AI人脸识别技术的改进及其在校园的应用

张静

(西北大学现代学院 基础部， 陕西 西安 710130)

0 引言

在传统的校园教学与管理工作中，对于学生身份的甄别和输入性的需求随处可见，课前点到、考前身份验证、校门及宿舍出入的管理登记等都需要身份的识别。在教学环境中目前使用更多的还是依靠传统人工操作，在学生数量庞大的基础之上，显得捉襟见肘。这不仅给老师及相关工作人员带来额外巨大工作量，同时也会给正常的教学及管理工作的有序开展，带来一定的干扰，如课堂教学无法按时开展、考试秩序混乱及进出积压排队等问题。为此，引入智能化身份识别技术显得尤为重要。

身份的识别，从早期的简单文字和号码，到可读取的身份证，再到后来的指纹，以及目前广泛应用的脸部识别，从鉴别速度、正确率和运用的广泛度都提升了很多，为我们的工作、生活都带来了很多的便利。本研究基于深度学习算法的AI人脸识别技术，结合实际教学及管理工作需要，通过机器学习模拟和算法改进的方式，将传统的人工操作实现全程自动化、智能化，降低教师及相关人员工作量的同时，也能保证教学秩序和校园生活的有序进行。

1 主流识别技术及对比

目前应用广泛的识别读取技术，按照其存在外观形式和核心技术原理，主要有以下四大类。

1.1 磁条卡

磁条卡广泛应用于早期银行卡、饭卡等场景，采用将铁性氧化材料，通过树脂贴合剂严密的粘在非磁性介质上，以磁道形式排列，通过专门的读写装置磁头，利用线圈电流对磁道进行数据的写入和读取。后期随着发展，应用最多的为非接触式磁卡，核心原理类似，磁条容易磨损且易受到周围磁场的干扰，甚至出现消磁，导致无法读取的情况。

1.2 IC芯片卡

磁条卡制作成本低，但易于磨损破坏，并且容易受到应用场景周围到其他磁场的干扰，导致读取失败和安全性问题，因此出现了IC芯片类。IC芯片由晶体管、电容、电阻等众多微电子元器件组成，通过电磁波引起微电路共振形成电容内存储达到存储目的，数据写入不可逆，性能安全稳定。但随着使用次数增多，芯片线路会磨损，保存时也不能折弯，使用寿命有限。

1.3 指纹按压识别

指纹按压识别通过传感器收录指纹信息，并进行数据转换与库存预设的指纹信息进行相似度比对，以此来确认甄别信息。相对于上述传统接触和非接触式磁类识别来说，更为便捷且安全，目前正广泛应用于手机、门锁及打卡等日常设备中。但对于手指指纹的完整性要求高，对于指纹弱或者皮肤易磨损者来说识别效率低。

1.4 面部识别类

随着人工智能(AI)不断发展，识别技术的发展与应用也得到了更大的提升，在带来便捷的同时，被识别人真实身份的有效性及唯一性等安全问题屡屡出现，在这个大背景之下，诞生了面部识别算法，如图1所示。

图1 面部识别图

通过人的五官关键特征点，变换到矩阵点信息来运算，最终与库存数据比对来甄别唯一性，也是目前识别应用中最为前沿的识别方式，安全可靠且快速。但在一些客观条件下，同样会影响到识别的速度和准确率，如光线明暗、美瞳隐形眼镜等。

通过主要识别技术对比，如表1所示。

表1 识别技术对比表

不难发现，基于人工智能AI的人脸(面部神经)识别算法无论从安全、速度及抗干扰性方面都具有极大的优势，刷脸支付、刷脸解锁、刷脸打卡等，可以说无处不在，已被广泛应用。

本研究将在面部识别核心算法的基础上，通过优化目标检测算法和深化数值模型，使检测在光线和外置物干扰的情况下也能准确迅速完成，同时借助云数据管理，从而实现教学及校园生活管理的全智能化、自动化。

2 面部识别核心技术原理

人脸面部识别技术是一种利用人脸特征信息数据进行身份甄别的技术，通过图像采集设备，对包含有人脸的图形进行截取、识别定位及比对，从而判断是否为同一人。由于其安全稳定、可靠迅速等特点，正在被广泛地应用于金融、安全监控及移动设备等各个领域。从图像收集输入到比对结果的输出，核心框架流程[1]，如图2所示。

图2 核心框架流程图

主要由以下六部分构成：数据采集、检测、定位、校准、计算和结果比对。

2.1 数据采集

随着电子元器件等硬件的不断发展，高清摄像头和图像采集设备被广泛应用，通过光学镜头组件将图像发射到对应传感器上并同时转换成电信号，然后通过A/D数电转换成数字图像信号，再将数字图像提交到处理中心处理后(DSP),最终将显示信号提交到终端显示器硬件进行最终的显示，如图3所示。

图3 数据采集图

2.2 面部检测

面部检测在整个识别步骤中属于预处理阶段，即从已经采集到的图片中准确获取人脸的位置及大小。因为人脸图像的特征比较丰富，从颜色、结构到模版特征等，所以主流的检测方法，像AdaBoost(自适应增强学习)就是将这些极具特征的关键数据信息从图像数据中提取出来以达到快速检测的目的，如图4所示。

图4 面部检测图

2.3 面部定位

通过快速检测实现了初步的人脸筛选，将具备人脸特征的图像数据从庞杂的数据中筛选出来，并截取缓存出来。接下来就需要对缓存的每个脸部数据进行精准定位，获取关键特征点数据，为后续各个特征向量点之间的值运算和结果比对做好准备[2-3]，关键的特征点数据主要包括双眼、鼻尖和嘴角，如图5所示。

图5 面部定位图

其中，绿点标注即为关键特征点数据。

2.4 面部数据校准

定位获取到的关键特征点数据，虽然可以精准地获得人脸所在图像单元信息，但由于一些客观原因，如拍照时的角度、光线明暗等问题，最终会导致采集到的关键特征点数据不够全面及完整，并直接影响最终比对结果。因此，需要对定位到的关键数据进行二次校准或者补全，使其与目标库数据在同一比量标准下匹配，从而提高识别正确率。

对于光线导致的数据缺失问题，通过假设pr为原图片灰度密度函数，pz为期望调整后的灰度密度函数，建立两者之间的中介连接，调整灰度分布，即可达到校准的作用，如图6、图7所示。

检测获得的人像角度问题最为常见，因为对比衡量统一性不足，会对后期比对计算带来额外的开销，影响速率的同时也会一定程度上影响精度。因此通常会通过获取到的关键特征点数据，利用特征点数据矩阵公式进行矩阵变换操作，如式(1)。

(1)

达到人脸角度的统一，如图8所示。

图8 矩阵变换效果图

2.5 特征数据的矩阵计算与结果比对

通过上述图像的采集、定位及校准等一系列前置型处理后，接下来就可以将最终校准好的图片上的关键特征数据信息提取出来，通过计算关键特征点利用欧式距离，如式(2)。

(2)

得出欧式距离，并于标准库模型数据的阀值进行比对，小于阀值则可以判定为同一人即检测成功，反之大于则将判定为不是同一人。

3 采集识别算法改进与深度学习模型

通过采集、检测、定位、校准和计算比对等一系列步骤之后，就可以得出检测结果。最后对检测结果数据进行选择性校准处理，使其数据标准与标准库的数据保持一致，从而保证最终结果的有效性。整个过程中，图片数据的有效采集和快速计算，一定程度上决定了整个识别检测过程的快速准确，为此结合实际使用，本研究将从采集、计算及模型数据方面进行优化改进，使得整个识别过程更加高效、准确。

3.1 采集方式的优化

针对采集到的图片密度分布样式和角度问题，一定程度上会极大地简化后期数据校准的复杂度，为此可以从软件和硬件两个方面进行升级。

3.1.1 感光补光系统

增加光线感应芯片，通过自动感应运作时周边环境的明暗度，采集时进行自动补光，使得采集到的图片整体对比度高且灰度密度分布均匀，减少后期因为采集图片密度不均匀导致的大量平衡运算，从根本上提高识别速率。

3.1.2 自动补全拉伸

识别系统的图像采集，一定程度和平时生活所用到的摄影或者拍照的图像采集有着本质区别，生活中的图像更倾向于高清和效果化，而识别用到的图像只需要保证关键信息的完整性。因此，在图像采集生成后，可以使用快速计算模型，定位出角度存在问题的脸部，通过计算表现完整的局部特征数据，快速演算出完整性情况下的其他缺失或者模糊的部分特征数据，以达到快速校准的目的。

通过计算水平关系的关键特征点所形成的线段与水平的角度差，对采集的图片进行快速反向旋转[4]，使得图片角度水平，如图9所示。

实际采集图像数据时，除了光线之外，角度问题最为突出，随着被采集人的姿势不同而不同，因此更多时候透视的角度会导致图片的不完整性，因此后期需要大量的矩阵平移运算，以达到复原的要求。通过计算局部完整特征点的相对距离，可以快速演算出其他不完整处，使得采集的数据完整化，解决比对运算的复杂性[4]，如图10所示。

图10 快速完整性复原图

3.2 深化模型数据

传统的模型数据库，更多是将各个待比对人的关键特征点数据进行存储，比对时会实时从数据库中依次查找并且进行欧式距离运算，再进行结果比对。这种做法从查找和运算速率来讲效率极低，最终表现为识别慢、并发差。

为此，可以在录入关键特征点数据后，运用机器自适应学习算法，自动计算并保存关键数据点间的相对关系值和预设欧式距离，并依照索引排序[4]，如表2所示。

表2 模型数据学习表

进行查找比对时，通过相对关系和欧式预设值进行初步过滤，可减少更多的计算冗余度[4]。

4 AI人脸识别系统在校园生活中的应用

随着发展进步，校园学习和生活越发得丰富，校门宿舍门禁系统、超市收银系统、饭堂结账系统、考试管理系统和签到系统等智能终端层出不穷，带来方便的同时，也带来了以下问题。

(1) 系统吞吐率低

校园里多为集中统一的作息时间，每天都会出现很多系统同时使用的高峰期，排长龙现象随处可见。例如：课前签到、就餐打饭、进出宿舍和超市购物等场景，往往很多时候还需要人工的配合，系统吞吐率极低，对师生的工作和生活带来很多不便。

(2) 系统综合管理效率低

日益增多的系统之间缺乏统一性管理，大部分学校系统数据之间相互独立，往往需要信息管理部门按照系统，设置不同的岗位人员进行针对性管理，最后再由专人做数据统一收集和整理，既耗费人力，也缺乏智能中心化数据流通支撑体系，为未来智能化校园建设与发展带来了不小的阻碍。

(3) 安全性隐患

目前校园里各个系统的识别通常使用传统的一卡通实体卡形式，这样经常会出现一人拥有多张卡，甚至多人使用同一张卡的情况。而且实体卡易折损和易丢失，无论从保管的安全性、易损性以及使用人实名制方面等存在严重问题，给师生的个人信息保护和财产安全，以及校园安全管理也带来了不少隐患。

相对于传统实体卡，AI人脸识别技术具有读取效率快、安全稳定性高和唯一性等特点，将其作为校园教学和生活各个系统的统一识别甄别入口，将从根本上解决效率和安全问题，如图11所示。

图11 校园AI人脸识别系统图

具体表现在如下方面。

(1) AI人脸识别技术无需人工配合，只需人脸对准扫描器，将在毫秒间完成验证读取，既高速便捷又准确。尤其在上课前集中打卡、吃饭时间刷卡消费等应用场景更为明显，排长龙现象将一去不返，从根本上提高了校园教学与生活的有序进行。

(2) AI人脸识别技术的引入，师生将无需再担心一卡通损坏和丢失的管理问题。尤其在实名唯一性的特点上，可以说对校园出入门禁系统的安全管理起到了决定性作用，为学校安全管理工作带来了革命性的帮助。

(3) 人脸身份识别的唯一可靠性，可以与校园所有终端系统数据进行一对一有效对应，实现真正的校园数据云中心化，使得多系统之间的数据产生关联，带来便捷性的同时，也为智能现代校园的建设带来数据性支撑和参考。

5 总结

在科学技术高速发展的今天，互联网云端技术和人工智能的应用随处可见，一场悄无声息的产业升级正在不断地改变着我们的生活，也为校园的教学工作与生活配套的建设带来了前所未有的帮助，但同时也存在着很多问题。为此，引入全新的人工智能AI识别技术，有利于从根本上解决校园各个系统在使用过程中遇到的吞吐率低、管理效率低和安全性问题，也将为建设现代校园、智能校园和未来校园起到关键性作用。