基于人脸识别技术的“智慧宿舍”管理平台设计

2020-05-29梁利亭

石家庄职业技术学院学报 2020年2期

梁利亭

(三门峡职业技术学院信息传媒学院,河南三门峡 472000)

近年来，我国对于高校数字化校园建设非常重视，陆续出台了一系列政策来支持和推进高校数字化校园建设.2018年6月27日，国家市场监督管理总局和国家标准委员会发布了由清华大学、中国电子技术标准化研究院、阿里巴巴等20余家高校、研究机构和大型企业共同起草的《智慧校园总体框架》，制定了智慧校园建设的总体框架和规划，并指出，数字化校园建设将以物联网为中心，通过信息化手段，统一将学校管理、教学、科研、学生管理等一系列校园生活数字化、智能化，使整个智慧校园安全、高效、共享、便捷[1].

随着我国高等教育的逐渐普及，高校学生数量日益增加，传统的宿舍管理模式因为工作重复、效率低下，会经常出现资源的浪费、易错、易漏等问题.宿舍是学生课余生活的重要场所，一方面宿舍中学生密度高，易产生群体效应；另一方面学生处于青春期，属于不稳定群体.传统的宿舍管理理念和方法，不能快速适应数字化智慧校园发展的需要，很多问题无法得到及时、有效解决.因此，设计、开发一套基于人脸识别技术的“智慧宿舍”管理平台很有必要.

1 “智慧宿舍”管理平台的关键技术

1.1 人脸识别原理

人脸识别作为一种新型的、便捷的、可靠的非接触式生物识别技术，在当前很多领域都有较好的应用效果.它的工作原理分为两步：一是人脸特征信息的采集与存储，先利用硬件设备对人脸进行数据采集，并提取采集到的人脸信息的图像特征，然后将这些基础特征数据存储在数据库中；二是人脸信息的比对与识别，先通过摄像捕捉到人脸图像，将采集的人脸信息图像特征进行提取、检测、分类和识别，然后将识别的结果与数据库中预先存储的人脸头像进行匹配，最后得出结果.原理如图1所示.

图1 人脸识别原理图

从人脸识别原理可以看出，人脸识别的核心在于人脸面部图像特征的提取和比对.为了提高人脸识别的准确率，人们设计了不同的算法来提取人的面部特征和进行比对，并将不同的算法应用在不同的领域中.但不论何种算法，在投入使用前都要进行大量的样本数据测试.测试时先对人脸样本和非人脸样本进行采集和识别，接着对识别程序训练样本提取估值进行人脸参照分析，再根据得到的结果对分类器的参数进行调整，以提高人脸识别的可靠性和识别率.具体流程如图2所示.

图2 人脸识别测试流程图

1.2 人脸检测算法

文献[2]提出了一种命名为“YOLO”(You Only Look Once，它是一种基于深度神经网络的对象识别和定位算法，其最大特点是运行速度快，可用于实时系统)的全新的物体检测方法，该方法简化了物体检测的分类问题，仅通过一个neural network就可以对输入图像的类别进行定位.2018年，陈益民、白勇等人在文献[2]研究的基础上，提出了一种使用特征融合的卷积神经网络算法[3].本研究所用的人脸识别算法是在上述文献的基础上改进而来的，其设计思路为：首先，对采集的人脸图像提取HOG(梯度方向直方图)，同时，采用改进的“YOLO”卷积神经网络算法提取人脸图像特征；其次，将提取的人脸特征和HOG进行融合和分类检测；再次，确定人脸特征.

1.2.1 人脸图像特征HOG提取

HOG 算法的主要作用是可以快速提取图像的轮廓信息，有效降低物体检测特别是人体检测过程中受颜色、光照等外部条件的影响程度.

第一，将人脸图像转换成像素为448×448的JPG文件，接着通过卷积核计算所采集图像的水平和垂直方向的每一个像素点的梯度值[4]，具体公式如下：

gx(x,y)=h(x+1,y)-h(x-1,y)，

gy(x,y)=h(x,y+1)-h(x,y).

其中，gx(x,y)表示图像水平坐标点的方向梯度；gy(x,y) 表示图像垂直坐标点的方向梯度；h(x,y)为图像上当前坐标点的像素值.通过此式，可以计算出当前像素点的方向和梯度模.

第二，根据第一步计算得到的每一个像素点的方向和梯度模，将整张图片转换为HOG.具体做法如下：先将得到的像素按照32×32的大小平均分到196个单元中，再按单元统计其包含像素的方向和梯度模，转换为HOG.其中，HOG的横坐标为196个单元按照梯度方向平均分成的9个区间，纵坐标为每个区间的所有像素的HOG的模之和.

第三，在得到所有单元的HOG后，利用L2范数归一化的方法，用像素为64×64大小和步长的滑动窗口遍历整个人脸图像，再用归一化的方法处理每个单元内的特征值，这样可明显提高图像提取对于光照、边缘化、颜色、阴影等因素变化的鲁棒性.

1.2.2 特征图融合

利用“YOLO”卷积神经网络来融合特征图.采集的人脸头像通过以“YOLO ”理论为基础的卷积神经网络进行一系列处理.将采集到的大小为448×448像素、颜色模式为RGB的JPG人脸图像分别进行6次卷积和4次池化处理，每次卷积和池化都将对输入的图像进行卷积、下采样、加偏置和激活函数处理等操作，以提取人脸图像的特征值.本研究所采用的“YOLO ”具有良好的实时性和泛化能力，能较好地均衡图像提取的速度和准确性.

1.2.3 分类与检测

通过特征提取和特征图融合可得到神经网络的人脸特征图，但要实现与硬件采集到的人脸图像的识别和检测还需要对分类器进行设置、训练与检测处理.

首先，定义损失函数.在实际应用过程中，图像中包含的非人脸区域往往远远大于人脸区域，因此需要定义损失函数，以显示计算值与标记值之间的误差.这种误差一般包含定位误差和分类误差，计算中可对两种误差分配不同的权值，通过加权来降低非人脸区域等外部因素的影响.

其次，对整个检测网络进行测试和训练.根据测试和训练过程中反馈的结果，及时调整并检测网络中各个层特别是全连接层的主要参数，通过对参数的调整使得计算结果以非常高的成功率识别出人脸目标，并确定人脸边界值的参数.

再次，输出特征图像中每个单元格的边框标记值，以评估各个单元格中所包含的目标人脸的位置信息.

1.3 Open CV 技术平台

本研究所涉及的图像采集、录入和保存所使用的技术平台为Open CV(Open Source Computer Vision Library).该平台是由大量的C++类库组成的开源的、跨平台的计算机视觉库，它在计算机图像处理和视觉方面提供了大量的算法，并提供C#，Java，Python，MATLAB，Ruby等语言的接口，具有良好的可移植性.本文利用Open CV所提供的面向Intel IPP的相关接口，将硬件拍摄到的人脸头像载入识别系统，并通过高效多媒体函数库对IntelCPU进行代码优化，以提高图像提取及人脸识别程序的性能.

2 “智慧宿舍”管理平台的分析与设计

2.1 系统分析

“智慧宿舍”管理平台以高效宿舍数字化实际需求为出发点，以学生、教师、管理员和系统维护人员为研究对象，围绕宿舍日常事务，利用数字化手段，系统分析各种业务需求，实现宿舍管理的信息化和智能化，最终结合学校基础网络和数据库等资源逐步建立“智慧校园”系统平台.

对宿舍管理业务进行综合分析后，将“智慧宿舍”管理平台分为业务功能、查询功能和系统功能三大模块，这三个功能模块根据实际情况又分为若干子模块，如图3所示.每个模块涉及的业务不同，因此用户及用户权限也各不相同.

图3 “智慧宿舍”管理平台功能模块图

宿舍管理人员通过相应模块进行信息查询、权限管理和信息审核等，系统维护人员通过系统功能模块进行日常维护和运行监控等，具体功能如图4所示.

图4 “智慧宿舍”管理平台的系统功能模块UML图

2.2 总体设计

在设计、开发“智慧宿舍”管理平台时，遵循模块化、标准化、开放性、扩展性、兼容性和可靠性等原则，实现基于人脸识别的信息采集、提取、分析、比对、管理和共享等功能，同时将这些数据信息结合智慧校园的其他数字化系统共同实现校园数字化管理.

2.2.1 总体架构设计

本研究采用基于B/S (Browser/Server，浏览器/服务器模式)结构的三层架构思想进行设计和开发，在遵循系统设计信息安全及标准规范的基础上，通过业务逻辑和表示层、数据层的分离，提高开发效率，保证系统平台的可扩展性.“智慧宿舍”管理平台的逻辑结构如图5所示.

图5 “智慧宿舍”管理平台的逻辑结构

2.2.2 人脸识别功能模块设计

人脸识别模块首先采用Open CV技术平台采集硬件设备拍摄的图像并传至主程序.其次，通过HOG算法将人脸和背景进行有效区分，通过“YOLO”算法提高计算速度，将两者结合起来得到人脸头像的特征值.为了提高系统的识别准确率，需要通过大量的数据对算法进行测试，并调整、更新神经网络层的参数，形成最终的神经网络系统.再次，将检测、提取的人脸特征值与数据库中存储的特征值进行比对，若成功，则准予通行；若失败，则禁止通行.人脸识别流程图如图6所示.

图6 人脸识别流程图

3 “智慧宿舍”管理平台功能的实现与测试

3.1 系统登录功能

“智慧宿舍”管理平台的用户按照权限分为宿舍管理员、系统管理员、学生和教工四类.教师的初始账号和密码为工号，学生的初始账号和密码为学号.每类用户通过账号、密码及系统自动生成的四位随机数验证码进行登录.账号和密码用于验证用户的身份，验证码用于防止用户使用恶意密码破解软件进行登录.登录的关键代码如图7所示.