人脸识别系统在地铁中的需求分析及实施建议

畅 健

人脸识别系统在地铁中的需求分析及实施建议

畅 健

摘 要：通过人脸识别系统在地铁中的需求分析，提出利用现有资源实现人脸识别的组网方案、设备配置及实施建议，得出人脸识别设备技术结合高清视频监控系统，可以为地铁公安人员提供快捷、准确警情信息的结论。

关键词：地铁；高清视频监控系统；人脸识别系统

畅 健：西安市地下铁道有限责任公司，工程师，陕西西安 710018

近年来，高清视频监控系统在地铁里得到了广泛应用，如何充分利用现有的高清视频资源，为地铁公安工作提供更为高效、快捷的破案手段是现阶段高清视频应用领域需要完成的任务。人脸识别系统作为最直观、准确率最高的人类面部特征识别技术应运而生，是基于人的脸部特征信息进行身份识别的生物识别技术。

1　人脸识别系统在公安地铁项目中的应用

近几年来，公安部门在地铁内通过人工抽检的方式，抓获大量在逃犯。

地铁作为人们日常大量使用的公共交通工具非常适合作为人脸识别系统进行数据采集的场所，原因如下。

（1）地铁作为各大城市市民出行的日常交通工具，使用便利、客流量巨大。

（2）高清视频监控系统已经在地铁行业内普遍使用，为人脸识别系统提供了硬件基础，基本不需要额外投资便可实现人脸识别功能。

（3）地铁车站内灯光环境相对稳定，便于摄像机进行图像采集。

（4）地铁车站相比其他公共场所更为封闭，当人脸识别系统识别出嫌疑人并发出警报后，民警对可疑人员进行检查和抓捕更为容易。

（5）人脸识别系统技术经过10年的发展，已经成熟，分析比对时间短，误报率低，基本可以满足现代公安工作的需要。

综合以上情况分析，地铁视频监控硬件设施完善，环境相对封闭，图像采集环境适宜，客流量巨大。因此，应大面积推广人脸识别系统在地铁中的应用。

2　人脸识别系统组成及功能

人脸识别系统是指通过图像采集设备对人脸进行数据采集，使人脸数字化，从而达到计算机存储和识别的功能。地铁人脸识别系统通过对地铁站中出现的人员进行人脸检测，并与本地数据库中公安部的在逃嫌疑犯面部特征进行实时对比，当有匹配时，发出告警。此外，系统可配备事后检索功能，在重要事件发生后，在地铁中前一段时间内拍摄到的人员中寻找特定人员，从而辅助公安人员工作，提高嫌疑人抓捕效率和破案率，图1为实时人脸识别算法示意图。

可以充分利用现有的视频监控系统硬件资源。由于人脸识别需要的服务器性能高于现有视频监控系统配置，所以需要在各地铁站现有视频监控系统中增加数台高性能服务器，并且每台服务器分别安装不同功能的软件。同时，在控制中心增设中心人脸识别管理服务器及软件，用于管理全线的人脸识别服务器。

系统拓扑结构如图2所示。人脸识别系统由摄像机、人脸视频分析服务器、人脸存储及检索服务器、中心管理服务器和客户端组成。

2.1摄像机

采用高清网络摄像机，为保证人脸身份识别需求，须保证拍摄到清晰人脸、姿态近正面、光照均匀、细节丰富、人脸瞳孔间距>40像素、人脸灰度级>64级。建议摄像机距离被拍摄对象4～8 m，正对被拍摄人员行进方向，以避免被拍摄人员沿着径向运动而产生的运动模糊和侧面人脸。若摄像机吊顶安装，则应满足下视角度<10 °。

2.2人脸视频分析服务器

人脸视频分析服务器负责对现场拍摄到的视频进行分析，主要有人脸检测、人脸特征提取以及人脸对比3部分功能。这3部分功能可以部署在同一台服务器上，也可以分别部署在不同的服务器上，各个部分通过网络互联。

在目前的人脸识别系统中，人脸检测、人脸特征提取、人脸对比、人脸存储与检索可在同一台服务器上实现，满足中小规模系统的低成本应用需求。但为提供系统性能，提高系统高稳定性，满足大规模系统的需求，未来将对系统进行拆分部署。

图1　实时人脸识别算法示意图

图2　人脸识别系统结构示意图

建议地铁行业采用拆分部署方式。原因在于，提高整个系统的效率（包括稳定性和可靠性），在客流量增多时，系统对于每个采集到的人脸图像都要进行1次人脸检测、人脸特征提取、人脸对比、人脸存储与检索。单台设备（小型机或服务器）完成大规模人脸识别工作较难保证整个系统的效率，在使用中，可能会产生由于数据量巨大而导致的漏检等情况。从系统的稳定性考虑，建议人脸检测、人脸特征提取、人脸对比、人脸存储与检索分别使用独立嵌入式或通用服务器设备。

人脸检测系统可采用具有该功能的专用设备，例如专用嵌入式人脸检测分析仪，或具有人脸检测功能的一体机。人脸视频分析服务器从中心管理服务器接收需要进行实时对比的人脸库，并在场景中有人员与库中人脸对比成功时将告警信息传回中心管理服务器，由中心管理服务器分发到客户端进行告警。

2.3人脸存储及检索服务器

如需将场景中出现的所有人脸都保存记录，并进行事后人脸检索，例如查找某人在过去1个月内在哪些地方出现过，则应配备专用的人脸存储及检索服务器。人脸存储及检索也可以与人脸视频分析运行于同一台服务器上，但可能会带来服务器计算资源紧张的问题。例如，某检索任务需要0.5 h执行完，在执行这个检索任务时，实时分析任务可能受到影响。

存储数据量按每张人脸40 KB（图片+特征）、每部摄像机每天拍摄5 000人、每人记录5张人脸计算，则每部摄像机每天需1 GB存储空间，100台摄像机100天需10 TB存储空间。实际所需存储空间视具体配置（抓图图片大小、人脸特征长度）和人流密度而定。进行检索时，由于待检索人脸数据太大无法预先加载到内存，因此，检索速度受硬盘速度制约。若硬盘读取速度为40 MB/s，每个人脸特征大小为8 KB，则1部摄像机1天拍摄的所有人脸检索可在5 s内完成。

每台摄像机应配备至少200 GB存储空间，以满足100天左右存储需求（具体视客流量、抓图设置、算法配置而定）。由于事后检索速度主要受硬盘速度制约，因此，人脸存储及检索服务器不需要配置高CPU和内存，而应注重硬盘读取速度，例如采用磁盘阵列。为满足快速检索需求，建议为每站点配备独立的服务器，可部署于站点内。这样在进行事后检索时，如果需要进行全局检索，可以将工作量分布到各个站点并行进行。若每台服务器连接1个站点内10台摄像机，每站点1个月拍摄150万人次，即750万人脸，对1台摄像机1天拍摄的人脸进行检索需要5 s，则在1个站点过去1个月内抓拍的人脸范围进行1次检索耗时约25 min。

2.4中心管理服务器

中心管理服务器负责进行人脸库管理、人脸库下发、告警事件管理、事后检索、系统管理等功能。系统其他组成成分，例如摄像机，人脸视频分析服务器，人脸存储及检索服务器，客户端等，都与中心管理服务器进行连接，接受中心管理服务器管理。具体功能如下。

（1）人脸库管理。建立人脸库，增加、删除、修改、批量导入人员或人脸信息。

（2）人脸库下发。中心管理服务器将人脸特征与人员ID发送到人脸视频分析服务器上。具有保密性质的关键数据，例如人脸库中人员身份信息，人脸照片等，只保存在中心管理服务器上，不向人脸视频分析服务器下发。

（3）告警事件管理。人脸分析服务器产生的事件，例如人脸抓拍、人脸识别告警等，都传回中心管理服务器数据库进行存储。实际数据（现场抓图，人脸特征文件等）分布式保存在各个人脸存储及检索服务器上，在中心管理服务器数据库中只保存文件索引信息。

（4）事后检索。中心管理服务器在收到客户端发出的检索请求后，将检索请求下发给各个人脸存储及检索服务器，进行分布式检索后，将结果汇总并传给客户端显示。

（5）系统管理。中心管理服务器负责进行整个系统的管理工作，1台中心管理服务器与数十到数百台人脸视频分析服务器和人脸存储及检索服务器连接，接收实时告警信息，并推送告警信息至客户端。在中心管理服务器上不需要进行高性能运算，因此，不需要高CPU和高内存配置，而应注重稳定性及多任务处理能力，建议采用多任务处理能力强的多核心CPU。

2.5客户端

用户通过客户端软件登录中心管理服务器，进行人脸库管理、人脸库下发、告警事件管理、事后检索等工作。

3　实施建议

（1）采集位置。图像采集点位应设置在光线无变化、客流量密集、角度适合、且可以捕获到满足像素要求的位置。因此，可以考虑将人脸图像采集摄像头设置在出入口通道内、自动售检票机上方、安检X光机上方、闸机入口处等位置，确保尽可能多的采集进入地铁的乘客面部特征，且这些面部特征均为有效采集数据。

（2）配置布局。由于人脸识别系统对服务器要求较高，如果大面积进行数据采集和比对，需要配备大量服务器，投资较大。因此，从节省投资、提高系统效率方面考虑，在地铁的建设中，无需在所有车站都配置人脸识别系统，可以只在重点换乘站或重要出入口处进行人脸数据采集。

（3）已建成线路的配置方式。对于已建成的地铁线路，可以在地铁车站内局部区域设置4路人脸识别（分别位于4个出入口通道），充分利用现有的服务器硬件资源，只增加相应软件即可完成，这样既保证了功能，同时又提高了设备的使用效率。

（4）厂商选择。在系统选择上可以考虑选择一些在地铁视频监控系统有丰富经验的集成商、设备供应商合作，这样可以保证系统的稳定性。

4　结论

地铁行业中运营安全最为重要，其中重中之重是人的安全。需要地铁运营部门和地铁公安部门共同努力确保，其中运营部门是通过对设备运行情况监控，确保地铁正常运行，并保证运行的安全性。而地铁公安部门则需要通过现场治安管理和先进的安全防范技术抵御外来人员带来的安全隐患。高清视频无疑是现阶段最为有效的现场治安管理手段。人脸识别作为现阶段高清视频领域的新技术，无论规模大小、系统稳定性和可靠性还需要进一步提高和验证。人脸识别技术结合高清视频监控系统，可以为地铁公安人员提供快捷、准确的警情信息，同时配合联动现有的高清视频监控及视频分析系统构成一套完整体系的安全防范系统。应在未来的安防领域得到更广泛地应用。

参考文献

[1] P. Viola & M.J. Jones. Robust Real-Time Face Detection [J]. International Journal of Computer Vision, 2004, 57(1): 137-154.

[2] J. Li and Y. Zhang. Learning SURF Cascade for Fast and Accurate Object Detection[C]. IEEE International Conference on Computer Vision and Pattern Recognition, 2013: 3468-3475.

[3] P. Dollar, R. Appel and W. Kienzle. Crosstalk Cascades for Frame-Rate Pedestrian Detection[C]. European Conference on Computer Vision, 2012: 645-659.

[4] S. Ren, X. Cao, Y. Wei, and J.

Sun. Face Alignment at 3000 FPS via Regressing Local Binary Features[C]. IEEE International Conference on Computer Vision and Pattern Recognition, 2014: 1-8.

[5] P.N. Belhumeur, J.P. Hespanha, and D.J. Kriegman. Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(7): 711-720.

[6] D. Chen, X. Cao, L. Wang, F. Wen and J. Sun. Bayesian Face Revisited: A Joint Formulation[C]. European Conference on Computer Vision, 2012: 566-579.

[7] D. Chen, X. Cao, F. Wen and J. Sun. Blessing of Dimensionality: High-Dimensional Features and Its Efficient Compression for Face Verification[C]. IEEE International Conference on Computer Vision and Pattern Recognition, 2013: 3025-3032.

Requirement Analysis and Implementation Suggestions of Face Recognition System in Metro

Chang Jian

Abstract:Through an analysis on the demand of face recognition system in metro, the paper proposes the use of existing resources to achieve face recognition system network solution, equipment configuration and puts forward implementation recommendations. The equipment technology for face recognition based on HD video monitoring system can provide fast, accurate alarm information for metro public security personnel.

Keywords:metro, HD video surveillance system, face recognition system

收稿日期2014-10-15责任编辑 凌 晨

中图分类号：U231