人脸识别系统在综合门禁系统中的研究

　　图2

　　3）进行识别。在此阶段，当一个未知类别样本A 作为一个测试样本作用到输入端时，经过投影后得到特征矩阵Y,利用训练好的网络分类器对其进行分类，考察各输出节点的输出，从而识别出所属类别。

　　2.3 人脸识别结果

　　为验证系统，实验中采用Yale 人脸数据库，该数据库由美国耶鲁大学的实验室采集，包括15 个人的每人11 张人脸灰度图像，共计165 张。它们是在不同时间、光照略有变化、不同表情（眼睛张或闭，笑或不笑）以及不同脸部细节（有眼镜或没眼镜）下获取的。

　　每张图像的尺寸为128×128 像素， 比较充分地反应了同一个人不同人脸图像的变化和差异。将图像库中的人脸图像分为两组，其中150 张为训练样本，另外15 张为测试样本。实验中，训练神经网络所需时间平均为10秒，人脸的识别过程所需的时间平均为0.5 s,对于合法用户的识别率为89%,非法用户的识别率可达95%. 

　　图3

　　3 指纹识别

　　指纹识别传感器采用富士通公司推出的一款先进的固态指纹传感器MBF200,它除可自动检测指纹外，还带有多种接口模式，为电容性传感器，其电容性传感器阵列由二维金属电极组成，所有金属电极充当一个电容板，接触的手指充当第2 个电容板，器件表面的钝化层作为两板的绝缘层。当手指触摸传感器表面时，指纹的高低不平就会在传感器阵列上产生变化的电容，从而引起二维阵列上电压的变化，并形成指纹传感图像。采用标准COMS 技术的电容性固态器件，具有500 dpi 的分辨率，传感器面积为1.28 cm×1.50 cm.具有自动指纹检测能力，内含8 位模数转换器，可提供3 种总线接口形式。5V 工作电压下的功耗小于70 mW.指纹采集时间不超过0.5s;指纹识别比对时间不超过0.5s/枚；指纹误识率小于0.001%。

　　指纹识别算法实现为：1）提取脊线方向，脊线频率。2）经过GABOR 滤波，减弱噪声、改善图像质量，以便于特征提取。3）特征提取。4.与指纹数据库进行特征匹配并得出结果。大致流程如图4 所示。

 

　　图4 流程图

　　4 实验

　　判别流程：门禁控制器通过摄像头捕获到人脸图像，并把该图像发送到服务端进行人脸识别。通过指纹采集仪获取用户指纹，并通过封装在控制器内部的指纹模块进行指纹比对。若人脸识别通过，指纹识别也通过，则判断用户有该门的权限并开门。若人脸识别通过，指纹识别未通过，则要求请求者再测一次。若人脸识别未通过，指纹识别也未通过，则不开门。其基本流程如图5 所示。 

　　图5 基本流程图

　　5 结果

　　本系统的测试方法为：在相同光照条件下，对已注册的用户分别进行10 次进门操作，对未注册的用户分别进行10 次进门操作。系统设置识别方式为人脸识别、指纹识别串行执行。测试记录用户每次进门操作识别成功与否，使用何种识别方式识别通过等信息，统计测试系统的性能。从实验结果来看，人脸识别率达到93%,而人脸加指纹的识别率达到98%,并且没有出现错误接受的情况，但由于测试数据量比较小，在实际运行中，可能会出现错误接收的情况，从测试情况来看，错误接受率不会高于0.01%.

　　6 结论

　　传统PCA 方法在处理人脸图像时，要将二维图像矩阵转换成一维的列向量，使图像的维数达到上万维，计算工作量大，特征提取速度慢。针对PCA 算法的不足，也有研究者提出了独立分量分析法（ICA,Independent Component Analysis），在这些方面仍有待作进一步探索。

　　而且虽然BP 网络得到了广泛应用，但其自身也存在一些缺陷和不足，主要包括网络的收敛速度慢，且存在局部最小值问题。可采用变化的学习速率或自适应的学习速率以及附加动量法加以改进和解决[5].将指纹识别与人脸识别相结合，进行人脸图像的一对一比对，所以识别速度更快，合法用户与非法用户的识别率均较高，提高了身份验证的安全性和有效性。人脸和指纹这两个生物特征都具有很好的抗干扰性和不怕遗失的特性，而且识别率也非常，可以很好的解决传统门禁系统如IC 卡门禁所存在的不足，达到减少人为因素对门禁系统的影响的目的。因此，智能门禁系统适用于高度机密性场所安全保护和高效率管理的需要，同时也适用于大规模用户进行快速、准确的身份鉴别的需要。