人臉識別技術(shù)在高校信息化建設中的應用探索

王伊琳

(西北政法大學 信息網(wǎng)絡中心，陜西 西安 710122)

人臉識別，又稱人像識別、面部識別，是一種根據(jù)人的臉部特征信息進行身份驗證的生物識別技術(shù)。隨著人工智能時代的到來，人臉識別技術(shù)也取得了較大的突破，逐漸成為計算機視覺和模式識別領(lǐng)域的熱門話題[1]。

1 人臉識別技術(shù)的概述

1.1 人臉識別技術(shù)的基本原理

現(xiàn)階段的人臉識別技術(shù)主要包括了數(shù)據(jù)采集、數(shù)據(jù)預處理、特征提取和匹配識別4個過程。數(shù)據(jù)采集主要通過攝像設備對不同的人臉圖像進行采集，包括靜態(tài)圖像、動態(tài)圖像、不同表情、不同角度的人臉圖像等，當用戶出現(xiàn)在拍攝范圍內(nèi)，設備就會自動對其面部圖像進行拍攝。在采集到人臉圖像后不能直接進行特征提取，因為直接采集的圖像通常存在噪聲大、模糊、曝光不均勻等特點，需要通過圖像處理的方法如灰度變換、直方圖均衡化，幾何校正等對采集到的人臉圖像進行預處理，這樣處理后的圖像再進行特征提取就不會受到隨機信號的干擾。人臉特征提取又稱人臉表征，是指對人臉的特征信息進行建模的過程。人臉特征提取方法分為兩類：基于知識的表征方法，主要根據(jù)人臉五官的形狀描述以及它們之間的距離特性來獲取特征；基于代數(shù)特征的表征方法，包括主成分分析和線性判別分析兩種經(jīng)典方法，基于代數(shù)特征的方法因計算復雜度較低成為最受歡迎的表征方法。最后對人臉特征進行匹配與識別，通過將提取到的特征與數(shù)據(jù)庫中存儲的特征模板進行搜索匹配，通常設定一個閾值，當特征之間的相似度高于設定的閾值時，則將匹配到的結(jié)果進行輸出。

1.2 人臉識別技術(shù)的優(yōu)勢

人臉識別技術(shù)在市場上被應用得越來越普遍，其優(yōu)勢也越來越明顯，具體可概括為以下三點：高效性，隨著設備硬件性能的不斷提升和算法的不斷成熟，人臉識別技術(shù)通常識別精度高且識別速度快，具有效率高的特點；可靠性，人臉屬于暴露在外的生物特征，采集設備通常能夠不被察覺地主動獲取直觀的特征信息，從而不會被經(jīng)過偽裝的信息所輕易蒙蔽；非接觸性，人臉識別設備在進行數(shù)據(jù)采集時不需要和人進行直接接觸，而且不受時間場地的限制，采集方式高效靈活。

2 經(jīng)典的人臉識別算法

2.1 基于幾何特征的人臉識別算法

在基于幾何特征的人臉識別算法中，主要通過利用人的眼睛、鼻子、嘴巴等器官的基本特征和形狀以及各器官之間的幾何聯(lián)系進行識別，這種方法原理簡單，識別速度快，但由于其對人臉的細節(jié)特征信息無法做到具體的描述，一旦采集的人臉圖像有光照的變化或有遮擋的情況下，這種方法的識別準確率就會快速下降，產(chǎn)生較大的誤差[2]。

2.2 基于特征臉的人臉識別算法

特征臉也稱主成分分析法，是一種基于K-L變換的人臉識別算法。K-L變換是指在統(tǒng)計特征的基礎(chǔ)上進行多維正交線性變換，其基本原理是將高維的人臉圖像經(jīng)過K-L變換后得到一組新的正交基，保留其中主要的正交基構(gòu)成低維線性空間。在識別過程中，將測試的人臉圖像投影到這個空間，可以得到一組投影系數(shù)并以此作為用于識別的特征矢量。這種算法使圖像在壓縮前后能夠保持較小的均方誤差，且變換后的低維空間也具有良好的分辨能力。

2.3 基于紋理特征的人臉識別算法

基于紋理的人臉識別，就是從面部區(qū)域提取紋理特征，其中較為經(jīng)典的是局部二值模式算子。它是通過將中心像素與鄰域像素進行比較，若周圍像素大于中心像素則標記為1，周圍像素小于中心像素則標記為0，這樣可以得到一串二進制數(shù)，將其轉(zhuǎn)換為十進制數(shù)作為該中心像素點的值，該值可以用來表示該區(qū)域的紋理特征，然后再對圖像進行分塊并統(tǒng)計直方圖，將測試圖像的直方圖與訓練圖像的直方圖進行對比，從而輸出識別結(jié)果。相比較特征臉的算法，局部二值模式算子對于光照條件的變化具有良好的魯棒性，但是對于人臉表情、姿態(tài)的變化局部二值模式算子仍具有局限性。

2.4 基于神經(jīng)網(wǎng)絡的人臉識別算法

近年來，隨著大數(shù)據(jù)和人工智能的快速發(fā)展，早期由學者提出的模仿人類大腦的神經(jīng)網(wǎng)絡模型重回人們的視野。學習是神經(jīng)網(wǎng)絡研究的一個重要內(nèi)容，根據(jù)學習方式可分為監(jiān)督學習和非監(jiān)督學習，其中卷積神經(jīng)網(wǎng)絡作為一種深度的監(jiān)督學習下的模型被廣泛應用在模式識別的各個領(lǐng)域。卷積神經(jīng)網(wǎng)絡通過挖掘數(shù)據(jù)的局部特征，提取全局訓練特征和分類，其權(quán)值共享結(jié)構(gòu)網(wǎng)絡使之類似于生物神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡能夠結(jié)合人臉圖像空間的局部感知區(qū)域共享權(quán)重，在空間或時間上進行降采樣來充分利用數(shù)據(jù)本身包含的局部性等特征，優(yōu)化模型結(jié)構(gòu)，保證一定的位移不變性[3]。基于此，香港中文大學的DeepID項目以及Facebook公司的DeepFace項目在LFW人臉數(shù)據(jù)集上的識別準確率均超過97%，取得了突破性的成果。目前已有多種基于神經(jīng)網(wǎng)絡的人臉識別算法。

3 人臉識別技術(shù)在高校信息化建設中的應用案例

3.1 門禁安防系統(tǒng)

保證宿舍安全是做好校園安全防護的一項重要工作內(nèi)容。將人臉識別技術(shù)應用在門禁安防系統(tǒng)中具有以下幾點優(yōu)勢：可以有效提高安全性，防止代刷、冒用別人身份隨意進出宿舍；通行效率高，不會造成學生在高峰時間進出宿舍的擁堵情況；可以對陌生人員的人臉圖像進行采集標記，有效對異常行為進行及時預警?；谌四樧R別技術(shù)的門禁安防系統(tǒng)首先利用門禁攝像頭對學生的人臉圖像進行采集，然后與數(shù)據(jù)庫中學生錄入的基本信息進行匹配并壓縮保存至服務器，通過服務器下發(fā)學生的人臉圖像與基本信息，最后通過各個門禁終端接收到的圖像與服務器中的圖像進行比對實現(xiàn)人臉識別。目前已有部分高校對校門進出口、宿舍、圖書館、實驗室等場所應用基于人臉識別的門禁安防系統(tǒng)，可以根據(jù)人臉信息準確設置出入權(quán)限，極大程度地保障了校園安全。

3.2 教學考勤系統(tǒng)

考勤是高校教學管理中的一項重要內(nèi)容，學生上課的出勤率會直接影響學校的校風學風建設。我國大部分高校采用的是開放型的教學模式，學生數(shù)量大、流動性高等都給日?？记诠ぷ鲙硪欢ǖ碾y度。目前大多數(shù)高校采用人工考勤的方式，雖然取得了一定的效果但依然有許多問題，如存在代替簽到、學生數(shù)量多依次點名簽到造成課堂時間浪費等現(xiàn)象?；谌四樧R別的考勤系統(tǒng)可以很好地解決這些問題，其能夠?qū)ι险n的學生進行快速、準確無誤的身份核驗，同時還能夠保存現(xiàn)場視頻照片等，使考勤人員可以遠程實時掌控考勤點的實際狀況，并可以針對一些特殊情況及時調(diào)取回溯?；谌四樧R別的考勤系統(tǒng)簡化了考勤流程，提高了學校在考勤工作上的效率，減輕了教師和輔導員額外的工作負擔，幫助學校強化學風建設，提高教學質(zhì)量。

3.3 大型活動簽到系統(tǒng)

在高校的日常工作中，經(jīng)常會舉辦一些學術(shù)會議、報告、招聘會等大型活動，通常場地有限且人員較為密集。傳統(tǒng)的人工簽到模式效率不高，常常會造成排隊擁堵、現(xiàn)場秩序混亂等情況，給工作人員和參會人員帶來不便，甚至影響整個活動的正常進行。利用基于人臉識別的簽到系統(tǒng)具有以下幾點優(yōu)勢：極大程度地簡化了活動簽到流程，能夠快速識別參會人員的身份信息，縮短參會人員的簽到時間，同時優(yōu)化人員的管理秩序，提高活動的管理水平；具有非接觸性，即在簽到的過程中工作人員與參會人員全程無接觸，這也是當前疫情常態(tài)化下安全的有效保障；仿冒成本高，人臉識別可以準確地對參會人員的信息進行識別，使頂替簽到、冒用別人身份參會的情況大大減少。

4 結(jié)束語

隨著人工智能和智慧校園的快速發(fā)展，筆者對人臉識別技術(shù)以及其在高校信息化建設中的應用做出了總結(jié)分析。盡管人臉識別技術(shù)能夠帶來諸多便利，但目前關(guān)于其應用仍然存在著安全性與隱私性的輿論爭議。期待著未來人臉識別技術(shù)能夠在保障數(shù)據(jù)安全，保護用戶隱私方面有所提高，切實為高校信息化建設做出貢獻。