基于人脸识别身份识别系统.docVIP

基于人脸识别身份识别系统 　　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 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）33-0211-02 　　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。 　　?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。 　　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ReLU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[126×102]，为提高后续人脸检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。 　　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SeetaFace这一开源模块，SeetaFace 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：SeetaFace Detection（脸部检测）[7]，SeetaFace Alignment（脸部校准）[8]和SeetaFace Identification（脸部识别）[9]。 　　SeetaFace Detection由级联的漏斗结构（Funnel-Structured cascade，FuSt）实现，它被用来做现实中多视角脸部检测。FuSt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。FuSt包括一个用20万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