摘要：随着深度学习算法的不断优化，使得人工智能技术在计算机视觉、语音识别、无人驾驶等领域有了突破性发展。人工智能作为新一轮科技革命的重要引领，正在快速推动城市轨道交通行业人工智能的快速应用。人脸识别技术作为人工智能技术的一种，已在城市轨道交通行业得到应用，并取得了良好的效果。
关键词：人脸识别；技术原理；设计与实现
1、人脸识别技术原理
人脸识别技术，是基于人的脸部特征信息，对输入的人脸图像，进行身份判断识别的一种生物识别技术。它采用区域特征分析算法，利用计算机图像处理技术与生物统计学原理，实现从视频、图像中提取人像特征点，进行分析并建立数学模型。人脸识别系统主要由人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别四个部分组成。
（1）人脸图像采集及检测：
图像采集：采集摄像机在拍摄范围内会自动搜索检测人脸图像，通过镜头可将不同的人脸图像采集下来。
图像检测：在预处理过程中，通过Adaboost算法，将特征信息筛选出来，并利用这些信息实现人脸检测。
（2）人脸图像预处理：由于前端采集到的图像往往受到各种条件的限制和随机干扰，因此前期一般通过灰度校正、噪声过滤等技术将其进行预处理，确定人脸所在的区域。而人脸图像预处理技术一般采用光线补偿、几何校正、灰度变换、滤波等技术。
（3）人脸图像特征提取：采用基于知识的表征方法或基于代数特征（或统计学习）的表征方法，将预处理后的信号转换成能够精确表征人脸特性的一串“数字码”，并存储在模板数据库中，实现人脸特征建模的过程。
（4）人脸图像匹配与识别：将提取的特征数据与数据库中存储的人脸特征模板进行搜索匹配，根据相似程度，对人脸的身份信息进行判断，并将判断的结果输出。
图1人脸识别流程
由图1可以看出，人脸识别按照系统划分可以分为采集系统、比对系统、后处理系统三部分。采集系统是为了获取待比对对象的高质量图像；比对系统通过预处理技术提取图像的特征编码，与预存的人脸数据库（一般称为“比对目标库”）进行比较，从而确认待比对对象的身份；后处理部分则把比对结果应用到用户的业务当中。
尽管人脸识别技术研究近年来取得了很好的进展，由于存在脸的朝向变化、部分遮挡、表情变化、面部光线变化，以及外貌经年变化等种种因素，提高人脸识别在在实际系统应用中的鲁棒性仍然是一个具有高度挑战性的问题。
2、系统架构
城市轨道交通系统人脸识别系统建设一般采用分层结构设计，由车站前端采集子系统、网络传输子系统、监控中心数据处理平台组成。前端采集系统要求结构简单稳定，集成度高的特点，同时也便于安装维护。网络传输系统为数据传输提供安全稳定的传输通道，同时要满足数据传输带宽的要求，中心数据处理平台可实现统一监控和统一管理功能。
1）前端采集子系统
前端采集子系统采用支持宽动态、低照度的高清枪型摄像机，能实现全天候实时监控功能。通过可调焦距镜头保证人脸采集的角度和清晰度，在必要的情况下需要对其进行补光。
2）网络传输子系统
主要承担将前端设备视频、图像信息传输到视频监控中心的任务，同时中心监控人员在利用远程管理软件实现对前端设备进行远程监控管理，以及参数设置。
3）中心数据处理平台
数据转发处理服务部署于核心机房，实现前端数据的汇聚、存储，通过后台连接的人像结构化引擎、应用平台执行具体的业务请求，将执行的业务结果反馈到人脸识别应用终端。
3、系统设计与实现
（1）前端设计
前端监控点系统由高清人脸抓拍摄像机、防护罩、设备箱、监控杆、交换机等设备组成。
车站监控点安装要求：
车站高清监控摄像机的架设地点，一般选择人员行进路线的前上方，这样既不影响人员的通行，也满足人员的姿态要求。在条件允许的情况下，可对乘客的行进路线进行规范，使人员流动方向单一，且同时出现在场景中的人员数量越少越好，如能达到每次仅一人出现在场景时为最佳。
摄像机高度和俯视角度也要符合相关要求，避免人员经过通道时，出现脸部重叠、遮挡等情况，同时摄像机也要保证能正常拍到经过通道不同身高的人员。
（2）网络传输
网络传输子系统为前端数据采集与中心数据处理平台之间的信息传递提供通道，要求具有可靠性、稳定性、可扩展性，系统采用模块化设计，具有完备的安全保障体系，运维管理自动化且系统简单。
（3）中心数据处理平台
中心数据处理平台部署在LINUX系统上，将人脸采集前端接收的数据，通过人像结构化引擎、应用服务器、数据库服务器和流媒体服务器，实现数据的汇总、处理和存储功能，并将结果回传到应用终端上。
（4）数据存储设计
抓拍图片存储设计
前端摄像机抓拍到的现场全景图片和人脸小图存储在引擎中，一般引擎存储容量较小，在无法符合大量的抓拍图片时，可挂载IP SAN进行扩展存储。
存储容量计算
人脸识别智能监控系统中抓拍的人脸图像需要进行一定天数的存储。按平均每张人脸图片0.03MB，每张全景图片0.5MB，每路每分钟抓拍15张，工作时间24小时，则一天存储21600套图片。
单路为例：
人脸图片365天存储量约为：0.03MB×15张/分钟×60分钟×24小时×365天≈0.24TB，采用R5备份（20%冗余）合0.29TB。
全景图片365天存储量约为：0.5MB×15张/分钟×60分钟×24小时×365天≈3.77TB，采用R5备份（20%冗余）合4.52TB。
4、总结
随着“平安城市”建设的不断深入，人脸识别技术，在城市轨道交通应用领域取得了很大的进展，它能实现人脸采集到分析到布控的全过程目标监控，从而实现快速确认和辨别目标人员的真实身份并且产生相关的联动操作。为公安人员刑侦破案提供良好的技术支持，加强了城市轨道交通安全防范能力，有助于加快平安城市的建设。
参考文献：
[1]张立东，潘志福，胡志毅，等.人脸识别技术在上海轨道交通中的应用研究[J].城市轨道交通研究，2011，14（a01）：19~24.
[2]茅飞，孔慧慧，李宏胜，等.轨道交通车站闸机智能识别研究[J].城市轨道交通研究，2017，20（12）：123~126.
[3] 张嫄.城市轨道交通系统的闸机中图像处理与识别技术[D].天津：天津大学，2006.
论文作者:陈星杰
论文发表刊物:《基层建设》2019年第1期
论文发表时间:2019/4/1
标签：图像论文; 轨道交通论文; 技术论文; 系统论文; 的人论文; 特征论文; 城市论文; 《基层建设》2019年第1期论文;