基于人脸识别的高校智能学工系统

匡红梅 陈卫 李伟

人脸识别技术是一种重要的生物认证技术，通过对人的脸部生物特征进行采集，并与数据库中的特征数据进行匹配，实现对人的身份智能识别。当前，随着深度学习技术应用到人脸识别中，使得动态人脸识别和匹配的效率大幅提升，能轻松做到毫秒级的识别速度，足以满足大部分工程实践。

1引言

高校中的辅导员往往肩负着一个年级几百学生的日常工作，有些老师还要负责团委、资助和就业等专项工作。为了将自己的工作专业化、智能化和服务化，辅导员需要对办公室来访学生及其信息充分掌握，并对问题学生进行及时沟通。

2系统结构框架

高校智能学工系统整体基于分布式的网络框架，节点终端与服务器之间采用“星形”数据模型进行通信，办公室的每个辅导员通过触摸屏Pad终端查询和交互数据信息。终端的节点拥有查看实时的来访学生信息、备注学生状态等功能。同时依托微信小程序，对终端的数据信息进行查看和管理。

2.1人脸识别技术背景

（1）20世纪40～60年代，欧美一些主要国家先后提出了基于人脸的生物特征对人身份的识别理论。当时人脸识别主要停留在人脸的几何结构特征的研究，并作为模式识别的一个下属分支进行研究。

（2）20世纪60～90年代，由于电子计算机迅猛发展，基于早期的理论研究，科学家把人脸识别的几何特征与计算机的数据结构相接合，将一些人脸特征存储到计算机中，并进行算法研究和仿真。该阶段为今后的人脸识别应用奠定了基础。

（3）20世纪90年代到本世纪初，人脸识别算法进一步优化，CPU的速度和显卡性能进一步发展，使人脸识别技术在工程实践中得到了应用。

2.2系统技术方案

高校智能学工系统中的人脸识别，基于OpenCV数字图像处理工具，对采集数据进行图像处理。在处理的过程中，共分为3个阶段。

（1）图片采集和预处理。在对静态图片进行特征点提取之前，需要对图片进行一定的处理，目的是对特征点不容易提取的图片或光线较差的图片进行补光或降噪。预处理后的采样效率好坏对采集效率具有十分关键的作用。

（2）人脸特征码识别和提取。人脸特征码识别和提取通过特征脸法（Engine Face），PCA降维处理进行完成。该方法将包含特征信息的区域看作一种随机向量，采用K-L变换（Karhunen Loeve expansion）获得其正交基底。系统对特征码提取后，以十六进制的形式存储在数据库服务器中。

（3）人脸特征码比对。系统对提取的人脸特征码与数据库中的特征码数据库中信息码进行匹配查询操作，对查询成功的信息进行身份确认，对查询不到的信息做查询不到处理。为提升查询速度，系统对特征码数据库中的数据进行索引设置，有效提升查询效率。实验证明，系统采樣和比对的速度能够达到工程实践要求。

2.3相关技术方案比较

当前，除了基于本系统的技术方案以外，主流的生物识别方案还有虹膜身份识别、声音识别方案和指纹识别等。与人脸特征码比对的方式相比，其他几种方案都具有一定的不足。

（1）虹膜身份识别基于每个人的不同的虹膜图案结构，实验证明：即使是同一个人的右眼和左眼也有很大的不同。虹膜图案实际上比指纹更独特和清晰，可以安全的作为识别一个人身份的方法。缺点是虹膜身份识别的采集难度较大，需要采集者配合且不易于操作。

（2）指纹识别的优点主要是识别算法比较简单，容易在嵌入式产品中实现。缺点是该识别方案需要采集者配合且不易于操作，采集时间较长（通常在0.5～1 s范围），同时对指纹不清晰或指纹不明显的个体识别难度较大。

（3）声音识别方案是手机身份识别的重要方案，优点是识别算法简单，识别准确率高。该方案的缺点是识别速度慢，对识别环境的要求高，不易于对大面积人群进行推广。

3结束语

从系统的整体进行分析，由于办公室每位老师所看到的学生数据全部由人脸识别模块进行提供，所以人脸识别的效率决定着系统运转的整体性能。在实践过程中，与传统的人脸识别比较，高校智能学工系统采用的是动态人脸识别，而动态识别的原理是：根据采集视频中，对每秒的视频截取30张图片，即按照每秒30帧进行实时采集。实践证明，基于这样的识别效率可有效满足目前的工程需求，达到预计的效果。