了处理速度要求。根据采集端提供数据的质量,检测端根据系统对照片的质量要求例如照片的清晰度、对比度等指标进行筛选。将不满足识别要求的低质量照片在本环节中删减。
大多数情况下,受分辨率、光照、运动姿态以及遮挡物的影响,采集到的人脸信息并不完整[7]。但在视频监控系统中,由于被采集对象运动具有连续性且具有一定的运动规律[8],在跟踪的基础上对轨迹中的人脸特征点进行筛选[9, 10]。对照片的质量要求是识别端在建模过程中对数据源的最低要求。质量再低的照片在建模后的模板数据不是很精确,会造成比对过程中出现较大误差。因此,检测过程中必须将此类低质量的数据进行剔除。
在不同的实际系统中,各关键量需要按照系统需求进行统一调配。
4 结束语
本文提出的被动人脸识别系统的设计方法采用模块化设计,分别分析了各子系统的难点以及各子系统之间的联系和制约条件。
依据本文所提及的被动人脸识别系统的实现方法,将极大推进智能安全控制系统信息化综合利用效率,提高智能化防范水平,实现智能安全控制系统的主动性防范功能,有效促进人防技防的有效结合,提高现场处置、取证的及时性和有效性,使智能安全控制在安防领域发挥出更大更有效的作用。
如何在本文基础上统计用户数据,总结规律并为其他系统提供应用接口,是今后工作中需要进一步解决的问题和研究的方向。另外,也可以考虑通过人体动作识别方法实现与视点无关的人体动作识别,补充了被采集对象的信息并增加一个特征点进行匹配。
[1] | 赵福梅. 人脸识别系统在嵌入式门禁系统中的研究与设计[D]. 太原:太原理工大学,2013:12-14. |
[2] | 孙正春. 智能视频监控中的人脸识别[D]. 成都:电子科技大学, 2012:8-12. |
[3] | 曹艳艳. 人脸识别技术在视频监控系统中的应用[D]. 成都:西南财经大学,2012:3-6. |
[4] | 谭余. 人脸检测和识别[D]. 成都:电子科技大学, 2013:14-17. |
[5] | 郭鹏飞. 视频监控中的人脸检测与识别[D]. 南京:南京理工大学,2010:7-12. |
[6] | 范桂香. 人脸检测与跟踪的若干方法研究[D]. 南京:南京理工大学, 2013:10-15. |
[7] | 王志鹏. 不完整信息下的人脸识别技术研究[J]. 科技通报, 2013(10):34-37. |
[8] | 李峰. 智能视频监控系统中的行人运动分析研究[D]. 北京:中国科技大学, 2011:11-14. |
[9] | 李鹏. 视频图像人脸特征点跟踪技术研究[D]. 成都:电子科技大学,2011:21-26. |
[10] | 张剑. 基于内容的智能视频监控关键技术及在公共安防中的应用研究[D]. 杭州:浙江大学, 2007:3-4. |