基于疫情防控下人脸识别在宿舍管理系统中的应用

韦大欢

（北海职业学院，北海 536000）

0 引言

2020年，新冠肺炎席卷全世界，给人类生产和生活带来了深远的影响，随着疫情进一步好转，疫情防控工作正逐步进入常态化。高校在校生规模不断扩大，给疫情防控工作常态化下的学生管理工作带来了新的挑战。宿舍是高校学生“三点一线”（教室、食堂、宿舍）的重要活动场所之一，目前大多数高校依然采用传统人工方式对学生宿舍进行管理，这种管理方式效率较低、工作耗时长、准确度不高，不能自动统计汇总宿舍管理数据。另外，人脸识别是人工智能中的一项核心技术，由于具有自然性、非强制性、非接触性、并发性等特点，使得人脸识别应用越来越广泛，社会正逐步进入“刷脸”时代。人脸识别与指纹辨别、声音辨别等技术相比具有较强的安全性、稳定性及直接性，并且跟学校的疫情防控工作要求相契合，因此，研究在疫情常态化背景下将人脸识别应用于宿舍管理系统，可以使学生在学校中的人身安全与财产安全等得到更加有效的保障。

1 人脸识别相关概述

1.1 人脸识别原理

人脸识别作为一种非常方便、安全的身份认证方法，其工作原理主要是采集人脸数据，同时将其当作基本信息存储于数据库当中。接着使用摄像头数字化图像处理采集到的人脸信息，将处理好的人脸信息与数据库中的人脸进行匹配，详细原理如图1所示。

图1 人脸识别系统原理

从图1中可以看出，人脸检测是人脸识别过程中非常重要的输入源，人脸特征值的获取和人脸识别的算法均是人脸识别系统不可缺少的主要技术。当前，以Rowley为核心的主流人脸识别技术是处理分析众多人脸与非人脸样本的重要方法，经过训练样本能够获得预估值，同时当作人脸参照，这样可以对人脸识别的结果进行断定。

1.2 人脸识别在宿舍管理系统中的优势

1.2.1 精准识别

精准识别主要分为精准检测、精细限制及精准追踪等几个方面，其中精准检测指的是通过运用神经网络算法与深度学习算法进行检测，识别率可以超过99.5%；精细限制能够对识别范围进行适当调整与限制，防止错误识别不相关人员；精准追踪指的是追踪被检测区域检测到的人脸，避免出现人脸重复。

1.2.2 安全可靠

安全可靠主要体现在活体检测与防止尾随等方面。活体检测可以对二维图像展开活体检测，通行测试手机图片、视频及纸质照片等，结果显示不被识别，不能通行。与此同时，人脸具备唯一性，凭借这一特征能够更好地避免其他人员冒充授权者的身份通过。防止尾随是厘米级别的防止尾随，与此同时，避免交汇性与反向性闯入，如果触碰宿舍的速通门，其会及时声光报警，同时进入学校安防系统。学校安防系统会展开地图定位、视频严格审查，同时拟定处理方案。唯有搜集过人脸特征信息的用户，方可进入宿舍区域，这种做法可以提升安全性，规避不良隐患。

1.2.3 智能便捷

智能便捷主要体现在以下几个方面：一是方便搜集信息，非接触式，自动获取人脸信息的非接触式，同时可以反复使用；二是具有较强的免携带性，防止学生因忘带“一卡通”而不能进入宿舍的情况，与此同时还处理了“一卡通”容易丢失、损坏及仿冒的问题；三是提升管理人员的效率，减轻了宿管员和辅导员的工作任务，实现了师生进出宿舍、晚归登记等自动管理的目的。

2 人脸识别基本问题和基本算法

2.1 图像光照补偿

人脸识别作为一种非常方便、安全的身份认证方法，其工作原理主要是采集人脸数据，同时将其当作基本信息存储于数据库当中。接着使用摄像头数字化图像处理采集到的人脸信息，将处理好的人脸信息与数据库中的人脸进行匹配，详细原理如图1所示。

由于光照不均衡或者是光线照射强度比较低，会导致图像出现各种各样的问题，如：图像偏暗、亮度不均匀等，从而为图像后期的处理造成不必要的麻烦。图像光照补偿技术可从根本上解决些问题，图像光照补偿是从频域方面进行非线性或者是线性的改变，通过对人脸识别系统进行综合考量，其时常需要在光线照射强度较低或者是太高的环境中运行。为了防止图像中出现丢失细节的情况，需要在获取特征以前采用适当的光照补偿图像，方便清晰的展示图像信息，与此同时，还有利于获取图像中的人脸特征，让图像实现良好的视觉效果，在一定程度上可以明显提升人脸识别的成功概率。

2.2 人脸识别主要算法

人脸识别系统经常使用几何特征识别和模板匹配进行人脸识别这两种方法。对于几何特征识别方法，众人皆知，人的面部主要是由鼻子、眼睛、嘴巴及下巴等组成，在获取人脸图像时，主要是搜集人脸中的这些特征。由于每个人从面部组成方面的结构、形状及大小等存在较大的差异，因此需要利用几何对这些脸部构件之间存在的结构关系进行描述，这样可以把描述内容作为人脸识别的主要根据。依据人脸构建所在的相对位置、欧式距离、角度和曲率等，可以把这些信息作为人脸识别的特征根据。经过比较图像与实际人脸，可以实现人脸识别的效果。这种方法具备较强的直观性，容易理解，但是因为外部光照环境与面部表情等因素产生的不利影响，其特征点具有较差的稳定性。

针对几何人脸识别方法而言，尽管这种方法非常简单，同时具备非常快的计算方法，但是当获取的结果存在差异时，则不能得到良好的识别效果，同时光照的因素依然是数据特点中获取的主要影响因素。在将模板匹配作为中心的人脸识别算法当中，首先需要采集人脸图像，接着展开预处理后，通过人脸模板的方式储存在系统当中，计算待测图像与人脸模板的相关性，接着按照计算结果明确划分人脸种类。针对不同模板的匹配而言，需要展开大量模板精度计算与图像灰度计算，将可变模型作为标准的人脸特征提取方法可以使用弹性模板提取人脸当中的眼睛、嘴巴等，但是光照环境差异和人脸姿态等依然会对通用模板方法的评价结果产生直接影响，经过使用可变行模板识别人脸，在完善所定义的能量函数时，依然具有较强的复杂性。

3 人脸识别模块设计

人脸识别首要工作是采集图像，接着是对人脸进行检测，预处理人脸图像，获取人脸特征，匹配获取的特征值和人脸库。图2为人脸识别的基本流程图。

图2 人脸识别的基本流程

3.1 面部检测

图像采集使用摄像头识别人脸，这一做法的基本条件是搜集到人脸，在多种颜色的背景中过滤其他图像，有效分离需要的人脸，换言之是精准判断图像中是否存在人脸。第一步通过摄像头搜集人脸信息，使用非常经典的检测算法，即Harr+AdaBoost，根据人脸肤色等特点定位人脸区域，同时清除其他干扰性的背景元素。假如同时出现多个人脸被定位，就需要多出一个空间存储人脸，接着提炼人脸图像中包括的结构信息、颜色信息等特点，改变为数据应用于后期人脸识别中，人脸识别操作的基本原理是比较人脸特征。这种检测方法具有较强的检测率，同时从光线、角度及肤色等方面具有较强的人脸检测鲁棒性。

3.2 图像预处理

摄像头搜集照片难免会受到各种干扰因素产生的影响，如光照、背景及姿态等，具体采集的图像不能直接在人脸识别中得到广泛应用，与此同时人脸具有相应的斜角度，往往不会和摄像机保持水平状态。鉴于以上因素，从某种程度上可以对人脸识别的精准度产生直接影响，这就需要预处理图像，把图像中比较重要、有价值的信息进行充分展现，清除无用的信息，进而可以使识别的精准率得到全面提升。图像预处理不会使原来图像的特点出现明显改变，图像预处理的结果可以对人脸识别的最后结果产生直接影响。

3.3 提取特征

人脸特征提取过程主要是依据开源的68D人脸核心点检测器对人脸面部的关键点进行定位，利用卷积神经网络CNN图像模型中的深度残差网络ResNet人脸识别模型可以提炼人脸面部特点。

3.4 人脸识别

采集完人脸信息之后，开始连续识别，并且还需要获取画面中人脸的特征点，和数据库中的人脸特征进行比较。凭借计算特征值之间的欧氏距离可以断定人脸差异的大小，从而可以判断是否是数据库中已经存储的人脸。人脸识别模块会不断识别进入摄像头的人脸，如果识别到人脸，会自动获取这个人脸特征点，经过灰度化和归一化处理，比对存储于数据库中的人脸特征，从而达到门禁的目的。为了确保学生有足够的时间通过宿舍门禁闸机，如果识别成功，程序会打开闸机并停止这个模块三秒钟，然后关闭闸机等待。

4 系统测试

4.1 人脸检测

人脸检测主要是处理某张图像过程中，利用恰当的搜索算法，断定图像中是否出现人脸，如果真有这个人脸，可以把人脸的方位、大小和表情等信息当作返回值进行传输。

4.1.1 人脸检测的速度

人脸检测过程中消耗的时间可以当作评价检测能力好坏的主要标准。在解决众多照片时，人脸检测使用的时间越少，代表着处理器承受的负荷越小，同时表示可以减少项目成本；另外从移动端用户方面来看，减少人脸检测时间，可以提高产品的效率，提升用户的满意度，因此通过在学生宿舍管理系统中应用这种技术，可以减少检测时间，目前在移动端与PC端都可以展开动态检测。

4.1.2 人脸检测的环境

人脸识别系统能够在各种各样不同条件环境中支持人脸检测，与此同时还可以对正面与侧面等不同角度的脸部位置进行实时检测。

4.1.3 人脸检测的效果

宿舍管理系统使用的人脸检测技术从社交平台上能够将照片图像的检测率提升为79%以上，同时精准率与召回率提高为70%左右。

4.2 人脸识别

人脸识别技术则是利用算法对比很多张人脸图片的相似程度，通过这样可以断定这些图片是否来自于同一个人，这种技术是人脸识别1∶1验证。透过输入一张人脸图片，从系统存储的人脸数据库中找出和其相似的人脸当作备选图片，这种技术是人脸识别1∶验证搜索。该技术应用的人脸识别技术，可以在各种社交平台中获取很多实验数据，累积解决上千张人脸图片，符合中国人脸部特征的辨别。

4.2.1 1∶1人脸识别

宿舍管理系统当中的1∶1人脸识别与验证技术可以应用于门禁控制和身份证验证等各个方面，这是一套非常完善、具备安全性与实时性的人脸辨别系统。该系统的人脸识别技术经过全面分析对比度、纹理和语言等特征，可以提升精准率与安全性。

4.2.2 1∶人脸识别

宿舍管理系统的1∶人脸识别技术在考勤、门禁、准入及签到等场合得到广泛使用，通过录入与检索不同脸部特征，可以快速实现人脸检索的效果。该技术能够处理具体场景中存在的问题，如：表情、人脸光照、姿态及角度等方面的改变，利用很多实际使用中的实验数据与结果，获得的人脸模型具有较高的价值。

4.2.3 准确率较高

人脸识别技术应用于宿舍管理系统后，其精准率可以高达79%，实现了理想的实验效果。

4.3 系统测试结果

学生宿舍管理系统通过上述测试流程后，各种功能均与系统设计的预期目标相吻合。然而，这个系统是否可以经过大数据的考验，还需要在具体操作中得以验证。因为在某个时间段的学生流量非常大，数据搜集较为复杂，数据处理压力大，在这种情况下，对系统的软件、硬件等带来严峻考验。通过逐步检测和改正，可以不断提升系统的平稳性与安全性。

表1和表2均是本文研究过程中对软件测试的状况。测试时间是16 h，一共展开了400条测试用例，测试出20个bug，bug率不高于8%，由此可以看出其软件质量较好。经过测试的问题，能够得知在用户操作非常复杂和用户流量比较大时，系统会出现各种各样的问题，这是未来需要完善的地方。如果多台设备同时搜集数据期间，服务器存储与分析数据时，会致使系统崩溃，如此一来不能为用户带来良好的使用体验，经过不断优化人脸识别的算法加以完善。

表1 测试问题一览表

表2 测试状况

这次测试的实施状况可以从表2中看出。这次测试一共使用了400条测试用例，测试时间为5 h，一共出现20条bug，由此而可以看出，系统基本上可以符合上线的基本要求，bug占比为5%，与最低bug率相符。

5 结语

在疫情防控常态化下，通过基于人脸识别的宿舍管理系统的应用，提高了学生宿舍管理的工作效率，降低了宿管员和辅导员的工作强度，在一定程度上解决了高校在学生宿舍管理方面的各种难题，而且能及时对采集到的学生数据进行分析，对于高校的学生安全管理具有重要的意义。人脸识别技术在学生宿舍管理中虽然展现出独到的优点，但是当前依然存在很多的问题，因此这些需要我们在今后研究中不断进行研究与完善。