精準人臉識別及測溫技術(shù)在疫情防控中的應(yīng)用

彭駿 吉綱 張艷紅 占濤

摘 要：為了改善復(fù)雜環(huán)境下的人臉識別精度，特別是在當前疫情防控轉(zhuǎn)入常態(tài)化的形勢下，提升戴口罩場景下的人臉識別精度及紅外測溫精度至關(guān)重要?；趯鼍皵?shù)據(jù)的統(tǒng)計和分析，通過對識別參數(shù)的動態(tài)優(yōu)化，提升人臉算法識別精度;基于人臉檢測的戴口罩檢測算法，自動識別是否戴口罩，并針對戴口罩場景采用專用的人臉識別模型，提升人臉識別性能;基于人臉檢測的紅外測溫技術(shù)，自動識別測溫區(qū)域和距離，并對測溫結(jié)果進行校正，提高測溫精度。結(jié)果表明，開放場景下識別準確率超過98%;人證核驗場景下識別準確率超過93%，戴口罩場景下識別準確率超過92%，紅外測溫誤差小于0.3℃。基于場景適配的參數(shù)優(yōu)化策略，能夠在不依賴核心算法性能提升的條件下，使得人臉算法識別性能提升7%;基于人臉檢測的紅外測溫技術(shù)，通過溫度補償策略，使得測溫誤差小于0.3℃。

關(guān)鍵詞：深度學(xué)習(xí);神經(jīng)網(wǎng)絡(luò);自適應(yīng)算法;口罩檢測;精準測溫

DOI：10. 11907/rjdk. 202013

中圖分類號：TP301 文獻標識碼：A 文章編號：1672-7800（2020）010-0008-07

Abstract： In order to improve the accuracy of face recognition in complex environment， especially in the situation of normalization of epidemic prevention & control， it is vital to improve the? accuracy of face recognition in the scene of wearing masks and the accuracy of infrared temperature measurement. Based on the statistics and analysis of scene data， the recognition accuracy of face algorithm is improved through the dynamic optimization of recognition parameters. Face mask detection algorithm base on the face recognition can be used to automatically recognize if a person is wearing a face mask or not? and the particular face recognition model is applied in a face mask-wearing scenario to increase the performance of face recognition; the infrared temperature measurement technology based on face detection can automatically identify the temperature measurement area and distance， and correct the temperature measurement results to improve the accuracy of temperature measurement. The results show that the recognition accuracy is more than 98% in the open scene， 93% in the witness verification scene， 92% in the mask wearing scene， and the infrared temperature measurement error is less than 0.3 ℃. The parameter optimization strategy based on scene adaptation can improve the recognition performance of face algorithm by 7% without relying on the performance improvement of the core algorithm; the infrared temperature measurement technology based on face detection can make the temperature measurement error less than 0.3 ℃ through the temperature compensation strategy.

Key Words：deep learning; neural network; adaptive algorithms; face mask detection; accurate temperature measurement

0 引言

隨著5G、人工智能、物聯(lián)網(wǎng)等技術(shù)的快速發(fā)展，“新基建”的興起加快了產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型升級。新冠疫情突發(fā)后，智慧城市管理需要貼合數(shù)字化轉(zhuǎn)型升級，在保障安全健康運行中體現(xiàn)高精度、泛連接、智融合，將是未來科技防控服務(wù)的重點。

隨著智能硬件運算能力的提升和配套人臉識別算法性能的增強，人臉識別算法在越來越多的場景中得到實際應(yīng)用。相對于其它生物識別技術(shù)，人臉識別技術(shù)具有自然性、非接觸性、非侵擾性和使用便捷等優(yōu)點，并在酒店、考勤和宿管等系統(tǒng)中得到廣泛應(yīng)用[1-4]。但是在實際應(yīng)用場景中，人臉識別效果容易受到環(huán)境光線、成像質(zhì)量、人臉姿態(tài)、遮擋、表情等因素影響[5]。如何提升人臉算法在不同場景下的識別準確率，克服環(huán)境因素帶來的不利影響，是當前面臨的核心問題。程森林[6]提出一種新的人臉識別模型Mir-Net，在少量數(shù)據(jù)上使用遷移學(xué)習(xí)方法，認為不同的個體存在共性，將人臉與人臉之間的共性提取出來，用剩下的特性進行分類，會提升人臉識別準確率;張昀[7]提出一種基于隨機點積圖的人臉識別算法，并使用Gabor特征以提高算法對圖像光照變化的魯棒性;胡渝蘋[8]提出一種基于深度學(xué)習(xí)的跨年齡人臉識別算法，將HOG和CSLBPS組合方法應(yīng)用于人臉圖像特征提取。

以上方法都試圖在核心算法層面解決場景適配問題，不僅實施難度大，而且效果不太理想。本文介紹一種基于場景適配的參數(shù)優(yōu)化策略，能夠在不依賴核心算法性能提升的條件下，將算法評測與參數(shù)優(yōu)化技術(shù)相結(jié)合，解決人臉算法在不同場景下的適配問題，增強了人臉算法在不同業(yè)務(wù)場景下的適應(yīng)性;將人臉檢測與戴口罩檢測技術(shù)相結(jié)合，判斷相關(guān)人員是否正確佩戴口罩，降低了算法復(fù)雜性，實現(xiàn)了快速高效檢測;將人臉檢測與紅外測溫技術(shù)相結(jié)合，實現(xiàn)精準的人體測溫，避免了測量結(jié)果不準和情況誤報;將戴口罩人臉識別與紅外測溫技術(shù)相結(jié)合，實現(xiàn)快速健康篩查和記錄，方便疫情防控和溯源。

1 精準人臉識別技術(shù)與應(yīng)用

1.1 人臉識別算法場景適應(yīng)性

由深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)、馬爾科夫算子、千萬級人臉訓(xùn)練數(shù)據(jù)、不同環(huán)境算法定制等部件，構(gòu)成高精度人臉算法引擎，從而適應(yīng)多種卷積網(wǎng)絡(luò)和計算資源環(huán)境下的高精度和高性能，特別是高性能輕量級網(wǎng)絡(luò)實現(xiàn)，在保持大型卷積網(wǎng)絡(luò)性能的同時，參數(shù)量縮減90%，實現(xiàn)x86/ARM處理器實時神經(jīng)網(wǎng)絡(luò)系統(tǒng)，以及嵌入式設(shè)備低功耗神經(jīng)網(wǎng)絡(luò)系統(tǒng)。為了全面準確地衡量一套人臉識別算法的算法性能，為算法開發(fā)人員提供算法優(yōu)化依據(jù)[9]，需要建立一套科學(xué)的算法評測系統(tǒng)。

利用普利商用技術(shù)團隊自主研發(fā)的人臉識別算法大數(shù)據(jù)評測系統(tǒng)，定期對不同場景、不同設(shè)備的人臉照片進行評測、統(tǒng)計和分析，通過對識別參數(shù)的動態(tài)優(yōu)化，極大地提升了場景自適應(yīng)算法精度。除算法本身性能外，環(huán)境光線、攝像頭成像質(zhì)量、人臉姿態(tài)角和底庫照片質(zhì)量等因素也會對最終識別效果產(chǎn)生很大影響。為此，普利商用技術(shù)團隊通過兩項措施提高算法環(huán)境適應(yīng)性：

（1）對現(xiàn)場照片進行質(zhì)量篩選。具體做法是定期收集現(xiàn)場照片，用人臉質(zhì)量分析算法對人臉的大小、姿態(tài)角、模糊度、亮度、對比度和置信度等參數(shù)進行估算，并對估算結(jié)果進行統(tǒng)計分析，以找到最合適的參數(shù)設(shè)置。通過調(diào)整參數(shù)設(shè)置，可以在一定程度上降低誤識率，提高識別通過率，詳細結(jié)果如表1所示。

（2）對底庫照片進行定期添加或更換。對一些容易誤識或拒識的人員，經(jīng)過分析發(fā)現(xiàn)，有很大一部分原因是底庫照片的問題，通過更換成質(zhì)量較好的照片，特別是從現(xiàn)場照片中選擇質(zhì)量較好的照片，并將其添加到底庫中，可以有效改善誤識或拒識現(xiàn)象，詳細結(jié)果如表2所示。

為了更加精準地評價人臉識別算法對特定場景的適應(yīng)性，普利商用技術(shù)團隊專門建立了一套跨平臺的算法評測系統(tǒng)，該系統(tǒng)在傳統(tǒng)專用人臉算法測試工具基礎(chǔ)上，擴展為集測試管理平臺、測試客戶端、通信中間件及終端測試程序為一體的人臉算法評測系統(tǒng)，由測試客戶端對用戶信息、測試數(shù)據(jù)、測試用例、測試任務(wù)、測試結(jié)果和測試日志等內(nèi)容進行統(tǒng)一管理，各平臺的終端測試程序通過統(tǒng)一的接口規(guī)范接入測試系統(tǒng)，由測試客戶端統(tǒng)一下發(fā)測試數(shù)據(jù)和測試用例，由終端測試程序執(zhí)行測試用例，并上報測試結(jié)果和測試狀態(tài)?？傮w框架如圖1所示。

其優(yōu)勢在于：①對測試相關(guān)的數(shù)據(jù)資源進行統(tǒng)一管理，通過統(tǒng)一身份認證的接口和權(quán)限管理模塊保證測試數(shù)據(jù)安全;②通過統(tǒng)一的通信中間件自動接入不同的硬件平臺，可實現(xiàn)測試參數(shù)的動態(tài)配置以及測試平臺的動態(tài)擴展;③由測試平臺統(tǒng)一配置測試方法、管理測試數(shù)據(jù)、統(tǒng)計測試結(jié)果，方便對不同人臉算法進行對比測試，保證測試結(jié)果公正統(tǒng)一;④充分利用測試平臺的運算能力，最大限度地實現(xiàn)了軟件模塊的功能復(fù)用，有效節(jié)省了運營成本和開發(fā)資源。

借助該算法評測系統(tǒng)，可以對不同平臺的人臉識別算法在實際業(yè)務(wù)場景下的人臉檢出率、識別性能、運行速度、并發(fā)能力、穩(wěn)定性和可靠性等指標進行詳細測試。其中，人臉檢出率測試方法為：針對不同場景的數(shù)據(jù)集進行人臉檢測，在不同閾值條件下，分別統(tǒng)計人臉檢測置信度大于閾值時的真正例TP和假正例FP，其中TP是標定和檢測結(jié)果交并比大于0.5，而FP是標定和檢測結(jié)果交并比小于0.5，根據(jù)測試結(jié)果繪制不同F(xiàn)P下的TPR曲線;人臉識別率測試方法為：針對不同場景的數(shù)據(jù)集進行人臉比對，在不同閾值條件下，分別統(tǒng)計人臉識別率和誤識率，其中識別率=同人比較大于等于閾值的次數(shù)/同人比較總次數(shù)，誤識率=非同人比較大于等于閾值的次數(shù)/非同人比較總次數(shù);人臉算法運行速度的測試方法為：選取兩張人臉照片，分別在不同的硬件平臺上測試執(zhí)行人臉檢測和提取特征值所需的時間，每項測試重復(fù)測試300次，取平均時間。針對不同算法，采用相同的人臉照片和硬件平臺進行測試。圖2、表3和表4分別表示一些人臉識別算法在人臉檢出率、人臉識別率和運行速度方面的測試結(jié)果。

為了方便不同廠家、不同平臺的人臉算法接入人臉算法評測系統(tǒng)，普利商用技術(shù)團隊分別在Windows、Linux和Android平臺專門設(shè)計了統(tǒng)一的接口規(guī)范和插件封裝示例，用戶只需要按照接口規(guī)范的要求，并參考示例程序，就可以很方便地將自己的算法接入人臉算法評測系統(tǒng)。

1.2 基于人臉識別的口罩佩戴檢測

在突如其來的新型冠狀病毒疫情面前，口罩佩戴檢測算法應(yīng)運而生。目前，解決該遮擋類型人臉的檢測識別問題[10]，一般都是采用深度學(xué)習(xí)方法，即通過設(shè)計CNN網(wǎng)絡(luò)，訓(xùn)練標注好的口罩人臉數(shù)據(jù)，實現(xiàn)對口罩佩戴情況的檢測。常見的口罩人臉檢測思路有3種：①多類別目標檢測，如國內(nèi)初創(chuàng)公司AIZOO提出一種基于SSD框架的輕量級口罩佩戴檢測算法;②目標檢測+分類，如百度開源的基于PyramidBox訓(xùn)練的口罩佩戴檢測算法，還有滴滴出行科技有限公司提出的基于DFS的口罩佩戴檢測算法[11]，其在人臉檢測后加入Attention機制來關(guān)注口罩區(qū)域，其口罩檢測流程如圖3所示;③人臉檢測+人臉關(guān)鍵點定位+口罩實例分割，如國內(nèi)UCloud AI團隊提出的口罩佩戴檢測算法[12]，在識別準確率和泛化能力上都有良好表現(xiàn)。實現(xiàn)方法是基于現(xiàn)有的通用人臉檢測算法，對人臉區(qū)域進行分類，判斷是否佩戴口罩。該算法不但實時性較強，而且識別準確率較高，此外還可作為一個獨立的模塊在人臉識別系統(tǒng)中靈活集成。

1.2.1 算法原理

人臉檢測算法作為本文口罩識別算法的預(yù)處理步驟，將獲取的人臉區(qū)域傳入口罩算法模型，其內(nèi)部網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，輸入圖像blob為[1，3，112，112]。

整個網(wǎng)絡(luò)沒有設(shè)計特殊層，主要采用了常見的卷積、池化、全連接等運算操作，開始部分采用11*11的較大卷積核對輸入的裁剪人臉圖像進行簡單的特征提取，如面部顏色、邊緣等特征，得到26*26大小的特征圖;網(wǎng)絡(luò)第二層為池化層，核大小為3，對第一層的輸出進行最大池化操作，降低了特征表示的空間大小，實現(xiàn)了對顯著紋理特征的學(xué)習(xí);網(wǎng)絡(luò)第三層采用卷積層，特征圖邊緣擴充了2個像素，卷積核大小為5，以使輸出特征圖大小保持不變，即13*13，但深度方向有所擴充，實現(xiàn)了不同卷積特征的組合;網(wǎng)絡(luò)第四層采用池化層，也是進行最大池化操作，輸出特征圖大小減半;接下來，網(wǎng)絡(luò)采用3個卷積層，對池化后得到的特征圖進行連續(xù)的特征提取，進一步學(xué)習(xí)比較抽象的高級特征;第五、六、七層均采用大小為3的小卷積核，輸出相同大小的特征圖，最后得到的blob維度為[1，32，6，6];網(wǎng)絡(luò)第八層依然采用了池化層，進行最大池化降維，特征圖尺度減半;網(wǎng)絡(luò)第九和十層都采用了全連接層，逐步降低維度，并最后通過Softmax處理，得到更為抽象的特征作為口罩辨識依據(jù)，即戴或不戴口罩的概率似然值。

1.2.2 算法實現(xiàn)與測試

首先收集訓(xùn)練和測試用口罩人臉數(shù)據(jù)，包括兩部分：一是網(wǎng)絡(luò)公開數(shù)據(jù)，二是自采集數(shù)據(jù)，其中自采集數(shù)據(jù)考慮的因素如表5所示。

數(shù)據(jù)收集完畢后，開始進行數(shù)據(jù)清洗和標注，由于本口罩檢測算法主要辨識是否佩戴口罩，即屬于二分類情形，對一些未正確佩戴口罩的人臉按照是否看到嘴巴的原則酌情劃分到戴和不戴口罩的數(shù)據(jù)集中。隨后，進行網(wǎng)絡(luò)相關(guān)配置后即可開始訓(xùn)練，從最終訓(xùn)練迭代結(jié)果看，在訓(xùn)練集上是收斂的。

最后，對訓(xùn)練出的Caffe模型在測試集上進行測試，識別準確率高達99.3%左右。算法在實際產(chǎn)品中的使用效果如圖5所示。

1.2.3 結(jié)論

基于人臉檢測結(jié)果的口罩識別算法在實際應(yīng)用中具有運行速度快、模型小而便于分發(fā)部署以及識別準確率較高等優(yōu)點。對于是否正確佩戴好口罩和是否佩戴醫(yī)學(xué)防護類型口罩的諸類問題，后續(xù)會繼續(xù)采集相關(guān)數(shù)據(jù)，并從網(wǎng)絡(luò)優(yōu)化的角度予以解決。

1.3 戴口罩場景下的人臉識別

由于新冠肺炎疫情影響，為了減少病毒傳播，人員在進入各種公共場合，如醫(yī)院、公交車、火車站、地鐵站、商場和學(xué)校等場所時，皆須佩戴好口罩。當人員帶上口罩時會遮擋住大部分人臉特征，從而導(dǎo)致人臉識別模型性能急劇下降，甚至無法識別[13]，這對傳統(tǒng)人臉識別算法構(gòu)成很大挑戰(zhàn)。人臉識別作為一種非常成熟的應(yīng)用，已成功在多種場景落地，如人臉登錄、刷臉支付、人臉考勤等。如何保證在戴口罩的場景下也能夠正確識別，成為當前面臨的一個挑戰(zhàn)。

針對戴口罩的人臉識別，有兩種解決方案：一是選擇一套適合戴口罩的人臉識別算法，收集大量的戴口罩人臉照片，并進行人工標注，然后通過迭代訓(xùn)練得到一個合適的模型。采用該方法的最大困難就是如何在短期內(nèi)收集到大量戴口罩的人臉照片，并完成標注;二是充分利用人臉未遮擋區(qū)域[14]，如眼睛、眉毛、臉部輪廓等，提高這些可見區(qū)域的權(quán)重，并采取針對性的局部特征增強策略[15-16]。這種算法可以利用現(xiàn)有數(shù)據(jù)集，結(jié)合人臉關(guān)鍵點定位算法，模擬人臉被口罩遮擋的情形，計算可見區(qū)域的具體位置，合成一個戴口罩的人臉圖片，然后利用這些合成的照片訓(xùn)練出一個專用模型。

根據(jù)自身條件限制，普利商用技術(shù)團隊選擇了第2種方案，充分利用現(xiàn)有的數(shù)據(jù)集模擬出大量的戴口罩人臉照片，并收集到部分真實的戴口罩人臉照片，然后將這兩部分數(shù)據(jù)合成一個較大的訓(xùn)練數(shù)據(jù)集。針對大部分人臉特征被遮擋的情況，技術(shù)人員設(shè)計了一個人臉可見區(qū)域權(quán)重增強的網(wǎng)絡(luò)，并利用該網(wǎng)絡(luò)訓(xùn)練出一個專用模型。具體做法是先利用戴口罩檢測算法進行檢測，如果檢測出沒有戴口罩，則調(diào)用通用的人臉識別算法;如果檢測出有戴口罩，則調(diào)用專用的口罩特征識別算法。具體流程如圖6所示。

采用這種方法，戴口罩場景下的人臉識別準確率有了很大提高，具體結(jié)果如圖7所示。

戴口罩場景下的人臉識別算法在實際產(chǎn)品中的使用效果如圖8所示。

2 基于人臉檢測的精準測溫技術(shù)實現(xiàn)

隨著疫情防控逐步轉(zhuǎn)為常態(tài)化階段，如何在公共場合通過體溫監(jiān)測快速有效地判斷人健康狀況，是當前面臨的一個重要問題。其核心是如何在確保測溫準確性的同時，提升測溫環(huán)節(jié)的通行效率并優(yōu)化體驗，降低測溫對日常工作和生活的影響。將人臉識別與測溫相結(jié)合，實現(xiàn)額溫精準定位、高效無感測溫、精準人溫綁定，成為AI助力疫情防控的重要一環(huán)。

普利商用人臉測溫閘機所用的測溫模組型號為ST16-TPIL16TRS1，它由一個16個單元的熱電堆傳感器及溫控控制板組成。測溫模塊的優(yōu)勢是可以在20cm檢測到人體額頭溫度，并且響應(yīng)速度快，測溫時間少于2S，精度高，在45cm距離下，可達±0.3℃。非常適用于人體體溫遠距離檢測相關(guān)產(chǎn)品，如打卡機、自動感應(yīng)門、檢測門等。

2.1 測溫適宜距離

根據(jù)紅外測溫原理，物體的紅外輻射強度與溫度呈一定函數(shù)關(guān)系，而測溫距離直接影響紅外輻射強度，為了實現(xiàn)精準測溫，需確定合適的測溫距離。

（1）前后距離越近，溫度值越高。同一距離處，傳感器正對額頭中心時溫度值最高，四周移動位置后溫度值會降低（具體指標參考第2.2部分）。

（2）以額溫槍測溫值為參考，額頭與傳感器最優(yōu)檢測距離約為25～35cm之間，其它距離需要進行溫度補償。具體數(shù)值可參考圖9，其中溫度誤差=實際值（ST16模組）-基準值（額溫槍），當距離在10cm以內(nèi)和120cm以外時，溫度誤差絕對值較大（有失準確性），后者范圍測出的溫度值可能會出現(xiàn)較大跳變。

（3）測溫策略：參考圖9和圖10，在不同的人臉寬度范圍（不同的距離），給出的溫度補償值如表6所示，建議的測溫距離為60～70cm，對應(yīng)的人臉寬度為80～95pixel。

2.2 測溫區(qū)域范圍

在-0.3～0℃誤差范圍內(nèi)，獲取測溫矩形區(qū)域范圍（寬和高）：①測溫距離20cm時，測溫矩形區(qū)域約為10cm*20cm;②測溫距離30cm時，測溫矩形區(qū)域約為12cm*30cm;③測溫距離50cm時，測溫矩形區(qū)域約為13cm*36cm。

2.3 額溫測量

在人臉測溫閘機上，先利用可見光圖像進行人臉檢測，獲取用戶人臉矩形框和關(guān)鍵點位置，然后摳出人臉額頭區(qū)域，進而依據(jù)事先校正過的可見光圖像與熱度圖像之間的映射關(guān)系[17]，可以獲取落在人臉額頭區(qū)域點陣的最高溫度，并在該溫度的基礎(chǔ)上，參考表6中的溫度補償值依據(jù)用戶的人臉矩形框?qū)挾茸鬟M一步修正，從而得到最終的實際測量溫度，以此作為人體溫度，該方法可以避免測溫距離帶來的誤差，并排除測溫傳感器視野中熱水杯等其它熱源的干擾。如圖11所示。

3 技術(shù)應(yīng)用（主要產(chǎn)品及典型場景）

3.1 相關(guān)產(chǎn)品

3.1.1 測溫人證核驗手持終端iDR420

測溫人證核驗手持終端iDR420屬于智能信息采集識別終端，多功能智能身份核驗專用產(chǎn)品，結(jié)合人臉識別、身份證、射頻卡、安全認證和加密技術(shù)等，通過可選配高精度內(nèi)置熱電堆傳感器，實現(xiàn)快速精準測溫，支持高安全下的身份核驗、人證核驗、溫度/信息采集及預(yù)警、數(shù)據(jù)管理等功能，并可對接各類業(yè)務(wù)系統(tǒng)。產(chǎn)品如圖12所示。

應(yīng)用領(lǐng)域：廣泛適用于政務(wù)大廳、園區(qū)、寫字樓、商超、酒店、社區(qū)、營業(yè)廳、工地等場景下的人員進出身份核驗與識別、體溫檢測、信息管理與追溯等。配合多行業(yè)防疫防控需求，已陸續(xù)在政務(wù)、園區(qū)、樓宇、小區(qū)、工地等場景落地，推動了公共治安管理與公共衛(wèi)生安全的雙重守護。

3.1.2 智能人臉測溫控制終端iDR760

智能人臉測溫門禁終端iDR760（內(nèi)置高精度紅外測溫模塊），運用人臉識別、證卡核驗、低功耗智能物聯(lián)、數(shù)據(jù)分析等技術(shù)，實現(xiàn)人臉識別（含口罩識別、活體檢測）、身份核驗、人體溫度快速檢測及預(yù)警提示、記錄追溯、門禁考勤控制等功能，并支持提供第三方接入SDK，可提供完整的二次開發(fā)包（SDK），方便用戶自行定制需求?？蓾M足常態(tài)化冠疫管控、人員身份核驗和出入通行管理多重需求。產(chǎn)品如圖13所示。

應(yīng)用領(lǐng)域：廣泛適用于政務(wù)大廳、園區(qū)、寫字樓、酒店、商超、社區(qū)、營業(yè)廳、工地等場景下的人員進出身份核驗與識別、通行管理（門禁考勤）、體溫檢測、信息管理與追溯等。

3.2 典型應(yīng)用

3.2.1 產(chǎn)業(yè)園區(qū)樓宇領(lǐng)域——基于人員軌跡的中小企業(yè)園區(qū)管控

基于人員軌跡的中小企業(yè)園區(qū)管控，實現(xiàn)內(nèi)部員工出入管理、外部訪客出入管理、辦公區(qū)等人員聚集區(qū)域管理、門禁考勤、重點區(qū)域防范等全場景智能化管理。

前端采用AI人臉識別測溫智能終端，配合人證比對、人臉識別、紅外測溫，實現(xiàn)無接觸式人體溫度快速檢測、登記記錄、身份核驗、門禁控制、自動預(yù)警等功能。針對園區(qū)管理對象復(fù)雜，安全防控與人員管理需求高、防疫測溫效率及安全性高、高危安全事件預(yù)警等核心需求，將人臉識別、無感測溫與無感通行結(jié)合，快速識別人員信息并進行測溫登記，實現(xiàn)內(nèi)部員工出入管理、外部訪客出入管理、辦公區(qū)等人員聚集區(qū)域管理及智能化管理等企業(yè)出入全場景智能化管理。

3.2.2 酒店文旅領(lǐng)域——復(fù)雜場景下人證核驗管理應(yīng)用

針對公安部《旅館業(yè)治安管理條例》管理要求及酒店行業(yè)特點需求，采用人臉識別技術(shù)進行人證比對和客戶身份確認，確保人證合一，并支持公安部聯(lián)網(wǎng)核查，提升身份核查準確性和便利性。

通過不同環(huán)境下的算法定制，實現(xiàn)在酒店復(fù)雜場景下人員身份與行為的精準識別，在一定程度上在星光環(huán)境及復(fù)雜光線等情況下，人員身份識別及行為判別易受到視角變化、表情變化、明暗變化、遮擋、模糊等因素影響而存在人員身份識別與行為判別誤識率高的問題，有效提升了人臉識別、活體檢測、態(tài)勢感應(yīng)等技術(shù)適配能力。通過動態(tài)人臉補光技術(shù)改善人臉識別終端在低照度和逆光環(huán)境下的識別效果，利用微波、光感及人臉檢測技術(shù)，實時感知人體接近、環(huán)境照度及人臉亮度，并根據(jù)感知到的數(shù)據(jù)自動調(diào)整補光策略。通過人臉檢測及照片質(zhì)量分析技術(shù)改善用戶交互體驗，實時檢測人臉位置、姿態(tài)角、亮度及清晰度等參數(shù)，并根據(jù)檢測結(jié)果，采用語音、文字和動畫等形式提示用戶，有效提高人臉識別通過率，縮短識別時間，減少誤識。

目前，此方案已經(jīng)在北京、海南、廣東、河南、云南、四川、青海等近萬臺星級酒店部署應(yīng)用，實現(xiàn)了知名民宿、連鎖公寓式酒店人證核驗入住管理，占據(jù)細分垂直行業(yè)領(lǐng)先。

4 結(jié)語

本文提出了一種基于人臉算法的評測系統(tǒng)，在不依賴核心算法性能提升的情況下，通過定期對場景數(shù)據(jù)進行統(tǒng)計分析，并對識別參數(shù)進行動態(tài)優(yōu)化，提升了人臉算法的識別性能;針對戴口罩的特殊場景，設(shè)計一種針對未遮擋區(qū)域的特征增強算法，采用特定的數(shù)據(jù)集進行訓(xùn)練，提升了戴口罩場景下的人臉識別效果。此外，基于人臉檢測技術(shù)，對紅外測溫的誤差進行補償，提升了紅外測溫精度。相關(guān)技術(shù)方案已在普利商用的實際產(chǎn)品中進行了落地應(yīng)用，為疫情防控提供了技術(shù)支撐。

參考文獻：

[1] 景晨凱，宋濤，莊雷，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)綜述[J]. 計算機應(yīng)用與軟件，2018，35（1）：223-231.

[2] 張珣，權(quán)家運.基于深度置信網(wǎng)絡(luò)的酒店入住管理系統(tǒng)研究[J]. 軟件導(dǎo)刊， 2020，19（6）：125-129.

[3] 吳永斌，濮永仙，肖坤娥，等.學(xué)生宿舍人臉識別考勤系統(tǒng)設(shè)計[J].軟件導(dǎo)刊， 2020， 19（6）：113-116.

[4] 宿靜宜，劉久付，楊明海.采用人臉身份識別的智慧門禁系統(tǒng)[J].軟件導(dǎo)刊， 2019，18（4）： 32-35.

[5] 張卓群，曹鐘淼，王慧，等.深度學(xué)習(xí)與人臉識別算法研究[J].軟件，2019，9（1）：199-204.

[6] 程森林.基于監(jiān)控場景下深度學(xué)習(xí)的人臉識別研究與設(shè)計[D].北京：北京郵電大學(xué)，2019.

[7] 張昀.基于子空間嵌入和深度學(xué)習(xí)的人臉識別研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2018.

[8] 胡渝蘋.基于HOG-CSLBP與深度學(xué)習(xí)的跨年齡人臉識別算法[J].西南師范大學(xué)學(xué)報（自然科學(xué)版）， 2020，45（3）：115-120.

[9] 潘青華， 潘松.人臉識別技術(shù)性能評價方法優(yōu)化與實踐[J].中國標準化， 2019，62（15）：159-164.

[10] 衣帥，朱建生，景輝.鐵路刷臉場景下基于MTCNN的人臉遮擋識別研究[J].計算機仿真，2020，37（5）：96-99.

[11] 謝征宇，曹志威，李永玲，等.基于視頻的軌道交通車站乘客口罩佩戴檢測及測溫技術(shù)[J].中國鐵路，2020，28（3）：126-131.

[12] 王遠大.UCloud開放人臉口罩檢測服務(wù) 借助AI算法加快疫情防控[J].通信世界，2020，21（5）：33-34.

[13] 戴新宇.基于半臉的人臉檢測和識別方法的研究[D].上海：華東理工大學(xué)，2018.

[14] SONG L， GONG D， LI Z， et al. Occlusion robust face recognition based on mask learning with pairwise differential siamese network[C]. International Conference on Computer Vision，2019：773-782.

[15] 仝瓊琳，蘇金善.遮擋人臉識別技術(shù)研究綜述[J].伊犁師范學(xué)院學(xué)報（自然科學(xué)版），2020，14（1）：49-57.

[16] 周孝佳， 朱允斌， 張躍.基于分塊的有遮擋人臉識別算法[J].計算機應(yīng)用與軟件， 2018， 35（2）：183-187.

[17] 周明，顧朝敏，張樹亮，等.基于智能監(jiān)測終端的可見光與紅外圖像配準融合方法[J].河北電力技術(shù)，2019，38（6）：40-43.

（責(zé)任編輯：孫 娟）