基于人臉識(shí)別的身份識(shí)別系統(tǒng)

王浩　孫福明

摘要：設(shè)計(jì)了一種基于人臉特征來判斷客戶真實(shí)身份的系統(tǒng).首先利用第2代居民身份證閱讀器自動(dòng)采集客戶所出示身份證的信息.然后通過高清攝像頭采集客戶人臉圖像.最后基于身份證頭像照片與攝像頭采集圖像，利用深度學(xué)習(xí)方法算法判斷二者人臉相似度.由于身份證人臉圖像分辨率較低，采用SRCNN算法提高其分辨率，進(jìn)而提高系統(tǒng)準(zhǔn)確度.實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)可以準(zhǔn)確判斷客戶身份與其出示身份證的一致性。

關(guān)鍵詞：人臉識(shí)別；深度學(xué)習(xí)；分辨率

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）33-0211-02

人臉識(shí)別技術(shù)作為生物特征識(shí)別領(lǐng)域中一種基于生理特征的識(shí)別，其利用計(jì)算機(jī)提取人臉特征，并根據(jù)這些特征進(jìn)行身份驗(yàn)證的一種技術(shù)。人臉識(shí)別技術(shù)是一種難以冒充并且性價(jià)比高的生物特征識(shí)別技術(shù)[1]。相較于其他生物特征，如指紋識(shí)別、虹膜識(shí)別、視網(wǎng)膜識(shí)別，它具有非接觸，不需要對(duì)象特意配合等特點(diǎn)。由于人臉識(shí)別技術(shù)具有以上優(yōu)點(diǎn)，因此它在很多方面具有廣泛應(yīng)用，如檔案管理系統(tǒng)、安全驗(yàn)證系統(tǒng)，在新興領(lǐng)域也有應(yīng)用，如刷臉支付，特別的結(jié)合大數(shù)據(jù)技術(shù)，可以幫助刑偵部門破獲很多刑事案件。因此在未來發(fā)展中，人臉識(shí)別具有廣泛的發(fā)展前景。

針對(duì)上述應(yīng)用，目前已有一些基于人臉識(shí)別的身份驗(yàn)證系統(tǒng)被提出。陳史政[2]提出一種基于LBP特征的人臉識(shí)別技術(shù)。朱秀娟[3]提出一種特征提取采用小波變換，分類器使用支持向量機(jī)的人臉識(shí)別系統(tǒng)。以上系統(tǒng)均通過人工提取特征的方法，在人臉特征提取量方面會(huì)有不足。為克服上述缺點(diǎn)，本系統(tǒng)采用深度學(xué)習(xí)方法提取特征，并對(duì)低分辨率圖像采用SRCNN算法提高其分辨率。

1 系統(tǒng)的設(shè)計(jì)

一個(gè)典型的人臉識(shí)別系統(tǒng)主要由兩個(gè)部分組成，人臉檢測(cè)和人臉識(shí)別。對(duì)于人臉的生物特征，其在總體結(jié)構(gòu)上具有相似性，因此可以通過人臉檢測(cè)算法把人臉從復(fù)雜背景圖像中提取出來，為后續(xù)識(shí)別人臉的局部結(jié)構(gòu)差異性提供基礎(chǔ)。傳統(tǒng)的人臉檢測(cè)算法主要利用它的結(jié)構(gòu)特征與膚色特征進(jìn)行檢測(cè)。隨著計(jì)算機(jī)運(yùn)算能力的提高，為神經(jīng)網(wǎng)絡(luò)算法的大規(guī)模應(yīng)用提供了條件，相較于傳統(tǒng)方法其在實(shí)時(shí)性與準(zhǔn)確性上都得到較大提升。獲得分離的人臉圖像后，對(duì)不清晰的圖像進(jìn)行超分辨率重建，最終利用實(shí)時(shí)采集人臉與身份證人臉圖像進(jìn)行比對(duì)，得出其是否為同一人，具體流程如圖1所示。

2 基于深度學(xué)習(xí)的超分辨率重建技術(shù)

超分辨率重建是指利用低質(zhì)量、低分辨率圖像產(chǎn)生高質(zhì)量、高分辨率圖像。具體應(yīng)用在高清電視，人臉識(shí)別，醫(yī)療圖像，衛(wèi)星圖像等領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)由于其局部感知、參數(shù)共享等特有的性質(zhì)，使它的卷積層在提取邊緣信息和細(xì)節(jié)特征時(shí)具有獨(dú)特的優(yōu)勢(shì)。隨著ReLU激勵(lì)函數(shù)的引入，使其網(wǎng)絡(luò)具備稀疏性[4]，仿照稀疏編碼重建技術(shù)，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在超分辨率重建技術(shù)中便生成了SRCNN模型，其根據(jù)信號(hào)相關(guān)性，通過提取訓(xùn)練樣本集的高頻信息來預(yù)測(cè)高分辨率圖像，是當(dāng)前最先進(jìn)的算法[5]。

該方法對(duì)于低分辨率圖像先后使用三次插值將其放大到目標(biāo)大小，再通過三層卷積網(wǎng)絡(luò)非線性映射，得到的結(jié)果作為高分辨率圖像輸出。

由于采集到的初始身份證圖像的分辨率為[126×102]，為提高后續(xù)人臉檢測(cè)與人臉識(shí)別環(huán)節(jié)的準(zhǔn)確度，故采用超分辨率重建提高圖像細(xì)節(jié)質(zhì)量，重建前后圖像對(duì)比如圖2所示，（a）為重建前的照片，（b）為重建后的照片。從圖中可以看到，重建后的圖像明顯減少了顆粒感。

3 人臉檢測(cè)與人臉識(shí)別模塊

人臉檢測(cè)與人臉識(shí)別模塊采用SeetaFace這一開源模塊，SeetaFace Engine是開源C++臉部識(shí)別引擎，它無需任何第三方庫(kù)就能在CPU上運(yùn)行[6]。它由三部分組成：SeetaFace Detection（臉部檢測(cè)）[7]，SeetaFace Alignment（臉部校準(zhǔn)）[8]和SeetaFace Identification（臉部識(shí)別）[9]。

SeetaFace Detection由級(jí)聯(lián)的漏斗結(jié)構(gòu)（Funnel-Structured cascade，F(xiàn)uSt）實(shí)現(xiàn)，它被用來做現(xiàn)實(shí)中多視角臉部檢測(cè)。FuSt的目的是使用“由粗到細(xì)的結(jié)構(gòu)”，它在準(zhǔn)確性和速度之間取得了一個(gè)很好的平衡。其中，前幾層包含了多個(gè)針對(duì)視角的快速LAB級(jí)聯(lián)分類器，而后幾層是粗多層感知器（coarse Multilayer Perceptron，coarse MLP）級(jí)聯(lián)結(jié)構(gòu)，最終由統(tǒng)一的MLP級(jí)聯(lián)結(jié)構(gòu)來處理所有姿態(tài)的候選窗的內(nèi)容。FuSt包括一個(gè)用20萬臉部圖片訓(xùn)練的模型來專門處理近正面臉部，它也能檢測(cè)部分非正面臉部，它也有些特別的地方，首先是MLP級(jí)聯(lián)結(jié)構(gòu)使用了SURF檢測(cè)而不是SIFT，其次是加入了NMS（Non-Maximal Suprresion），最后是邊界盒回歸代替了關(guān)鍵點(diǎn)預(yù)測(cè)。

SeetaFace的人臉特征提取模塊也是基于卷積神經(jīng)網(wǎng)絡(luò)的，它包含7個(gè)卷積層與2個(gè)全連接層的DCNN。人臉特征采用VIPLFaceNet FC2層的2048個(gè)結(jié)點(diǎn)的輸出，特征比對(duì)可簡(jiǎn)單采用Cosine計(jì)算相似度，然后進(jìn)行閾值比較（驗(yàn)證應(yīng)用）或排序（識(shí)別應(yīng)用）即可。該引擎在多數(shù)人臉識(shí)別場(chǎng)景下均具有良好的性能。

4 實(shí)驗(yàn)

系統(tǒng)實(shí)驗(yàn)環(huán)境為微軟的Windows7操作系統(tǒng)，處理器為英特爾的i7系列處理器。采用C++語言在微軟VS2013集成開發(fā)環(huán)境下完成。首先是軟件界面如圖3所示。

圖3中可以看到軟件采集到的身份證信息被顯示在左側(cè)，中間的Picture control控件顯示的為人臉檢測(cè)后從背景分離出的人臉圖像，通過該人臉圖像與圖2（b）中被超分辨率重建后的身份證圖像進(jìn)行對(duì)比得出相似度。從圖3中可以看到，若身份證與用戶身份一致時(shí)，相似度為0.6左右，若身份證與用戶身份不一致時(shí)，其相似度顯示在0.3左右。顯然，本文設(shè)計(jì)的系統(tǒng)可以有效地判斷身份證與用戶身份的一致性。

參考文獻(xiàn)：

[1] 鄭鐵.基于多分類器的人臉識(shí)別算法的研究與實(shí)現(xiàn)[D].沈陽(yáng)東北大學(xué)， 2008.

[2] 陳史政.人臉識(shí)別技術(shù)在考試身份驗(yàn)證中的應(yīng)用[J].赤峰學(xué)院學(xué)報(bào)， 2014，（8）：41- 43.

[3] 朱秀娟，盧琳，鐘洪發(fā).基于仿射變換模型的圖像特征點(diǎn)集配準(zhǔn)方法研究[J].激光雜志， 2016（6）：90-93.

[4] V Nair， GE Hinton. Rectified linear units improve restricted Boltzmann machines [C]. International Conference on Machine Learning， 2010： 807-814.

[5] C Dong， CL Chen， K He， X Tang. Learning a deep convolutional network for image super-resolution [C]. European Conference on Computer Vision， 2014， 8692： 184-199.

[6] Shengye Yan， Shiguang Shan， Xilin Chen， Wen Gao. Locally Assembled Binary （LAB） Feature for Fast and Accurate Face Detection. IEEE Computer Society International Conference on Computer Vision and Pattern Recognition， CVPR2008， Anchorage， Alaska， U.S.A， Jun.2008.

[7] Shuzhe Wu， Meina Kan， Zhenliang He， et al. Funnel-Structured Cascade for Multi-View Face Detection with Alignment-Awareness.2016.

[8] Jie Zhang， Shiguang Shan， Meina Kan， et al. Coarse-to-Fine Auto-Encoder Networks （CFAN） for Real-Time Face Alignment. ECCV 2014.

[9] Xin Liu， Meina Kan， Wanglong Wu， et al. VIPLFaceNet： An Open Source Deep Face Recognition SDK. Frontier of Computer Science.