隧道工程人员身份安全识别

王 君，徐铭江，梁薇薇，陈定安，孙晔然

（1.中山大学南方学院电气与计算机工程学院，广东广州 510970；2.重庆邮电大学自动化学院，重庆 400065；3.广州恒通智联科技有限公司，广东广州 510630；4.中山大学地理科学与规划学院，广东广州 510970；5.斯旺西大学理学院地理系，斯旺西SA2 8PP）

铁路隧道工程环境复杂，易发生工程安全险 情。发生险情时，一旦有安全事故，缺少人员信息将成为开展救援任务的一大难题[1]。传统单一的辨识方法因无法及时预警和有效辅助救援，所以不适应于这种情况。为此，需要开发新的识别技术，以提高工程人员的安全性[2]。可以引入人脸、虹膜、声音等独特的生物特征，提高身份辨识能力[3-5]。

1 生物识别技术

1.1 面部识别技术

不同的人脸具有不同的面部特征，比对面部特征可以用来鉴定身份。面部识别一般具有以下特性[6]：

1）自主性：机器可以自主监控识别；

2）非接触性：识别不需要特意触碰；

3）高效性：在实际中，可以一次识别一群人。

面部识别方式如下[7-11]：

1）人脸面部检测，将图片中有人脸的区域挑出来；

2）结合人脸的区域再计算出个人眼睛等位置和特征信息；

3）最后与后台数据进行对比，鉴定身份。

1.2 虹膜识别技术

虹膜从出生就不再改变，是每个人特有的特征，可以用来识别身份。此外，虹膜识别还具有稳定性、可实时检测的特点，虹膜的特征点很丰富，有两百多个特征点[12]，方便用于身份识别。

1.3 声音识别技术

对声源信号分析得到声纹的频谱等相关特征，并通过比对数据库中的信息来辨别个人身份。对声纹信号采样并进行数字化后就可以高效区分不同人的声音。语音可近似看作周期信号，可以用声音的频率分布对输入声音的信号频谱进行处理,提取主要的特征信息[13-14]，然后进行训练形成信息库，再与信息库中的数据进行匹配，最终确定结果。

2 身份识别系统整体设计

尽管只针对面部进行的单一识别技术比较方便，然而当检测环境条件恶劣时，对施工人员进行识别的检测设备易受粉尘遮挡、光线不足等原因的干扰，或者因照明不足以有效识别面部，导致面部特征不清晰[1]，无法有效得出人员特征信息。若摄像头视线遮挡，虹膜识别的准确率也很容易受到影响。同样，只针对声音进行的单一识别技术的准确率容易受机械噪音大、受测人员身体条件异常的影响。所以，只针对声音进行的单一识别技术不适用于这种特殊情况。

针对以上问题，文中将面部信息数据、虹膜信息数据、声音信息数据相结合，得到新的复合特征信息。然后，用决策树支持向量机（Decision Trees Support Vector Machine，DT-SVM）分类器来比较复合的特征信息，结合在数据库中存档的受测人员特征，得到受测者的身份信息，识别流程如图1 所示。

图1 复合特征识别流程

2.1 离散余弦变换

离散余弦变换可以把高维立体图像映射到低维线性空间。且具有很强的能量集中特性。由二维图像数据序列f(x,y)可知，二维离散余弦变换为：

根据离散余弦变换基本原理，可以将低于阈值的系数量化为0，以保留图像特征。

2.2 DT-SVM分类器

在识别复合特征信息的主要工作中，样本间的欧式距离是决策标准[14]。支持向量机可以将输入的内容按照一定的界限分为两半[15-16]。然后，DT-SVM分类器可以通过类似二叉树的形式将分类后的子类继续细分，最后留下单独的特征类别，再采集到重点信息以后完成最后的分类辨别工作。

3 特征获取

获取100 个隧道工人的正面人脸特征、虹膜特征、声音特征，产生新特征信息的模板库。

3.1 人脸特征获取

通过摄像头采集到30 幅1 280×720 像素的图像。处理后，系统将继续通过感兴趣区域处理(Region of Interest，ROI)，通过简化图片中的特征信息来减少辨别工作的负荷。可以获得50×50 像素的图像矩阵。然后，进行图像归一化处理、自适应阈值二值化，减少检测环境中光照的影响。通过采集的人脸图像，计算获得人脸眼、鼻等关键点的坐标关系，为虹膜识别作准备。同时，通过二维离散余弦变换、自适应阈值、将低于阈值系数的量化为0，消除部分非重点特征，使得离散余弦逆变换仅保留1×500维的特征向量，成为人脸的新特征向量。人脸新特征获取过程效果图如图2 所示。

图2 人脸新特征获取过程效果图

3.2 虹膜特征获取

由人脸识别获得人脸眼、鼻等关键点的坐标关系，然后通过快速辨别出面部图像上的人眼相对位置来选出作为原点的中心坐标,锁定中心坐标以检测（10*10）邻域并确定眼睛的位置。锁定并得到虹膜信息，要对目标进行拟合，从而得到合适的、没有明显干扰信息的30 幅虹膜特征图像。然后，通过二维离散余弦变换，自适应阈值，将低于阈值的系数量化为0，消除部分非重点特征，使得离散余弦逆变换仅保留1×500 维的特征向量，作为虹膜的新特征向量。虹膜的新特征获取过程效果图如图3所示。

图3 虹膜新特征获取过程效果图

3.3 声音特征的获取

利用拾音器获得工程人员声音采样，得到30 段声音频谱，为了使声音特征信号有效可用，分析声音频谱规律，对声音进行预处理，并滤掉噪音以及环境对声音的不良干扰，最终得到有效的声音频谱特征图，如图4 所示。然后，通过二维离散余弦变换、自适应阈值，将低于阈值系数量化为0，消除部分非重点特征，然后进行离散余弦逆变换，仅保留1×500 维的特征向量，作为声音的新特征向量。

图4 声音频谱特征图

考虑工程作业实际条件中应用单片机的场合较多，故需简化算法来减少对CPU 的负荷，在预处理图像后，均衡减小了噪声的实际影响。离散余弦变换和离散余弦逆变换时，文中均采用应用查表法，以减少计算复杂度并简化了识别的计算，从而节省计算时间。文中提出的方法第一步利用100 名工程人员，重复100 组训练并记忆复合特征信息库，即每组将1×500 维人脸的新特征向量、1×500 维虹膜的新特征向量、1×500 维声音的新特征向量，组合成1×1 500维的融合特征向量；第二步，提取出复合特征信息与复合特征信息库中的信息进行匹配，从而鉴定人员的信息。

4 实验结果和分析

为对比验证该算法的实际判别效果，对100 个受测人员的身份判别并统计准确率，如表1 所示。隧道人员各识别准确率对比图如图5 所示。

图5 隧道人员各识别准确率对比图

表1 隧道人员身份判别准确率

根据表1 和图5 中的数据对比可知，在同种环境条件下，单一人脸算法对摄像头视线遮挡、黑尘都比较敏感，导致识别率降低。将人脸和虹膜识别融合的方法与文中的方法对比可知，在干扰比较小，信噪比为25 dB、30 dB 时，识别效果较好。但是，在干扰比较大，信噪比为10 dB、15 dB 时，人脸和虹膜识别相结合的准确度与单一的识别方法相比，有效性都偏低。这是因为人脸和虹膜识别本身具有相似性且易受光照、粉尘等诸多因素的干扰。而文中的算法复合了声音特征，降低了光照、粉尘等的影响。

文中提出复合特征识别方法方差较小，稳定性增强。从表1 和图5 数据可知，在相同情况下，多生物特征复合识别算法方差减小，比单一生物特征识别算法更稳定，而且识别过程中对单一的生物特征信息依赖性降低，增强了系统可靠性。这是因为形成的新特征同时包含了部分虹膜的特征信息和声音的特征信息，能识别出对应的人员身份。文中的方法比单一特征鉴别或人脸虹膜融合算法，更能有效解决因环境因素而可能出现的人员识别成功率低的难题。

5 结论

实际工程环境恶劣使得通过单一生物特征识别方法得出的计算结果不可靠，由此导致无法正确辨别人员的身份。文中提出了基于融合多种特征的识别方法，采用二维离散余弦变换保留重要特征信息，组合生成新特征信息的模板集；DT-SVM 分类处理将特征信息与数据库信息进行匹配。实验仿真结果表明，在隧道特殊条件下，复合特征识别算法具有更好的稳定性和适应性。