基于時空緩存數(shù)據(jù)庫的醫(yī)院圖書館人臉識別應(yīng)用研究

馮瑛

(延安市人民醫(yī)院，陜西 延安 716000)

0 前 言

醫(yī)院圖書館管理關(guān)系到醫(yī)護人員借閱的便捷性，也是醫(yī)院技術(shù)水平提高的象征性標志之一[1]。現(xiàn)有技術(shù)中，出入醫(yī)院圖書館的人員大多采用電腦登記和刷卡方式進行管理，這種方式管理落后。

隨著人工智能和人臉識別技術(shù)的逐步發(fā)展和應(yīng)用，在醫(yī)院圖書館中，出現(xiàn)了相關(guān)技術(shù)研究[2]。文獻[3]公開了一種將人臉識別和門禁系統(tǒng)相結(jié)合的方法，這種方法雖然能夠在一定程度上解決醫(yī)院圖書館的安全性問題，但是人臉識別系統(tǒng)還是存在高錯誤率。文獻[4]公開了一種打破傳統(tǒng)的新型Adaboost算法，將這個算法運用到人臉識別中。這種方法雖然能夠在一定程度上增加人臉識別的準確率，但是在人多情況下識別需要消耗大量的時間[5]。針對上述技術(shù)問題的不足，本文采用一種新型的圖書館人臉識別方法。

1 總體方案結(jié)構(gòu)圖

本文應(yīng)用了一種時空緩存數(shù)據(jù)庫的管理方法，該方法將時空數(shù)據(jù)模型和新型Adaboost算法恰當?shù)厝诤显谝黄穑軌驅(qū)崿F(xiàn)進出圖書館人臉信息的動態(tài)索引和查詢，進而解決現(xiàn)有技術(shù)中人臉識別技術(shù)的識別準確率差和速度慢的問題[6]，其中時空數(shù)據(jù)模型在實際應(yīng)用中有多種形式，例如時空耦合模型、連續(xù)快照模型、基態(tài)修準模型、立體時空模型和時空對象模型等。模型以時空數(shù)據(jù)庫為基礎(chǔ)，對采集到的醫(yī)院圖書館人臉數(shù)據(jù)信息進行綜合管理。本文方案的總體架構(gòu)如圖1所示。

圖1 總體架構(gòu)示意圖

在本文研究的技術(shù)方案中，將整體的結(jié)構(gòu)圖劃分為多個不同模塊，這些模塊分別為基礎(chǔ)設(shè)施層、功能層、算法層和緩存服務(wù)層4個模塊，通過這4個模塊，能夠?qū)崿F(xiàn)圖書館入館人員的信息監(jiān)測、信息捕捉、特征算法和人臉對比等處理，最終實現(xiàn)人臉識別應(yīng)用。下面分別進行說明。

(1) 基礎(chǔ)設(shè)施層?；A(chǔ)設(shè)施層主要是醫(yī)院圖書館的門禁系統(tǒng)的操作設(shè)施，其中包括入館監(jiān)測、出館監(jiān)測、閘機控制和網(wǎng)關(guān)中心。入館監(jiān)測和出館監(jiān)測均通過智能攝像頭智能掃描采集人臉圖像數(shù)據(jù)信息。閘機控制在接收到人臉識別正確的數(shù)據(jù)信息后自動開啟，紅外線掃描人員通過后自動關(guān)閉等待下一個信息。網(wǎng)關(guān)中心主要是保證網(wǎng)絡(luò)的通信正常和安全，若出現(xiàn)緊急狀況則放棄閘機通道開啟緊急安全通道，人員進行人臉識別記錄后直接穿過即可。

(2) 功能層。功能層為基礎(chǔ)設(shè)施層提供相關(guān)的技術(shù)支持，該層主要是對人臉數(shù)據(jù)的收集和預(yù)處理。當人員人臉對上智能攝像頭時，采用靜態(tài)圖像分析人臉的不同位置、不同角度和不同表情收集數(shù)據(jù)信息進行保存。人臉切片是對于人臉的小范圍進行識別掃描，這樣能將人臉特征識別得更為細微精確。通過小區(qū)域的人臉膚色特征，首先選擇顏色空間，然后根據(jù)亮度的分級和色度值分類，接著建立膚色特征模型，最后將人臉圖像數(shù)據(jù)信息進行簡單的預(yù)處理。

(3) 算法層。算法層是根據(jù)功能層提供的數(shù)據(jù)信息進行分析計算，將結(jié)果反饋至基礎(chǔ)設(shè)施層。算法層包含的內(nèi)容有特征模型、關(guān)鍵點提取和人臉對比。關(guān)鍵點提取是把特征模型的圖像信息進行數(shù)字化，得到這個特征的人臉編號序列。人臉對比是利用緩存服務(wù)層搜索不同的人臉編號序列，并對比不同人臉的特征模型，從中來判斷該人臉圖像數(shù)據(jù)信息是否需要進行緩存。

(4) 緩存服務(wù)層。緩存服務(wù)層是為算法層提供很好的訪問性能。該層是利用Redis集群構(gòu)建時空緩存數(shù)據(jù)庫，用來存儲人臉圖像的數(shù)據(jù)信息，為算法層進行人臉對比提供便利。

2 關(guān)鍵技術(shù)設(shè)計

在實際工作中，圖書館人員進出比較復(fù)雜，采集到的圖片信息蘊含了多種具有多維度和時間維度的數(shù)據(jù)量，基于這些數(shù)據(jù)量，常規(guī)技術(shù)的索引和查詢方式在動態(tài)識別人臉方面顯得尤為困難。因此，為了提高圖書館人臉識別水平，動態(tài)檢索和查詢就非常必要。本文還通過Redis集群分布式緩存構(gòu)架實現(xiàn)圖書館的時空緩存數(shù)據(jù)庫數(shù)據(jù)存儲，這種方法能夠解決圖像識別困難和識別時間長的問題。

2.1 Adaboost算法模型在人臉識別中的應(yīng)用

本文采用改進型Adaboost算法，分類模型架構(gòu)如圖2所示。

圖2 Adaboost算法模型應(yīng)用示意圖

Adaboost算法模型的應(yīng)用過程說明如下：

(1) 假設(shè)將進出圖書館的人臉特征集合記作為{(x1,y1),(x2,y2),…,(xn,yn)}。在該數(shù)據(jù)集合中，將x記作為一種類型的人臉特征，用字母y表示經(jīng)過分類器分類后的人臉特征標識，為了區(qū)分對待，將人臉特征可以記為0和1。在y=0的情況下，該特征表示為非人臉數(shù)據(jù)樣本，在y=1的情況下，表示該特征為分類屬性范圍內(nèi)的人臉樣本。n為分類特征中人臉特征類型的數(shù)量[7]。

(2) 然后對分類后的人臉特征進行賦值、計算，其中賦值的數(shù)據(jù)集合記作為：

D={D0,1,D0,2,…,D0,n}

(1)

(3) 然后再歸一化處理分類器輸出的人臉特征樣本權(quán)值，輸出的樣本數(shù)據(jù)集合為：

pz={pz,1,pz,2,…,pz,n}

(2)

式中:pz為人臉特征樣本權(quán)值；pz,n為第n特征集合的人臉特征樣本權(quán)值。

(3)

式中:πz,n為分類器的屬性。

(4) 經(jīng)過權(quán)值歸一化處理后，弱分類器可以轉(zhuǎn)換為以下形式：

lz:{x1,x2,…,xn}→{0,1}

(4)

式中:xn為不同的弱分類器。每個不同的分類錯誤率可以通過式(5)來表示。

(5)

式中:ξz為分類錯誤率；Pz,j為第j特征集合的人臉特征樣本權(quán)值；hz(xi)為分類器；yi為第i個數(shù)據(jù)集。

(5) 在歷經(jīng)弱分類器經(jīng)過Z次分類后，弱分類器可以轉(zhuǎn)換成強分類器L(x)，可以通過式(6)表示。

(6)

經(jīng)過上述公式討論后，再進行圖書館人臉識別時，可以針對不同類型的用戶進行人臉識別，大大提高了人臉識別程度。針對非人臉特征樣本的圖像識別如圖3所示。

圖3 非人臉特征樣本處理示意圖

在進行非人臉特征樣本進行識別時，首先需要設(shè)置分類閾值，如果抽取的樣本數(shù)據(jù)信息的權(quán)值處于設(shè)定的閾值范圍內(nèi)，可以再進一步增加樣本的權(quán)值。當抽取的樣本數(shù)據(jù)信息的權(quán)值沒有在設(shè)定的閾值范圍內(nèi)時，則將權(quán)值進行減小處理。由于選擇的弱分類器不同，輸出的權(quán)值也不同。通過調(diào)整不同分類器的權(quán)值，可以提高樣本訓(xùn)練的正確率。而強分類器是將多種強分類器串聯(lián)在一起，每個強分類器都由多種弱分類器組合而成，這樣通過多層次地對人臉特征進行篩選，提高了人臉精度。

在上述步驟中，尤其是在提取膚色區(qū)域時，需要構(gòu)建膚色模型。這是由于膚色模型不同，需要構(gòu)建不同的數(shù)學(xué)建模，以進一步描述膚色在不同色彩空間之間的分布情況，通過這種方式，能夠識別出圖像中那些部分屬于膚色[8]。再進行閾值計算，通過閾值的不同，能夠構(gòu)建起膚色模型和非膚色模型，通過這種方式以將膚色區(qū)域和非膚色區(qū)域區(qū)分開來。

2.2 Redis集群設(shè)計

2.2.1 Redis和Redis集群

Redis集群和Memcached集群在結(jié)構(gòu)上比較類似，都是NoSQL中的一種，屬于內(nèi)存比較高、運行比較快的高性能key-value(k-v)數(shù)據(jù)庫。這種方式與Memcached所表現(xiàn)不同的是，Redis集群能夠支持string、list、set、zset(sorted set)和hash類型數(shù)據(jù)類型，上述的這些數(shù)據(jù)類型大部分都能夠支撐push/pop、add/remove交集、并集和差集等多種、多項操作，與memcached集群表現(xiàn)形式比較類型。在工作過程中，為了保證數(shù)據(jù)集合的應(yīng)用效率，大部分數(shù)據(jù)被緩存在內(nèi)存中[9]。有待區(qū)分的是redis集群，該集群能夠周期性地把更新后的數(shù)據(jù)信息讀入磁盤，或者將修改后的操作信息存儲到記錄文件中，進而使得master-slave能夠?qū)崿F(xiàn)(主從)同步工作。在應(yīng)用redis集群之后，能夠?qū)emcached集群這類key/value存儲信息的不足給充分地利用起來。該數(shù)據(jù)庫信息提供了多種應(yīng)用信息，比如Java、C/C++、C#、PHP、JavaScript、Perl、Object-C、Python、Ruby和Erlang等客戶端。

2.2.2 Redis-Cluster 集群構(gòu)建時空緩存數(shù)據(jù)庫

在對Redis進行初始分布時，通常應(yīng)用分片的方式進行，在具體應(yīng)用時，應(yīng)用客戶端和Proxy分片的方式進行，在應(yīng)用客戶端時，在水平方面的擴展程度比較不易，硬件資源內(nèi)耗比較大，需要的硬件環(huán)境也比較高。需要在Redis3.0集群的情況下提出Cluster集群模式，模式示意圖如圖4所示。

圖4 Redis-Cluster集群架構(gòu)示意圖

通過圖4可以看出，當應(yīng)用Redis-Cluster集群時，通常是無中心結(jié)構(gòu)的。圖4中的每個應(yīng)用網(wǎng)絡(luò)節(jié)點都能夠?qū)?shù)據(jù)和整個集群狀態(tài)存儲起來，其中節(jié)點之間實現(xiàn)了互聯(lián)互通，不同的Redis節(jié)點之間互聯(lián)(PING-PONG機制)過程中實現(xiàn)信息交互。集群架構(gòu)中還使用二進制協(xié)議進行數(shù)據(jù)優(yōu)化，以進一步優(yōu)化網(wǎng)絡(luò)的傳輸速度和帶寬。網(wǎng)絡(luò)節(jié)點的fail能夠借助于集群中節(jié)點(通常超過一半)才能實現(xiàn)正常工作。

在客戶端，通過將應(yīng)用的硬件設(shè)備與Redis節(jié)點實現(xiàn)直接連接，該過程無需中間Proxy層即可完成。因此，在客戶端應(yīng)用的用戶不必連接集群內(nèi)的所有節(jié)點，任意一個連接節(jié)點即可滿足需求。在應(yīng)用過程中，還需要根據(jù)人臉識別系統(tǒng)，對 Redis集群的應(yīng)用方法進行設(shè)置或者配置。

(1) 節(jié)點的配置或者創(chuàng)建。對三個不同的主節(jié)點進行創(chuàng)建，假設(shè)其不同的節(jié)點分別為 A、B、C，并且A、B、C三種不同的節(jié)點可以分別為一臺機器上的三個端口，也可以為三臺不同的服務(wù)器的三個節(jié)點。

(2) 空間分片?？臻g分片能夠?qū)崿F(xiàn)節(jié)點數(shù)據(jù)的快速應(yīng)用，在具體工作時，能夠采用哈希槽 (hash slot)對16 384個slot進行分類，如果應(yīng)用了3個不同的節(jié)點，則這三個節(jié)點能夠?qū)崿F(xiàn)不同的應(yīng)用功能，比如在slot 區(qū)間范圍內(nèi)：在節(jié)點A，能夠覆蓋0～5 460范圍內(nèi)的數(shù)據(jù)信息;在節(jié)點B，能夠覆蓋5 461～10 922范圍內(nèi)的數(shù)據(jù)信息;在節(jié)點C，能夠覆蓋10 923～16 383范圍內(nèi)的數(shù)據(jù)信息。在具體應(yīng)用過程中，假設(shè)對一個數(shù)據(jù)信息數(shù)據(jù)進行存儲，可以根據(jù)Redis-Cluster哈希算法進行計算，計算式有：

CRC16(‘key’)384 = 6 782

在這種情況下，能夠?qū)ey 的數(shù)值存儲在B中。通過這種方式，當對(A,B,C)內(nèi)任一節(jié)點進行“key”信息獲取時，能夠?qū)?nèi)部節(jié)點跳轉(zhuǎn)到B節(jié)點，以進一步獲取相關(guān)數(shù)據(jù)信息。

(3) 節(jié)點時間調(diào)度。如果在應(yīng)用過程中，需要對某個節(jié)點進行增加或者刪除，集群量不會減少，集群過程也不會停止。根據(jù)該原理，在大量人員入館和離館過程中，將全部的緩存節(jié)點緩存起來，能夠大大提高進入館人員的人臉識別度。

3 仿真試驗與分析

為了能夠證實Redis集群構(gòu)建時空緩存數(shù)據(jù)庫能夠提高人臉識別技術(shù)的計算速度、增強過的Adaboost算法能夠提高人臉識別準確率，下面將分別進行仿真試驗。

3.1 Redis 集群的構(gòu)建時空緩存數(shù)據(jù)庫

首先要構(gòu)建Redis 集群，來檢驗人臉識別系統(tǒng)加入時空緩存數(shù)據(jù)庫能有效地提升識別計算速度。本文采用CentOS6.8(x64)操作系統(tǒng)、4.0.1版本的Redis和2.4.6版本的ruby腳本，Intel(R) Xeon(R) CPU E5-2640 v2、2.00 GHz主頻、千兆網(wǎng)卡、8核16G內(nèi)存、512 GB硬盤的硬件環(huán)境[10]。創(chuàng)建三個服務(wù)器主節(jié)點，分別復(fù)制備份出2個虛擬節(jié)點，一共9個節(jié)點搭建Redis集群作為分布式緩存。為了檢驗各種類別測試人臉特征的識別效果，試驗調(diào)取了100張人臉圖像，從不同年齡段、不同性別、不同膚色和不同人臉角度分別測試每張圖像的識別效果。采用時空緩存數(shù)據(jù)庫和Redis集群的識別時間，與傳統(tǒng)人臉識別方法識別的時間進行對比，結(jié)果如表1所示。

表1 人臉識別耗時對比 ms

如表1所示，有關(guān)人臉識別的四個數(shù)據(jù)類型，采用100張人臉圖像，基于時空緩存數(shù)據(jù)庫和Redis集群的識別方法與傳統(tǒng)識別方法相比，耗時全部都要短。為了對比更加清晰，本文將以柱狀圖形式展現(xiàn)，對比示意圖如圖5所示。

圖5 人臉識別耗時對比圖

如圖5所示，用時空緩存數(shù)據(jù)庫和Redis集群使人臉識別的執(zhí)行速度得到有效提升，比傳統(tǒng)識別方法快了大約10%。因此得出結(jié)論：對于醫(yī)院圖書館人臉識別系統(tǒng)來說，構(gòu)建時空緩存數(shù)據(jù)庫的效果還是很明顯的。

3.2 Adaboost算法驗證

與傳統(tǒng)的Adaboost算法不同，本文采用的新型Adaboost算法在漏檢率方面大大降低，下面來進行仿真試驗。采用Pentium(R)CPU、8核16G內(nèi)存，電腦的硬盤容量為256G的硬件環(huán)境，軟件的操作系統(tǒng)Windows XP， JDK1.5，通過MATLAB軟件系統(tǒng)進行仿真。分別對單人臉的正面、單人臉側(cè)面和多人臉正面圖像進行識別，數(shù)量均為 100張人臉圖像，統(tǒng)計成功識別的次數(shù)，結(jié)果如表2所示。

表2 人臉識別成功次數(shù)對比 次

通過上述數(shù)據(jù)，在單人正臉方面，由于人臉識別比較容易，傳統(tǒng)Adaboost算法和改進過的Adaboost算法均能全部成功識別，沒有表現(xiàn)出差距。在單人側(cè)臉和多人正臉方面，存在識別的關(guān)鍵點減少等因素影響，有時會無法完全識別人臉圖像特征，識別率為95%和92%。根據(jù)膚色特征可以大大減少上述因素的影響，利用新型的Adaboost算法識別率均提高到99%。仿真試驗結(jié)果表明：新型Adaboost算法可以提高準確度。

4 結(jié)束語

本文基于時空緩存數(shù)據(jù)庫設(shè)計了新穎的人臉識別系統(tǒng)，利用Redis集群在空間上增減節(jié)點的同時，在時間上對不同的節(jié)點設(shè)置不同的停止服務(wù)時間，達到時間和空間上的緩存優(yōu)化，可快速且高效地進行人臉識別。類似人臉識別這樣的智能技術(shù)與傳統(tǒng)圖書館服務(wù)的結(jié)合，也必將為智慧圖書館的建設(shè)帶來更廣闊的發(fā)展空間。