1、基于人脸识别的身份识别系统 王浩 孙福明 辽宁工业大学电子与信息工程学院 摘 要： 设计了一种基于人脸特征来判断客户真实身份的系统.首先利用第 2 代居民身份证阅读器自动采集客户所出示身份证的信息.然后通过高清摄像头采集客户人脸图像.最后基于身份证头像照片与摄像头采集图像, 利用深度学习方法算法判断二者人脸相似度.由于身份证人脸图像分辨率较低, 采用 SRCNN 算法提高其分辨率, 进而提高系统准确度.实验结果表明, 该系统可以准确判断客户身份与其出示身份证的一致性。关键词： 人脸识别; 深度学习; 分辨率; 作者简介：王浩 (1990) , 男 (满族) , 硕士生, 主要研究工作是图像处理
2、;作者简介：孙福明 (1972-) , 男, 博士, 教授, 主要研究工作是图像处理、目标跟踪。收稿日期：2017-07-29基金：辽宁省高等学校优秀人才支持计划资助 (LR2015030) Received： 2017-07-29人脸识别技术作为生物特征识别领域中一种基于生理特征的识别, 其利用计算机提取人脸特征, 并根据这些特征进行身份验证的一种技术。人脸识别技术是一种难以冒充并且性价比高的生物特征识别技术1。相较于其他生物特征, 如指纹识别、虹膜识别、视网膜识别, 它具有非接触, 不需要对象特意配合等特点。由于人脸识别技术具有以上优点, 因此它在很多方面具有广泛应用, 如档案管理系统、安
3、全验证系统, 在新兴领域也有应用, 如刷脸支付, 特别的结合大数据技术, 可以帮助刑侦部门破获很多刑事案件。因此在未来发展中, 人脸识别具有广泛的发展前景。针对上述应用, 目前已有一些基于人脸识别的身份验证系统被提出。陈史政2提出一种基于 LBP 特征的人脸识别技术。朱秀娟3提出一种特征提取采用小波变换, 分类器使用支持向量机的人脸识别系统。以上系统均通过人工提取特征的方法, 在人脸特征提取量方面会有不足。为克服上述缺点, 本系统采用深度学习方法提取特征, 并对低分辨率图像采用 SRCNN 算法提高其分辨率。1 系统的设计一个典型的人脸识别系统主要由两个部分组成, 人脸检测和人脸识别。对于人脸
4、的生物特征, 其在总体结构上具有相似性, 因此可以通过人脸检测算法把人脸从复杂背景图像中提取出来, 为后续识别人脸的局部结构差异性提供基础。传统的人脸检测算法主要利用它的结构特征与肤色特征进行检测。随着计算机运算能力的提高, 为神经网络算法的大规模应用提供了条件, 相较于传统方法其在实时性与准确性上都得到较大提升。获得分离的人脸图像后, 对不清晰的图像进行超分辨率重建, 最终利用实时采集人脸与身份证人脸图像进行比对, 得出其是否为同一人, 具体流程如图 1 所示。图 1 系统流程图 下载原图2 基于深度学习的超分辨率重建技术超分辨率重建是指利用低质量、低分辨率图像产生高质量、高分辨率图像。具体
5、应用在高清电视, 人脸识别, 医疗图像, 卫星图像等领域。卷积神经网络由于其局部感知、参数共享等特有的性质, 使它的卷积层在提取边缘信息和细节特征时具有独特的优势。随着 Re LU 激励函数的引入, 使其网络具备稀疏性4, 仿照稀疏编码重建技术, 将卷积神经网络应用在超分辨率重建技术中便生成了SRCNN 模型, 其根据信号相关性, 通过提取训练样本集的高频信息来预测高分辨率图像, 是当前最先进的算法5。该方法对于低分辨率图像先后使用三次插值将其放大到目标大小, 再通过三层卷积网络非线性映射, 得到的结果作为高分辨率图像输出。由于采集到的初始身份证图像的分辨率为 126102, 为提高后续人脸检
6、测与人脸识别环节的准确度, 故采用超分辨率重建提高图像细节质量, 重建前后图像对比如图 2 所示, (a) 为重建前的照片, (b) 为重建后的照片。从图中可以看到, 重建后的图像明显减少了颗粒感。图 2 超分辨率重建对比图 下载原图图 3 软件系统界面 下载原图3 人脸检测与人脸识别模块人脸检测与人脸识别模块采用 Seeta Face 这一开源模块, Seeta Face Engine是开源 C+脸部识别引擎, 它无需任何第三方库就能在 CPU 上运行6。它由三部分组成:Seeta Face Detection (脸部检测) 7, Seeta Face Alignment (脸部校准) 8和
7、 Seeta Face Identification (脸部识别) 9。Seeta Face Detection 由级联的漏斗结构 (Funnel-Structured cascade, Fu St) 实现, 它被用来做现实中多视角脸部检测。Fu St 的目的是使用“由粗到细的结构”, 它在准确性和速度之间取得了一个很好的平衡。其中, 前几层包含了多个针对视角的快速 LAB 级联分类器, 而后几层是粗多层感知器 (coarse Multilayer Perceptron, coarse MLP) 级联结构, 最终由统一的 MLP 级联结构来处理所有姿态的候选窗的内容。Fu St 包括一个用 2
8、0 万脸部图片训练的模型来专门处理近正面脸部, 它也能检测部分非正面脸部, 它也有些特别的地方, 首先是 MLP 级联结构使用了 SURF 检测而不是 SIFT, 其次是加入了 NMS (Non-Maximal Suprresion) , 最后是边界盒回归代替了关键点预测。Seeta Face 的人脸特征提取模块也是基于卷积神经网络的, 它包含 7 个卷积层与 2 个全连接层的 DCNN。人脸特征采用 VIPLFace Net FC2 层的 2048 个结点的输出, 特征比对可简单采用 Cosine 计算相似度, 然后进行阈值比较 (验证应用) 或排序 (识别应用) 即可。该引擎在多数人脸识别
9、场景下均具有良好的性能。4 实验系统实验环境为微软的 Windows7 操作系统, 处理器为英特尔的 i7 系列处理器。采用 C+语言在微软 VS2013 集成开发环境下完成。首先是软件界面如图 3 所示。图 3 中可以看到软件采集到的身份证信息被显示在左侧, 中间的 Picture control 控件显示的为人脸检测后从背景分离出的人脸图像, 通过该人脸图像与图 2 (b) 中被超分辨率重建后的身份证图像进行对比得出相似度。从图 3 中可以看到, 若身份证与用户身份一致时, 相似度为 0.6 左右, 若身份证与用户身份不一致时, 其相似度显示在 0.3 左右。显然, 本文设计的系统可以有效
10、地判断身份证与用户身份的一致性。参考文献1郑铁.基于多分类器的人脸识别算法的研究与实现D.沈阳东北大学, 2008. 2陈史政.人脸识别技术在考试身份验证中的应用J.赤峰学院学报, 2014, (8) :41-43. 3朱秀娟, 卢琳, 钟洪发.基于仿射变换模型的图像特征点集配准方法研究J.激光杂志, 2016 (6) :90-93. 4V Nair, GE Hinton.Rectified linear units improve restrictedBoltzmann machinesC.International Conference on MachineLearning, 2010:8
11、07-814. 5C Dong, CL Chen, K He, X Tang.Learning a deep convolu-tional network for image super-resolutionC.European Con-ference on Computer Vision, 2014, 8692:184-199. 6Shengye Yan, Shiguang Shan, Xilin Chen, Wen Gao.LocallyAssembled Binary (LAB) Feature for Fast and Accurate FaceDetection.IEEE Compu
12、ter Society International Conferenceon Computer Vision and Pattern Recognition, CVPR2008, An-chorage, Alaska, U.S.A, Jun.2008. 7Shuzhe Wu, Meina Kan, Zhenliang He, et al.Funnel-Struc-tured Cascade for Multi-View Face Detection with Alignment-Awareness.2016. 8Jie Zhang, Shiguang Shan, Meina Kan, et al.Coarse-to-FineAuto-Encoder Networks (CFAN) for Real-Time Face Align-ment.ECCV 2014. 9Xin Liu, Meina Kan, Wanglong Wu, et al.VIPLFace Net:AnOpen Source Deep Face Recognition SDK.Frontier of Comput-er Science.
