關(guān)鍵詞：人工智能；無接觸式簽到系統(tǒng)；人臉識別

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A

0 引言

隨著人工智能時(shí)代的到來，各個(gè)行業(yè)雖然面臨技術(shù)創(chuàng)新的挑戰(zhàn)，但在科技方面也取得了前所未有的進(jìn)步。通過人臉這個(gè)獨(dú)特的標(biāo)識，已經(jīng)實(shí)現(xiàn)無接觸式簽到、消費(fèi)支付、人臉測溫等操作，并且研發(fā)了相關(guān)設(shè)備，如人體測溫智能訪客機(jī)等。簽到系統(tǒng)作為學(xué)校管理中不可或缺的一環(huán)，其通常使用刷卡或錄入學(xué)生學(xué)號等方法來實(shí)現(xiàn)，這導(dǎo)致簽到效率較低[1]。非接觸式人臉識別產(chǎn)品可以滿足人流密集區(qū)域快速篩查異常群體的需求，而通過人臉這個(gè)唯一的標(biāo)識能達(dá)到無接觸簽到、無感通行等操作要求。針對上述情況基于人工智能設(shè)計(jì)的無接觸式簽到系統(tǒng)被廣泛接受。

1 人臉識別過程分析

由于每個(gè)人的人臉均存在一定的差異，針對人臉特性和計(jì)算機(jī)支持存儲海量數(shù)據(jù)的特征，決定了人臉識別技術(shù)具有較高的效率。人臉識別是一種新興的識別技術(shù)，與IC 卡、指紋識別等相比，其具有新穎性、非接觸等優(yōu)勢。人臉識別主要過程為檢測、對齊、特征提取及分類，在對人臉相關(guān)特征數(shù)值如入選人員耳朵尺寸、鼻長等信息[2] 進(jìn)行提取后，通過相同的方法完成新人臉照片測量，并迅速找到與測量值相匹配的數(shù)據(jù)庫信息與服務(wù)器中已保存的人臉數(shù)據(jù)。根據(jù)設(shè)置的閾值，當(dāng)測量值大于閾值，表示系統(tǒng)能快速尋找與檢測人臉圖像匹配的信息，順利完成人臉分類處理。根據(jù)采集的人臉特征數(shù)值，使用分類器完成分類處理，常見的分類器包含k 最近鄰（k-nearest neighbor，KNN）算法、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）算法等。本文使用KNN 算法作為分類器，該算法可以根據(jù)周圍限定的鄰近樣本而非單一判別類域來確定目標(biāo)檢測物相應(yīng)的類別。因此，針對交叉或重疊有待需要分離的樣本集合，KNN 算法優(yōu)于其他算法。

2 人臉識別算法

2.1 MobileFaceNet 模型下識別操作

人臉識別旨在借助圖像路徑讀取完成人臉識別操作，通過MobileFaceNet 模型對人臉特征進(jìn)行預(yù)測，從而獲取特征與人臉庫內(nèi)特征值的對比相似度，最終獲取閾值大于0.6 的最高相似度結(jié)果，準(zhǔn)確率較高。MobileFaceNet 模型涉及大量的參數(shù)以達(dá)到能夠在個(gè)人計(jì)算機(jī)（personal computer，PC）或服務(wù)器進(jìn)行調(diào)整的要求。嵌入式設(shè)備受算法的影響，無法達(dá)到整個(gè)網(wǎng)絡(luò)在線訓(xùn)練的要求，MobileFaceNet 模型結(jié)構(gòu)如表1 所示。其中，t、c分別為通道擴(kuò)展及輸出通道值；n 為操作次數(shù)；s 為步長。網(wǎng)絡(luò)輸入值控制為112×112×3，其采用RGB 顯示人臉彩色圖像，經(jīng)過相應(yīng)的運(yùn)算輸出一定的特征向量。

利用MobileFaceNet 進(jìn)行模型人臉識別，步驟如下：根據(jù)預(yù)訓(xùn)練模型提取相應(yīng)的數(shù)值，求解需要識別的特征向量，并與特征庫原有特征向量相似度進(jìn)行對比，進(jìn)而完成人臉識別。如果判定為陌生人，系統(tǒng)在算法允許的條件下，加入分類網(wǎng)絡(luò)并對其模型實(shí)施更新處理。利用已驗(yàn)證數(shù)據(jù)集對公開數(shù)據(jù)集進(jìn)行訓(xùn)練并且微調(diào)相關(guān)參數(shù)，從而獲取相應(yīng)的模型，有利于提升人臉圖像的識別率。

由于嵌入式終端算法受限，難以加入新檢測人臉特征數(shù)值及原有特征庫，所以無法順利開展MobileFaceNet 模型訓(xùn)練。同時(shí)，上述操作工作量較大，對專業(yè)性具有較高的要求，難以應(yīng)用于實(shí)際場景。本文提出的基于MobileFaceNet 模型聯(lián)合支持在線學(xué)習(xí)Siamese 模型可以解決上述問題，其支持在PC/ 服務(wù)器將經(jīng)過訓(xùn)練的模型移植至嵌入式設(shè)備，從而實(shí)現(xiàn)初始特征提取操作，獲得新特征向量，并且實(shí)時(shí)完成特征向量數(shù)據(jù)集更新操作。采用Siamese 模型配置的實(shí)時(shí)更新功能，能有效提高人臉識別效果。

2.2 MobileFaceNet+Siamese模型下識別處理

Siamese 模型是評估各輸入特征向量所用的神經(jīng)網(wǎng)絡(luò)，輸入達(dá)到共享要求的神經(jīng)網(wǎng)絡(luò)模型，通過共享模型確定輸入新的空間，經(jīng)損失度函數(shù)Loss對所輸入數(shù)值相似度展開評估[3]。由于各網(wǎng)絡(luò)設(shè)定的參數(shù)相同，在訓(xùn)練操作中僅需對某個(gè)模型進(jìn)行訓(xùn)練，這可以有效減少訓(xùn)練樣本數(shù)。

將所提取人臉特征向量等信息輸入到Siamese模型內(nèi)，獲取與之對應(yīng)的64 維特征向量，求解歐式距離。當(dāng)最小歐式距離小于設(shè)置閾值，表示有待識別人臉圖像處于數(shù)據(jù)庫內(nèi)；當(dāng)最小歐式距離大于設(shè)置閾值，代表本次簽到人員為陌生人。系統(tǒng)如果需要添加陌生人，采用MobileFaceNet 模型提取與之相關(guān)的特征值并創(chuàng)建數(shù)據(jù)集，并且通過Siamese網(wǎng)絡(luò)重新開展訓(xùn)練。本次使用Siamese 模型可以在嵌入式設(shè)備上執(zhí)行人臉識別、模型訓(xùn)練操作。

3 系統(tǒng)各功能設(shè)計(jì)

無接觸式簽到系統(tǒng)主要包含人臉圖像采集、識別、提取等，根據(jù)檢測的人臉圖像來查找數(shù)據(jù)庫人臉，并與數(shù)據(jù)庫人臉展開對比，快速完成身份識別操作。

3.1 系統(tǒng)注冊功能

利用本文的無接觸式簽到系統(tǒng)對學(xué)生開展注冊操作，課堂管理者先對班級學(xué)生建立相應(yīng)的人臉數(shù)據(jù)，支持收集、管理本班級學(xué)生照片，順利完成注冊操作[4]。系統(tǒng)完成注冊后，學(xué)生根據(jù)各項(xiàng)要求填寫個(gè)人信息，系統(tǒng)對上傳圖片設(shè)置統(tǒng)一要求。系統(tǒng)設(shè)計(jì)的前端注冊界面，支持對學(xué)生性別、人臉圖像、證件信息等進(jìn)行檢測。

3.2 人臉圖像采集模塊

該模塊旨在對人臉圖像及其數(shù)據(jù)信息執(zhí)行采集工作，使用系統(tǒng)配置的攝像頭進(jìn)行拍照，將收集的圖像信息存儲至數(shù)據(jù)集。在實(shí)時(shí)完成簽到人員信息采集工作后，再將采集的數(shù)據(jù)傳輸至數(shù)據(jù)庫，以方便后期開展數(shù)據(jù)分析操作。

3.3 人臉圖像識別

系統(tǒng)配置的人臉圖像識別功能，主要是在準(zhǔn)確采集簽到人員人臉圖像后，實(shí)時(shí)完成識別、導(dǎo)出信息操作。當(dāng)執(zhí)行人臉識別操作時(shí)，先將攝像頭打開進(jìn)行拍照、存儲等操作，從而獲取簽到人員的人臉圖像，便于下一步開展人臉識別操作。當(dāng)對人臉識別模型進(jìn)行訓(xùn)練時(shí)，提取相關(guān)的特征數(shù)值，利用訓(xùn)練分類器對人臉圖像執(zhí)行識別操作。此外，對訓(xùn)練集文件下存儲的數(shù)據(jù)執(zhí)行訓(xùn)練操作，在完成人臉圖像定位、特征提取后，執(zhí)行一系列訓(xùn)練，將有待訓(xùn)練的分類器存儲至clf 文件。此次獲取的人臉圖像特征采用MobileFaceNet 模型來完成，訓(xùn)練操作經(jīng)KNN 算法完成。

3.4 人臉識別預(yù)測功能

該模塊主要功能是對所采集人臉圖像進(jìn)行識別，當(dāng)檢測出來的人臉圖像已存儲在數(shù)據(jù)庫內(nèi)，系統(tǒng)會根據(jù)所識別圖像姓名匹配與之相關(guān)的數(shù)據(jù)庫信息，將結(jié)果呈現(xiàn)在系統(tǒng)屏幕上[5]。若識別操作提示人臉圖像并未存儲在數(shù)據(jù)庫內(nèi)，系統(tǒng)提示檢測人員為陌生人。圖1 為人臉識別預(yù)測流程。

4 系統(tǒng)調(diào)試結(jié)果分析

本文共采集15 張人臉圖片，假定其中10 張為已知人員，5 張為陌生人。采用MobileFaceNet模型對10 張圖片的人臉特征值進(jìn)行提取，同時(shí)對Siamese 模型開展訓(xùn)練，時(shí)間控制、迭代次數(shù)分別為10 min、100 次，訓(xùn)練模型文件大小為65 kB。在簽到系統(tǒng)訓(xùn)練完成后，顯示數(shù)據(jù)庫已有的識別結(jié)果。如果檢測為陌生人，系統(tǒng)支持在線添加新人。

根據(jù)識別結(jié)果可知，如果陌生人較少，使用Siamese 模型的準(zhǔn)確率較高；如果不斷增多陌生人的數(shù)量，該模型的準(zhǔn)確率會隨之降低。然而，每一次添加新檢測人員，均可以對Siamese 模型各項(xiàng)參數(shù)進(jìn)行微調(diào)，隨著微調(diào)數(shù)量不斷增多，特征提取能力也隨之增強(qiáng)，更新處理后該模型的識別準(zhǔn)確率明顯增加，均超過99.0%。

5 結(jié)論

綜上，基于人工智能設(shè)計(jì)的無接觸式簽到系統(tǒng)，可以借助紅外傳感器檢測受檢者，開啟攝像頭對人臉進(jìn)行拍攝，利用MobileFaceNet 準(zhǔn)確提取需要檢測的人臉特征，采用Siamese 模型獲得相應(yīng)的特征向量，根據(jù)歐式距離完成人臉識別，該系統(tǒng)具有良好的穩(wěn)定性和準(zhǔn)確性。系統(tǒng)用于課堂簽到場合，只需采集幾張圖片，通過預(yù)處理及算法優(yōu)化，識別準(zhǔn)確率超過99.0%，有利于解決傳統(tǒng)簽到速度慢、數(shù)據(jù)利用率低等問題。