人脸识别技术应用在铁路系统

人脸识别技术应用在铁路系统（通用12篇）

1.人脸识别技术应用在铁路系统 篇一

浅析人脸识别在金融行业应用方向

背景

2015年年末，央行发布了《中国人民银行关于改进个人银行账户服务加强账户管理的通知》，明确提出“提供个人银行账户开立服务时，有条件的银行可探索将生物特征识别技术和其他安全有效的技术手段作为核验开户申请人身份信息的辅助手段”。至此，这两年火遍天际的人脸识别终于得到了“正式名份”!将在银行大显身手的人脸识别到底能做什么?备受银行青睐的人脸识别真有那么“万能”吗? 目前人脸识别在银行的应用主要集中在自助终端、移动金融/营销和柜面系统三大方向。

“人脸识别”自助终端

“人脸识别”自助终端是当前银行应用最为普遍的方向，交通银行的自助发卡机、民生银行的VTM、农业银行的超级柜台等都是将人脸识别系统引入到自助设备中，利用人脸识别技术将现场采集的照片与已存照片、身份证照片进行比对并提供人脸相似值，工作人员即可根据相似值的高低判断是否直接通过或进行人工审核。

目前，用户可以在自助终端上实现自助开卡、业务变更、密码重置等个人业务，全流程电子化不仅节约时间和成本，也更加环保。不仅如此，银行工作人员也可以通过人脸识别自助终端实现一对多服务，通过客户自助办理＋现场审核授权，原本只能服务一个客户的工作人员可以同时服务6-8人。

移动金融/营销

银行在开展移动金融/营销时，也经常遇到一个难题：在移动端如何确认客户身份?而人脸识别则可以较好的解决虚拟世界两端“你是谁”的身份认证难题：一方面用户可以借助于手机等移动设备的摄像头进行人脸身份核查，另一方面银行工作人员也可以通过便携性移动终端进行客户人脸身份核查，为客户办理业务。目前包括民生银行、攀枝花商行在内的众多银行已经开始基于多模态生物识别统一身份认证平台，通过人脸识别技术平台布局移动金融和移动营销：直销银行、远程贷款、大客户上门服务等都是典型应用。与此同时，该平台还具有强大的渠道管理能力，一旦前端出现报错情况，可以迅速反查、定位并进行修复。

柜面系统

人脸识别在柜面系统中发挥了更大的作用：内能进行风险管控，外可1S核验客户身份。银行通过人脸识别可以实现内部员工系统登录与授权管理，增强银行的风险管控能力;同时，也可以通过人脸联网核查，将现场照片与公安部已存的身份证照片进行比对、核查，更客观、科学的实现“人证合一”，降低“肉眼”观察的主观意识和失误辨认。

2.人脸识别技术应用在铁路系统 篇二

随着嵌入式系统的不断发展和其性能的不断提升完善,为便携式人脸识别系统应用研究奠定了坚实的基础。然而,嵌入式系统和通用PC除了操作系统本身的区别,硬件也有非常大的差异,目前通用的PC机,特别是一些大型服务器,其运行的内存可以达到几个G至几十个G,数据存储空间高达几百G :对于嵌入式系统,可用的存储器空间是相当有限的,最好的系统存储器只有几百兆(M),并且这些存储空间还包括操作系统本身需要的存储器空间,所以用户真正使用的内存较少。嵌入式人脸识别系统,对影像设备和核心算法的选择,构建人脸训练样本集和系统工作环境的要求比较严格。

1人脸识别技术

人脸识别是以计算机为基础,达到识别人脸的目的,识别的图像可以是静止的图像,也可以是动态的图像。问题一般可描述如下 :给定一个静止视频图像或者是场景,采用人脸数据库,确认一个或多个场景中的人。人脸识别的研究一般分为四个部分 :从复杂的背景中先实现人脸定位检测,提取人脸识别特征 ;特征降维 ;最后通过匹配来识别。从20世纪60年代开始研究人脸识别技术,经过50多年的研究发展,人脸识别技术已经取得了相当大的进展。在光照恒定、无遮挡正面照等比较理想的情况下,人脸识别的识别率较高,所以,人脸识别技术公共安全如身份鉴定、和视频监控等和政府部门管理的应用十分广泛。

2嵌入式系统

2.1 概念

从我们自己的实际需求和应用的角度看,国内业界普遍认同的嵌入式系统的定义是 :嵌入式系统是一种专用计算机系统,它以计算机技术为基础,以应用为中心,软件硬件可裁剪,并且该系统对成本、可靠性、功耗等的要求十分严格。这个定义和其他的电子微处理设备不同,例如,电子微处理设备MCU,它一般没有操作系统,对使用者的GUI在API层面上不能进行开发,目前MCU被越来越广泛的应用,内部设计的实用模块更多,包括一个可控的脉宽调制输出,数模转换,还具有支持复杂LCD显示和支持USB的控制器等,和嵌入式的区别是,MCU的编程控制大多基于寄存器和存储单元,嵌入式可以不必依靠这些,独立开发软件模块和硬件模块,开发的时间相对较短。而CPLD及FPGA偏重于硬件的逻辑设计,逻辑辑关系的设定使用VHDL语言和其他的方式进行,这种设备根据需要搭建,就像积木块一样,通过编程实现不同的逻辑,实现不同的数字处理的内核等。嵌入式系统的硬件设计,一般是根据需要进行的,包括产品的元器件要求,外形要求及工业设计相关要求等,可裁减性体现到功能的需要,根据需要的相关功能,添加相关的设备,十分简便灵活。

2.2嵌入式系统结构

嵌入式系统体系继承了计算机体系的特点。其结构包括三个重要的部分 :嵌入式操作系统部分、硬件部分、软件部分,其结构图如图1所示。

3基于嵌入式的人脸识别系统的整体框架

人脸识别系统主要包括注册和识别两个阶段,基于嵌入式的人脸识别系统的整体框架如图2所示。

3.1 硬件的选择

(一)处理器

处理器是运行和控制的核心,在选择处理器时要满足嵌入式设备的整体需求。ARMCortex-A8是ARM开发的,属于Cortex-A系列中的一款,它是基于ARMv7架构的一款应用处理器。Cortex-A8处理器的速度可以随意调节,调节的范围在600MHZ至1GHZ之间,具有性能高,功耗效率低的优点。

(二)开发板平台

开发板是一种电路板,可以用来进行嵌入式系统的电路开发,它包括存储器、中央处理器、输入 / 输出设备、外部资源接口、数据通路 / 总线等一系列硬件组件。开发板可以根据嵌入式系统开发的需求订制,也可自行研究设计。Tiny210开发板由是广州友善之臂公司设计开发,它是一种ARM的开发平台,其采用的处理器是S5PV210处理器。Tiny210开发板采用了核心板及底板的设计方法。核心板上主要有S5PV210处理器以及和底板连接的接口等。底板主要包括USB、网口、RTC、ADC、音频、蜂鸣器、LCD、触摸屏等接口。

3.2 开发环境的搭建

(一)宿主机环境的搭建

如果选择嵌入式Linux目标板上的操作系统,则宿主机的操作系统也选择相应的Linux操作系统。Linux宿主机和目标板之间的连接方式有以下几种 :一是串口方式,二是网络方式。宿主机交叉编译环境的建立主要有QT集成开发环境、配置arm-linux-gcc、配置Qtfor Embedded Linux三个步骤。

(二)目标机嵌入式 linux 操作系统的安装

如果选择linux操作系统,则在宿主机上搭建好检查编译环境后就要在目标开发板上移植嵌入式Linux操作系统。嵌入式Linux操作系统包括5部分 :Linux内核、硬件设备驱动程序、引导程序Bootloader、上层的应用程序及根文件系统。Linux内核是Linux操作系统的关键部分,对系统设备和资源进行统一的分配和管理,它是一款系统软件,并且具有提供硬件抽象层、文件系统等功能,最终目标是为上层软件服务。设备驱动程序是用于支持用户的外部设备和嵌入式系统相互交互的程序,如触摸屏、显示屏、摄像头等。应用程序为系统为实现某种功能预安装的程序。引导程序Bootloader是系统加载运行的第一段代码,它的主要功能是初始化硬件设备,建立内存空间的映射图,为调用系统做准备。根文件系统用来储存各种应用程序和各种工具、init程序应用程序及一些库文件等。

4嵌入式人脸识别系统的实现

4.1 基于人脸识别的播放器 Face Player的实现

进入人脸识别系统后,先检查有没有摄像头,假如没有摄像头或者是摄像头没有成功启动,系统就会显示没有摄像头,然后就会成功退出该系统。如果摄像头被成功启动,会成功进入系统的主界面,摄像头捕获的图像会在图像显示区域显示,根据选择的显示设置,图像中人脸和人眼的位置被实时显示标出,主界面还有注册,清除数据,识别等功能。

4.2基于人脸 识别的小 车控制器Face Car的实现

进入人脸识别系统后,先进入系统的主界面。在主界面的左侧区域,实时显示人脸的图像。左侧上方显示玩具车主人,如果无人注册,就显示未注册的图案,否则显示已注册者,也就是小车的主人的图案。Face Car的注册过程和Face Player的注册过程相同。如果没有人注册过,可以任意的点击小车的开启按钮和注册按钮。当已经有人注册过,需要通过人脸认证后方才可以启动小车或者是重新注册小车主人。在清除相关的注册数据时,需要经过人脸认证后才能清除数据。

5结束语

近年来,嵌入式技术飞速发展,并且在很多的领域得到了广泛的应用。但是,就目前的发展来说,人脸识别还应该在以下几个方面进一步进行研究。1进一步深入研究人脸的局部和整体信息的混合模型的方法,准确描述人脸模式分布。2通过多分类器融合及多特征融合的方法改善识别性能。3研究人脸与虹膜、语音、指纹等识别技术的相融合。4 3D形变模型具有良好的发展前景。三维人脸识别算法需要在原有的识别算法基础之上进行创新及改进。总之,人脸识别是研究的热点话题,如何和其他技术相结合提高识别的精准率是将来研究的方向。

摘要：随着计算机网络技术的不断发展,嵌入式系统的成熟应用,为便携式人脸识别系统的开发研究奠定了坚实的基础。本文分析了人脸识别技术和嵌入式系统,并阐述了基于嵌入式系统的人脸识别的整体框架,最后分析了嵌入式人脸识别系统播放器和小车的实现。

3.人脸识别技术应用在铁路系统 篇三

关键词：人脸识别技术；公共安防视频监控领域；应用

中图分类号： TP242.6 文献标识码： A 文章编号： 1673-1069（2016）31-172-2

0 引言

目前，随着我国社会经济的不断发展和市场经济的需求，越来越多的企业逐渐在针对监控视频的人脸识别产品，同时在目前的交通、房屋建设中随处可见人脸识别产品。同时，公共安防领域的视频监控系统主要是针对收集到的视频图像进行事前预警分析，但是针对事后的视频分析就浪费了大量的人力和精力，因此，在公共安防视频监控领域采用了人脸识别技术，那么就会减少违法犯罪的发生概率，维护了社会和国家的稳定性。

1 人脸识别的概念

1.1 人脸识别的含义

在人脸识别中，包括很多的名词，我们应该重视这些名词解释，不要混淆名词解释。第一，针对人脸提取来说，人脸提取主要指的就是在视频资料中，把人脸相关的资料提取出来，然后对提取到的人脸资料进行有效分析。同时，在不同的地方，人脸提取的过程也被叫作人脸检测。第二，针对人脸识别来说，人脸识别主要指的就是把人脸的特征输入到人脸库中，然后针对人脸库进行有效对比，确定出人脸的可用信息，这个人脸识别的过程也被称之为人脸对比。第三，针对历史人脸数据库来说，历史人脸数据库主要指的就是通过监控对人脸进行有效抓拍，然后建立相应的人脸数据库[1]。

1.2 人脸抓拍实现过程

科学在进步，人脸识别技术也在逐渐发展，人脸抓拍过程是一个科技要求非常高的过程，比如，针对企业的人员卡口系统而言，相关的人员在进入检测区域时，算法就开始进行人脸检测，然后对每个抓拍的人脸进行有效分析和对比，然后当人员离开检测区域时，被筛选出来的最后一张图片就是最佳人脸图片。在进行人脸抓拍的过程中，影响抓拍的效果有很多，比如摄像机的光照、天气、角度等。

1.3 人脸识别的技术原理

人脸识别技术主要是采用基于统计学习的人脸特征选择算法，并对大量的人脸数据进行有效分析，对比出不同人像的特征，然后从大量的人像特征中选择出最佳的人像特征。同时，人脸对比识别主要是利用人脸识别算法对抓拍到的人脸图像进行建模，并对数据库中的人脸进行有效对比，一旦人脸的识别度达到一定的标准时，那么相关的系统就会自动报警，然后相关的管理人员就能够及时发现相似度极高的人脸。另外，人脸识别技术如果采用自动最优特征选择算法，不仅能够缩短人脸对比的速度，又能够保证人脸识别的质量[2]。

2 人脸识别的技术局限性

现如今，随着我国科技的发展，人脸识别技术已经取得了不小的成果，但是，与国外发达国家相比，我国的人脸识别技术依然存在一定的局限性，很多外部环境都对人脸识别效果有一定的影响性。下面我们就来具体说下人脸识别的技术局限性都包含哪些方面内容：

2.1 人脸的相似性

众所周知，针对同一人种来说，所有的人脸结构都是相似的，实质性的差别不大，由于我国人脸识别技术的限制，就算采用人脸识别算法也会影响人脸特征精确度的提取，因此，我国的相关研究人员应该重点研究人脸相似度的参数调节，加强对人脸细微差异性的提取，从而提高人脸识别率。

2.2 同一个人的人脸渐变性

每个人的人脸都会随着时间的推移、年龄的变化而变化，同时，由于不同条件下人的情绪也是不同的，从而导致了人脸的不同，因此，同一个人的人脸渐变性也会在很大程度上影响人脸识别率的高低。

2.3 遮挡物的干扰

随着人们物质生活水平的不断提高，人们越来越重视自身的打扮，因此，人脸会经常受到很多遮挡物的干扰，比如，墨镜、头发、面具等，这些脸部的遮挡物严重影响了人脸识别效果。

2.4 人脸的角度和图像质量

在对人脸进行识别的过程中，人脸的角度和图像质量也会严重影响人脸的识别效果。要想提高人脸的识别效果，在抓拍人脸时一定要收集一张正面的人脸清晰照片，如果没有抓拍到清晰的人脸照片，那么就会使得人脸识别率大大降低。同时，人脸图像的质量好坏也会直接影响识别的效果，比如，图像的分辨率等。因此，在对人脸识别技术研究的过程中，一定要加强与相关专业单位的合作关系，把人脸识别技术融入安防领域中，从而促进人脸识别技术的稳定发展。

3 人脸识别技术在公共安防视频监控领域的应用

最近几年，随着人脸识别算法技术的不断提高，人脸识别技术被广泛地应用到了公共安防视频监控领域。同时，很多地方政府为了提高当地的安全管理水平，已经建立了一套人脸识别系统，下面就来具体说下人脸识别技术在公共安防视频监控领域的应用：

3.1 情报领域应用

人脸信息是情报信息的重要来源，情报分析主要是针对各种基础信息的碰撞，并对情报信息进行有效分析，然后把危险扼杀在源头，减少安全事故的发生概率。相关部门通过对人脸的相关信息进行有效分析和对比，能够实现对犯罪分子的有效防控，从而消除恶性案件的发生概率。

3.2 户政应用

随着我国社会经济的不断发展，户政管理业变得越来越严谨。在传统的户籍管理中，由于缺乏先进的管理技术，从而出现了很多问题，其中包括骗领身份证、户籍重复性等问题。但是，目前在户籍管理中，逐渐使用了人脸识别技术，这样避免了骗领身份证等问题的发生。人脸识别技术不仅能够对身份证进行集中对比，而且还能够及时清理异常的户籍信息。与此同时，针对犯罪分子而言，通过人脸识别技术，能够有效识别出犯罪分子的行踪，例如：当地公安部可以把犯罪分子的人脸图像输入到全国数据库中，然后对人脸数据库进行有效对比，最后排查出是否有网上在逃人员套用本地居民户口资料的情况。除此之外，目前各地的宾馆或者街道中都安装了人脸抓怕系统，如果有人员进入到了视频监控中，那么就会及时抓拍到每个人的图像，然后公安部就能够根据人员的活动轨迹和人脸截图输入到人脸识别库中，对其进行重点监控，从而使得公安部对人员进行判断，判断其是否属于在逃人员[2]。

3.3 种族比对应用

人脸识别技术在公共安防视频监控领域的应用中，还有一个比较重要的应用那就是种族对比应用。种族比对应用主要也是采用人脸的抓拍形式，不同的种族人的面部特征也存在很大的差异性。各个地方应该建立种族识别分类器，以方便查找种族人脸的相关信息。种族识别分类器主要是针对大量的人脸特征数据进行有效分析，同时，要针对不同的种族特征信息进行分类，输入多个软分类器，然后再对这些数据进行深入分析，最后由强分类器确定种族，从而实现种族比对应用效果，最终为公安防范体系智能化的建立奠定坚实的基础[3]。

4 结束语

总而言之，随着我国科学技术和社会经济的不断发展，人脸识别技术在公共安防视频监控领域得到了广泛的应用。人脸识别技术一般采用基于统计学习的人脸特征选择算法，分析出人脸的主要特征，但是人脸识别技术目前还尚不完善，因此，相关的研究人员一定要加大研究力度，不断开发人脸识别技术，重视其在情报领域的应用，从而促进人脸识别技术的可持续发展。

参 考 文 献

[1] 苏大伟.人脸识别技术在安全保卫工作中的应用及发展趋势研究[J].无线互联科技，2015，21：135-137.

[2] 仝星.动态人脸识别监控系统研究[J].中国安防，2015，Z1：63-66.

4.人脸识别技术应用在铁路系统 篇四

2、部门考勤员负责本部门员工考勤的管理工作，负责考勤系统里本部门人员维护、班次管理、人员排班等工作。

3、人脸识别考勤时间：员工正常出勤时上班前1小时内人脸识别签到有效，下班后无加班任务的1小时内人脸识别签退有效。未经部门同意也无加班任务的禁止在工作区域逗留。

4、员工中午休息时间不需要人脸识别考勤，但要求在规定时间吃饭和出勤，部门（班组）考勤员做好考勤记录，公司将不定期抽查监控录像，对于出现迟到和早退的将给予处罚。

5、班车晚到的，需在上班时间后1小时内填写《离岗登记表》，注明班车到达厂区的时间，并履行审批程序，当天未填写的按迟到处理。

6、上班忘记人脸识别考勤的，需当天填写《出勤登记表》，注明到达2#厂房员工入口时间，并履行审批程序。下班忘记人脸识别考勤的，需在第二个工作日填写《出勤登记表》，注明离开2#厂房员工出口的时间，并履行审批程序。未按要求填写的一律按旷工处理。

7、人脸识别考勤无效的，进入2#厂房后需先到部门考勤员处填写《出勤登记表》，注明到达2#厂房员工入口时间，并履行审批程序，所在部门（班组）考勤员需记录其当天出勤情况，班组考勤员需及时将考勤反馈至部门考勤员。当天未填写的按旷工处理。连续两次人脸识别无效的，请联系人力部重新注册人脸信息。

8、忘记人脸识别考勤的，月度内前两次不扣考核分，第三次月度考核扣2分，第四次月度考核扣6分，每出现一次在上一考核扣分基础上累加4分计算。

9、员工当月因私外出离岗时间累计计算，每累计4小时记为半天事假。

10、因有事晚到公司的，提前2小时告知主管负责人（班组员工除告知领班外，也需告知分管工程师或分管部长）的不记为迟到，到公司后需立即填写《离岗登记表》，因私晚到超过2小时的需填写请假单，离岗时间累计计算，每累计4小时记为半天事假。

11、员工除需人脸识别考勤外，部门和班组考勤员也需记录考勤。

人力资源部

5.人脸识别技术应用在铁路系统 篇五

各部门、车间：

为确保正常工作秩序，增强员工组织纪律观念，提高工作效率，树立企业良好形象。经公司研究，决定启用人脸识别考勤系统。现将有关通知如下：

一、适用范围：公司全体员工

二、人脸识别考勤系统使用方法及注意事项

1、管理员统一为员工设置人脸识别图像。

2、考勤机全天开机，所有员工上、下班，都必须录入面像考勤。

3、考勤时，将面部置于考勤机前方，对准屏幕，待语音提示“本人姓名”后，即操作成功。考勤结束后，应立即离开考勤机，不得重复、随意录入面像考勤。

4、考勤机已设定管理员，其他人员不得随意操作考勤机界面。

5、严禁恶意破坏考勤机，如发现人为损坏，由当事人双倍赔偿。

6、因停电或设备故障导致考勤机无法运行的，临时使用签到表。

三、考勤管理

1、由于公司岗位不同，人员上班时间不尽相同，请严格按照公司的规定时间上下班，不迟到，不 早退，不无故旷工。

2、考勤时间：

（1）实行上下午上班制度的员工，每日考勤三次：

上午7:30之前签到，中午：12：40-13:00之前，下午下班后30分钟内签退。

无故不考勤或因其他原因未考勤且没有及时上报的一律旷工计。

（2）实行倒班制的员工，按交接班时间进行签到和签退。

无故不考勤或因其他原因未考勤且没有及时上报的一律按旷工计。

3、迟到、早退10分钟以内罚款20元，10分钟—30分钟以内罚款50元。

迟到、早退超过30分钟，未满半天的，视为旷工半天；满半天不满一天的，视为旷工一天。

4、因公或特殊原因（停电、不能识别等）无法签到者，由本人填写考勤补登记录单，部门负责

人签字后，送人力资源审核、备案。

5、无人脸识别考勤的职工，一律按无效考勤处理。

本通知自下发之日起执行。

6.看守所人脸识别应用解决方案 篇六

近几年，我国 发生的越狱事件频发，有些犯人越狱手段极其恶劣，不仅将狱警杀害，甚至砍下手指进行指纹识别开锁，看守所的安全防范刻不容缓。传统的钥匙控制出入也存在遗失、盗用的风险，相关专家认为，更安全可靠防范的还是使用智能的看守所人脸识别更加可行。利用看守所人脸识别，精确分析每个人的面貌特征进行识别，从而得到有效的管理制度。

众所周知，人脸识别系统是一款通过人脸的特征进行认证的生物识别认证系统。其主要原理为：利用计算机图像处理技术从图片中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似值，通过这个值即可确定是否为同一人。系统具有如下特点：

(1)安装简单，可以直接在现有高清系统改造完成(2)非接触性，人与设备无需接触

(3)认证速度快，一般情况在1秒内完成认证

(4)具有并发认证能力，能同时对多个人物进行识别。

正因为以上特性，其在哈尔滨延寿县看守所两个技防漏洞方面具有天然的优势解决方案。笔者通过北京众智益华公司的人脸识别-“陌生人”防范系统，人脸识别门禁系统两个热销产品来详细的讲解如何自动实现防范弥补以上两个漏洞的出现。

一，从曝光的视频可以看出案犯是尾随狱警到了值班室内，并杀害了民警，化妆成民警出现到了出入口，大门口等不该出现的地方。北京众智益华的人脸识别-“陌生人”防范系统可以有效的解决此问题。其具体实现原理为：通过把可以在本地方(通道，大门口，值班室等)出现的人照片加入到白名单图库里，人脸识别系统会自动识别出现在摄像机镜头里的是白名单里的人，还是非白名单里的人，一旦发现非白名单的人系统会自动进行报警提示。报警内容主要通过：(1)声音提示，比如在发现非白名单人出现的现场(通道，大门口，值班室等)，或其他有武警值班的室内进行语音报警提示，一方面对违规人员进行威慑警告，另一方面提示有关人员进行人工干预。(2)手机报警，一旦发现非白名单人员出现在敏感区域(出入口，大门口，某些门禁口)，系统会自动通知安装手机客户端的用户(看守所领导等)，让不在现场的人员也可以第一时间知道，并及时做出预案。通过以上布防，即使出现人为违规也同样能起到防范的作用，杜绝哈尔滨看守所的重大事故发生。

二，关于门禁，央视曝光视频可以看到，其实一般看守所里是有AB门的，但是案犯照样可以进出，从曝光视频看到案犯翻屉子和柜子可以联想看出，也许案犯是通过杀害民警后找到了钥匙进行了出入。北京众智益华的人脸识别门禁系统可以很好的解决这个问题。北京众智益华人脸识别门禁是通过2.4G无线卡+人脸的认证方式进行开门认证的，即使找到了无线卡而非本人(本系统同时具有活体验证功能)也不可能打开门禁。同时通过和称重系统相结合，即使案犯夹持民警尾随出入也照样无法打开门禁，反而会引发报警，及时让其他民警进行预案处理。通过哈尔滨延寿县看守所事件以及一些国内外其他越狱事件可以看出，凡是越狱分子都是危害极大的犯罪分子，他们在犯罪后不自我反省以及自我改造，而是穷凶极恶的进行越狱，这样的人一旦逃脱对社会的危害极大。而传统的监控系统以及安防系统有极大的缺陷需要人防补充，但人毕竟不是机器，有所疏漏不可避免。自动化智能的识别系统能很好的防范这些人防漏洞的存在，特别是以人脸识别系统为代表的生物智能识别更应该早日应用在这些敏感单位，杜绝为社会造成极大伤害的事件发生，同时也保障民警，武警等个人的生命财产安全。

看守所推出了一套全新人脸识别比对访客管理系统，其主要功能为通过人脸辨识系统，可以自动捕捉访客人的人脸，并对人脸进行分析，自动辨识陌生到访客人或是内部员工，系统连接到看守所内网，与会客系统交互数据，可联动控制人脸识别和门禁出入系统。

系统组成方式

本监狱访客管理系统主要由ca2身份信息安全管理系统和动态人脸抓拍比对系统组成。ca2身份信息安全管理系统，内置身份证验核系统，由以下4个子系统组成 ①身份登记验核系统：该系统可以连接到全国公民身份证号码查询服务中心，对探访人的身份信息进行核查。

②证件扫描录入系统：支持身份证等不同证件的扫描及信息的录入。

③身份信息管理系统：存储，管理探访者的身份信息，对访客探访时间点，探访时间长度等重要信息的查询。

④电脑通讯模块组成：可以连接到对接的网络，实时网络数据查询。人脸识别身份验证系统是监狱探访管理系统重要组成部分，主要由动态人脸抓拍系统，人脸比对系统，比对服务器，人等其他辅助设备组成。人脸识别访客管理系统主要由3部分组成，如下：

（1）摄像机：在探访区的各个楼层入口处安装专用人脸抓拍摄像机，正对着门口，拍摄每个进入该区域的访客的人脸。专用摄像机采用双镜头，一个镜头用来抓拍彩色照片，用于显示画面交互使用；另外一个镜头用于抓拍黑白照片，可以屏蔽照片背景，用于人脸照片比对过程中使用，从而达到提高比对的准确性。

（2）人脸抓拍主机：摄像机连接到人脸识别主机，人脸识别主机将处理摄像机拍摄到的人脸图像，并将人脸数据通过网络，传输到后端的系统服务器。

（3）人脸比对服务器：接收前端的人脸抓拍主机获取的人脸照片，并对人脸照片进行特征分析，获取人脸特征值，并通过人脸比对系统，进行比对，从中抽取近似值最高的若干张照片，并输出比对结果，联动看守所门禁控制器，控制探访区门禁出入系统。

方案概述

监狱大门及AB门是看守所与外界交接的重要部位。为严格控制监舍区，生产区人员出入，防范罪犯逃脱，实现有效的统一指挥，确保看守所的安全，在监狱大门及AB门安装智能人脸识别管理系统。

监狱人脸识别门禁管理系统由6个子系统组成：看守所外大门门禁管理系统;干警信道门禁管理系统;会见家属信道门禁管理系统;考勤系统;在押罪犯面像管理系统。

人脸产品、电锁、出门开关、报警装置等，全部链接至控制器上，由控制器进行出门权限控制。人脸产品、控制器、监控视频等都通过网络和控制计算机链接在一个网络中。

7.人脸识别技术应用在铁路系统 篇七

1 基于人脸识别的图书馆借阅管理系统原理

人脸识别, 就是从人生来就有的生物特征———人脸中提取出其所蕴含的身份特征进行人的身份识别的一种计算机技术[6]。图书馆借阅系统中的人脸识别主要是通过对输入的人脸模式的识别, 实现对人脸所代表的当事人的身份的识别, 以便确定其是否为本校的学生或老师, 进而了解他的图书借阅情况。基于人脸识别技术的图书馆借阅系统原理, 如图1所示。

人脸图像主要是在简单的背景或无背景的条件下, 采集单人的、正面的、头肩部彩色图像, 经过人脸检测和人脸识别输出识别结果, 说明该张脸是人脸库中的哪张脸, 给出名字和图书管理系统中该人的相关资料。任何一个人脸识别系统, 都需要建立一个包含人脸图像的数据库。图书借阅管理系统中的图像数据库可以在新生入学时在单一背景下统一采集获取的静态图像。人脸检测和人脸识别是图书馆借阅管理系统中人脸识别技术的关键。

2 基于Adaboost算法的人脸检测

人脸检测是指对于任意一幅给定的图像, 采用一定的策略对其进行搜索以确定人脸的位置和大小[7]。本文提出采用Adaboost算法[8]根据人脸面部的灰度分布的Haar-like特征进行人脸检测的方法, 通过训练过程选择最优的Haar-like特征, 再将训练得到的Haar-like特征转换为弱分类器, 最后将得到的弱分类器进行优化组合用于人脸检测。Haar-like特征是一种基于积分图像的特征[9], 任意一个Haar-like特征可以用一个五元组r= (x, y, w, h, α) 表示, 其中x和y是该Haar-like特征左上角点的坐标, w和h是该Haar-like特征的宽和高, α是旋转的角度。矩形内所有的像素灰度值之和

其中:i∈{1, …N}表示该Haar-like特征由N个矩形构成, ωi为矩形ri的权值, Rectsum (ri) 为矩形ri所围图像的灰度积分。Haar-like特征的特征值计算只与此特征端点的积分图有关, 与图像坐标值无关。

弱分类器原型为

其中:hj代表第j轮训练得到的弱分类器, x为待检测窗口, f (x) 为Haar-like特征的特征值, 也称为弱分类器的阈值, θj表示特征值的阈值, pj表示不等号的方向。弱分类器提供了对一个样本的分类结果, 所以它的好坏应该用它在训练样本中的错误率来衡量。Adaboost算法的训练过程就是生成最优的弱分类器, 并赋予其权重的过程。强分类器原型为。

其中:αt为每个弱分类器的错误率,

利用积分图从训练样本集中提取所有的Haarlike特征, 把Haar-like特征作为训练过程的输入, 训练过程按照Adaboost学习算法进行, 训练的目标是最终生成一个层级级联分类器。这个层级级联分类器是由若干个强分类器组成的, 每一个强分类器由若干个弱分类器组成, 每个弱分类器对应一个按照一定规则选择出来的Haar-like特征[10]。

Adaboost算法训练的具体过程: (1) 给定训练图像 (x1, y1) , (x2, y2) … (xn, yn) , 其中yi=0, 1分别表示负样本和正样本情况;初始化权值其中m和l分别为负样本和正样本的个数;对于t=1, 2, …, T, 归一化权值,

这样, qt就是一个概率分布了。

对于每个特征j, 训练一个分类器hj, 并且该分类器仅对应一个特征。而该分类器的错误是根据ωi计算得到:

选取ht, 使得εj达到最小。

更新权值:

当xi被正确分类时, ei=0, 否则ei=1, 并且

最终的强分类器如下:

其中:

3 基于主分量分析的人脸识别

主分量分析是一种基于图像统计特性的变换[11], 把一幅数字图像看成一个矩阵或一个数组, 一幅N×N大小的人脸图像按列相连构成一个N2维矢量, 则

其均值向量和协方差矩阵为

协方差矩阵的特征值为

协方差矩阵的特征向量为

这样, 每一幅被检测到的人脸图像都可以投影到由e1, e2, …, eN组成的子空间中。对于任一个待识别的人脸, 只要向子空间投影, 进行特征脸[12]的比对, 就能够识别出是否是图像库中的人脸, 并给出识别结果。

4 结论

基于人脸识别技术的借阅系统相对于IC卡识别、指纹识别等系统具有更好的稳定性和通用性, 不仅可用于读者的身份识别, 也可用于管理人员的身份识别。这对于正在逐步走向自动化管理的图书馆系统来说, 将对物 (包括证件、IC卡、密码) 的识别提升到对人的识别, 不仅尊重了读者的隐私, 而且给管理过程带来更多的方便。

参考文献

[1]张创军.校园一卡通在图书馆服务中的应用:以西北民族大学图书馆为例[J].科技情报开发与经济, 2013, 23 (19) :47-49.

[2]陈源.基于图书馆指纹识别的校园一指通管理系统的设计[J].农业图书情报学刊, 2010, 22 (9) :104-108.

[3]冯毅.指纹识别技术在高校图书馆中的应用[J].长春工业大学学报:高教研究, 2013, 34 (1) :21-22.

[4]李明.基于生物识别技术的企业安全系统前景探析[J].信息与电脑:理论版, 2013 (8) :177-178.

[5]李圣官.试论生物识别技术及其在监狱安防信息化建设中的应用[J].中国管理信息, 2013, 16 (1) :70-72.

[6]李雪.生物识别技术在图书馆管理中的应用性研究[J].河南科技, 2013, (9) :231-232.

[7]王科俊, 邹国锋.基于子模式的Gabor特征融合的单样本人脸识别[J].模式识别与人工智能, 2013, 26 (1) :50-55.

[8]YING C, QIGUANG M, JIACHEN L, et al.Advance and prospects of adaBoost algorithm[J].Acta Automatica Sinica, 2013, 39 (6) :745-758.

[9]ZHAO X W, CHAI X J, NIU Z H, et al.Context modeling for facial landmark detection based on Non-Adjacent Rectangle (NAR) Haar-like feature[J].Image and Vision Computing, 2012, 30 (3) :136-146.

[10]SRI-KAUSHIK P, DAVID D, ALEJANDRO F F.Haar-like features with optimally weighted rectangles for rapid object detection[J].Pattern Recognition, 2010, 43 (1) :160-172.

[11]GEORGE D C C, TSANG I R, JOSF P.Weighted modular image principal component analysis for face recognition[J].Expert Systems with Applications, 2013, 40, (12) :4971-4977.

8.人脸识别技术应用在铁路系统 篇八

在次日开幕的北京科技周上，服务奥运的人脸识别系统公开亮相。据了解，该系统利用人体骨骼的识别技术，记忆量大，判断速度快，只需0.01秒即可识别其所认定的危险人物，识别错误率几乎为零。全国政协委员、北京奥运会安全专家委员会委员马昕说，这项技术将大规模用于北京奥运安保工作中。届时，相关数据库将收入包括中国公民和国际人士在内的共计13亿多人的面部信息，利用技术进行比照核对。其中储存了一个约有300万黑名单的数据库，这个数据库包括相关国家提供的恐怖分子和体育活动肇事者的详细信息。

之前， 奥运安保指挥中心总指挥、北京市公安局局长马振川说，奥运安保科技系统目前已初步建成，主要包括周界报警、车辆自动识别检测、人像对比，以及定位技术设备等系统。到2008年，北京将建成符合国际标准的交通指路引导系统，实现对全部奥运交通的无缝电视监控。另外，奥运安保指挥中心已经完成了首批31个奥运场馆主体工程防暴安检。

9.人脸识别小结 篇九

一、概述

生物特征识别技术包括人脸识别、指纹识别、语音识别、表情分析及理解、虹膜识别等 人脸识别的实质就是借助计算机工具来分析人脸面部图像，采用不同的特征表示方法提取有效地人脸特征，是可用来辨识身份的一门自动处理技术，常见重要应用案例包括银行和军事重地的自动门禁系统、智能人脸监控系统、用于公共交通体系中安检系统的嫌疑人自动识别系统、网络服务中的在线验证系统等。产生不同个体较大差异性的内在因素主要有种族、性别、年龄、心理等。外在因素主要有光照变化、角度偏转、姿态、噪声千扰、遮挡、以及化妆遮挡物等。18世纪,就有一篇依据人脸特征信息进行身份鉴别的文章发表在《Nature》上,开启了近代最早的人脸识别研宄，最早的自动人脸识别系统是由Chan和Bledsoe创于1965年 人脸识别包括四个主要步骤：图像预处理、人脸检测、面部特征提取和分类识别。

二、研究领域

1、身份验证领域：通过人脸识别技术来判断和鉴别当前用户是否合法或者具备相应的功能权限，例如2008年北京奥运所采用的人脸识别系统。

2、智能视频监控领域，例如车站安装智能监控系统,该系统中加入了人脸识别技术以捕捉人群中的可疑罪犯。

3、人机交互领，例如人脸面部为视觉系统提供了最为主要的特征信息。

三、人脸识别方法及其算法

（一）方法分类

可以分为：基于几何特征的人脸识别、基于弹性图匹配的人脸识别、基于子空间分析的人脸识别、基于神经网络的人脸识别、基于隐马尔可夫模型等。 经典的特征脸“Eigenface”就是该时期由麻省理工学院的M.Turk和A.Pentlaiid提出的，采用PCA变换对原始图像进行降维处理,然后再进行分类识别。  P.Belhumeur等提出的Fisherfaces人脸也被广泛应用在人脸识别中。

90年代中后期,出现了一种基于动态连接结构(Dynamic Link Architecture)的弹性图匹配(Elastic GraphMatching)识别方法。 90年代末支持向量机被应用到人脸识别技术中。

（二）流行算法

主要分为：等距离映射_(Isometrical Mapping,简称 ISOMAP)、局部线性嵌入(Locally LinearEmbedding,简称LLE、拉普拉斯算子特征映射(Laplacian Eigenmaps)、拉普拉斯脸(Laplacianface)方法。基于拉普拉斯Belkin M等提出局部投影(LPP)方法。近期算法包括：  基于稀疏表示的人脸识别方法(Sparserepresentation recognition, SRC)针对此识别方法还出现了较多的改进模型,典型的有

 基于Gabor的稀疏表示  基于Metaface的稀疏表示等

（三）难点

1、人脸图像的成像条件包括较大的随机性：光照变化、姿态变换、表情变化、发 型改变、化妆、以及遮挡等复杂条件

2、人脸面部图像的复杂的三维结构属性：包括线性结构和非线性结构

3、人脸图像数据的维数问题

4、不同个体间的面部特征的差异性

四、人脸特征提取研究

（一）人脸特征提取和识别算法分类

  基于统计方法 基于几何方法

（二）具体实现

 主成分分析(principal component analysis, PCA)是一种典型的数据处理和数据降维方法

 Sirovich和Kirby首先研究人脸降维过程，采用基于镜像脸的技术  M.Turk_提出了基于PCA表示的特征脸的概念

 Fisher线性判别方法也是人工智能和模式识别领域中的重要方法之一

 Foley和Sammon提出了基于Sammon最佳鉴别平面的技术

 Duchene和Leclercq提 出了针对多类问题的Foley-Sammon最佳鉴别矢量集的求解公式

 Turk和Pentland提出了基于特征脸的特征提取方法  Kittler又提出了基于Fisher鉴别准则的提取面部特征方法  Hong和Yang提出了采用SVD进行特征提取方法  Cheng等改进并提出了一种新的相似性鉴别准则

 Liu等提出了基于最佳鉴别广义平面和最佳鉴别广义矢量集的一系列特征提取方法  郭等在此基础上提出了改进的最佳鉴别矢量方法  吴等又改进了广义最佳鉴别矢量方法  基于模型的特征提取方法

 Kass等首次提出了主动轮廊线模型(Active Contour Model,ACM), ACM也被称为Snake模型

 Lee等提出了一种改进Snake模型的方法,改进方法是由正面和侧面结构化特征来对面部进行特征点定位

 基于统计参数化模型的主动形状模型(Active Shape Model, ASM) 优势在于它不仅能有效地定位和提取目标物体的外部轮廓信息,而且能提取目标物体的内部轮廓和形状特征

 Cootes等在ASM基础上提出了主动表观模型(Active AppearanceModel,AAM)

（三）需要解决的问题

1、根据奇异值分解原理可以得到人脸图像的奇异值向量所在的基空间(矩阵)是由 人脸图像本身决定的。

2、当光照、姿态、表情变化以及遮挡等复杂条件下,人脸的表象会产生较大变化, 从而造成人脸识别系统的性能下降。

10.人脸识别技术应用在铁路系统 篇十

一、目前医药行业物流所存在的问题

医药行业是高科技行业，药品制造企业要完全按照国家的GMP标准进行生产，而药品流通企业则要按照国家的GSP进行存储和配送。在整个系统中存在着许多重大问题，这些问题阐述如下：

1、在生产过程中，原辅材料不能及时到位，极大地影响了生产效率;

2、因人工操作，在整个存储和配送过程中的差错率达到3%以上，不但增加了物流成本，还影响了企业的信誉，给客户的销售造成许多困难;

3、有一些不法厂商，利用各种机会制造假药，而国家食品药品监管局(SFDA)却没有手段对其进行及时查处，使得假药泛滥，严重影响人民的身心健康;

4、为了获取不正当利益，各销售组织及其人员进行异地串货，获得大额的销售佣金，极大地损害了其它人员的利益，并且打击了后者的工作积极性，破坏了市场的正常运转，加速企业的衰亡速度。

为了解决这些问题，各药品制造企业和流通企业都想尽了各种办法，还是无法解决这些问题。美国的国家食品药品监管局(FDA)应用射频识别技术，就较好地解决了这些问题。射频识别技术对药品生产和流通的每一个环节都可以做到实时监控，差错率几乎为零，有效控制假药的生产与销售，一旦发现，立即进行查处。

二、RFID的简介

RFID是Radio Frequency Identification的缩写，即射频识别，俗称电子标签。对ERP(企业资源规划)和SCM(供应链管理)系统来说，RFID是一种革命性的突破。它的精确化管理将触角伸到了企业经营活动的每一个环节，使生产、存储、运输、分销、零售等各方面管理都将变得过去无法想象的便利。过去的物料编号无法实现对单一部件的跟踪，而今天，物料的精确化管理却将触角伸到了每一个环节的每一个部件，无论是质量控制、自动化管理、产品的生命周期管理都将变得非常有效而且便利，例如，对产品次品率的分析可以将次品来源定位在某一点，而仓库中的某一个产品也不会因为同一类产品的数量过多而被单独过久放置。

相对于一维条码和二维条码来说，RFID的优点在于，(1)用电波在离开的位置处(最大5米左右)可以取得信息;(2)在电波能够达到的范围内哪怕有障碍物也能进行识别;(3)一次可以识别数个标签(搭载有抗冲突机能的情况);(4)可以改写标签里的信息;(5)标签的内存容量很大(最大可达几万位数);(6)对于抗污染和损伤能力较强;(7)可以采用密码化等高水平技术来保护信息。

在物流界，RFID的电子标签使得管理效率大为提高，成本大为降低。RFID所开拓的新世界，绝不仅仅在于用电子标签使物流、零售变得方便，RFID为把我们的现实世界和虚幻世界连结起来提供了一个崭新的界面。

1)RFID带动零售业革命

随着无线射频识别技术RFID的出现，现有商品条形码的地位受到了挑战，零售业供应链管理面临新的革命，

根据科尔尼国际管理咨询公司(A.T. Kearney)的计算，从数据上衡量，零售商采用RFID后的利益来源于三个方面：降低库存水平约5%;每年减少店内和仓库人工成本约7.5%;提高周转，减少缺货，在每年每10亿美元的销售额中，增加周转额70万美元。

2)RFID带动物流供应链革命

由于RFID标签的存储容量是2的96次方以上，所以物流行业第一次发现他们可以将世界上所有的商品每一个都以惟一的代码表示。以往使用条形码，由于长度的限制，物流行业只能给每一类产品定义一个类码，就是说，一批牛奶，不管保质期是哪一天，他们在商场的代码都是一样的，商场无法通过代码判断每一件产品的准确库存周期。RFID彻底抛弃了这种限制，现在所有的产品都可以享受独一无二的识别。

在供应链管理上，无论哪个环节应用RFID都可以提供更高的技术支持，获得更佳的管理效果。有专家认为，要想提高物流供应链管理的效益，就必须使供应链上的成员及时获得其它成员和各业务环节上的运行信息，而信息的共享不足就会发生供应链的断裂和效率低下。先进的射频技术信息可以加强这些环节的自动化程度。这样便可提高业务运行的自动化程度，大幅降低差错率，提高供应链的透明度和管理效率。

高效的供应链和物流管理体系就是它的核心竞争能力。充分利用现代信息技术打造的供应链与物流管理体系，不仅可为天士力制药获得了成本上的优势，而且加深了它对顾客需求信息的了解、提高了它的市场反应速度，从而为其赢得了宝贵的竞争优势。

三、RFID在医药物流行业的具体应用价值，主要体现在以下几个环节：

1、生产环节。在药品生产制造环节应用RFID技术，可以完成自动化生产线运作，实现在整个生产线上对原材料、半成品和产成品的识别与跟踪，减少人工识别成本和出错率，提高效率和效益。特别是在采用JIT(Just-in-Time)准时制生产方式的流水线上，原材料与零部件必须准时送达到工位上。采用了RFID技术之后，就能通过识别电子标签来快速从品类繁多的库存中准确地找出工位所需的原材料和半成品。RFID技术还能帮助管理人员及时根据生产进度发出补货信息，实现流水线均衡、稳步生产，同时也加强了对质量的控制与追踪。

2、存储环节。在药品仓库里，射频技术最广泛的使用是存取货物与库存盘点，它能用来实现自动化的存货和取货等操作。在整个药品仓库管理中，将供应链计划系统制定的收货计划、取货计划、装运计划等与射频识别技术相结合，能够高效地完成各种业务操作，如指定堆放区域、上架取货与补货等。RFID技术的另一个好处在于在库存盘点时降低人力。RFID的设计就是要让商品的登记自动化，盘点时不需要人工的检查或扫瞄条码，更加快速准确，并且减少了损耗。

3、运输环节。在途运输的货物和车辆贴上RFID标签，运输线的一些检查点上安装上RFID接收转发装置，接收装置收到RFID标签信息后，连同接收地的位置信息上传至通信卫星，再由卫星传送给运输调度中心，送入数据库中。

4、配送/分销环节。在配送环节，采用射频技术能大大加快配送的速度和提高拣选与分发过程的效率与准确率，并能减少人工、降低配送成本。如果到达中央配送中心的所有商品都贴有RFID标签，在进入中央配送中心时，托盘通过一个阅读器，读取托盘上所有货箱上的标签内容。系统将这些信息与发货记录进行核对以检测出可能的错误，然后将RFID标签更新为最新的商品存放地点和状态。

11.人脸识别技术商业前景广阔 篇十一

继由清华大学与梓昆科技联合研发的我国首台具有人脸识别支付功能的金融安全设备ATM机6月初正式发布，人脸识别系统与声纹识别技术在不久的将来亦将应用于高校测试考生身份识别，人脸识别技术市场将迎来爆发。

人脸识别技术打开更多商业化应用

据悉，由外研社开发研制的“FiF测试系统”是国内首款支持高校大规模外语在线测试全流程信息化管理及听、说、读、写、译全题型智能化评阅的新一代数字产品，不久将来还将融入人脸别技术，用于高校测试高考考生身份识别。这是我国人脸识别技术又一大突破。

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术，集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用。人脸识别通常要用摄像机或摄像头采集含有人脸的图像或视频流，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列检测验别技术，通常也叫做人像识别、面部识别。人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度。

人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年代后期，并且以美国、德国和日本的技术实现为主，到现在技术日益成熟，并得到越来越广泛的普及应用。

在生物识别市场上，人脸识别的应用已经慢慢超出了安防领域，广泛用于政府、军队、银行、社会福利保障、零售、电子商务、安全防务等领域。比如：利用人脸识别进行手机解锁及电脑登录认证;一些广告公司把人脸识别技术应用在户外广告上进行人流量统计;社保系统纷纷启用人脸识别技术，规范领取人资格;在大超市，无须各种卡，只要应用“刷脸”技术就能进行支付;等等。在未来的某一天，你钱包里不再存放现金，甚至你出门连手机和钱包都不用带，就能在周边的便利店买东西——因为你可以“刷脸”支付。与“刷脸”支付同理的是，也可进行“刷脸提款”。当一个客户在提款机上提款时，一台摄像机对该用户的眼睛扫描，然后迅速而准确地完成用户身份鉴定，这个客户就可径直办理完提款业务。这是美国德克萨斯州联合银行的一个营业部中发生的一个真实的镜头。

你或许已经听说过“谷歌钱包”支付系统，它采用NFC技术，轻松触摸智能手机就可进行结算支付。还有一种使用“地理围栏”技术的服务已现世，用户可以在进出商店时登入登出。但这还不是最潮的，最先进的技术是无需借助额外设备，只要你亮出自己的脸蛋，在商店内如入无人之境，想买啥买啥，这项技术绝对是一个历史性的跨越。

一家英国酸奶店老板称，这种支付方式比刷卡或现金甚至手机支付还要快，排队等待付款的顾客明显减少了。据悉，不仅是英国、美国，“刷脸”消费在日本、韩国、澳大利亚、芬兰等国家也悄然崭露头角，极大方便普通百姓。

政策支持促使巨头跑步进入

抛开某些方面原因，国家政策的强烈支持可以说是人脸识别崛起的重要因素。随着近些年来，平安城市、智慧城市在全国各个城市大力推广，我国安防市场的需求也随之迅速升温，人脸识别已经开始被列为平安城市、智慧城市使用过程中的强制标准。这种情况的出现，对于人脸识别的推广无疑是一种非常有力的推动。

而随着技术的日渐成熟、应用场景的日益丰富以及政策支持逐步明确，人脸识别行业将进入大规模商业化阶段，成为市场的下一个角逐热点。人脸识别产品当前已逐渐广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、零售、电商、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。

2015年以来，腾讯、阿里、民生银行等多个巨头纷纷加码人脸识别产业。继马云在德国汉诺威电脑展上亲自展示支付宝的人脸识别技术“SmiletoPay”，完成“刷脸”支付后，阿里巴巴将与国内生物识别领域知名企业海鑫科金旗下的海鑫智圣合作共同建设“阿里巴巴人脸比对系统”，利用海鑫智圣人脸识别核心算法在淘宝开户认证过程中引入“人脸比对”及“真人检测”。而另一大国内巨头腾讯财付通表示已与中国公安部所属的全国公民身份证号码查询服务中心达成人像比对服务的战略合作。腾讯与微众银行正在对金融、证券等业务进行人脸识别的支付应用尝试。而一直坚持创新为先的民生银行率先将人脸识别引入客户身份认证环节，目前已经在移动智能柜员系统、移动运营、客户化运营和柜台业务XBank业务系统中采用人脸识别技术。

而国外巨头动手更早，去年比尔·盖茨在博鳌演讲中指出“深度学习”和“计算机视觉”将是IT界下一个大事件。Google于2014年收购了4家人工智能初创公司均涉及深度学习，其中3家涉及计算机视觉。

市场人士指出，国内外巨头纷纷加码人脸识别技术，这可能直接助推产业的爆发性增长，脸识别产业即将迎来大规模商业化。

人脸识别概念股有望迎来爆发

识别技术准确率的日益提升以及用户习惯的培养，让人脸识别从安防军事领域不断延伸，全面打开线上商业化应用，也有助于线下生物识别格局的改变。

首先，随着用户习惯深入以及对人脸识别的技术认可，未来刷脸登录、刷脸交友等新型线上应用将迎来爆发，线上第三方认证服务平台将极大受益于线上多方需求的拓展;其次，随着人脸识别技术的革新，智慧银行VTM、新型安防系统以及后端海量视频数据检索等项目将大量上线，人脸识别效果的提升将打开前期受效果制约的应用场景;最后，互联网+是IT界当前风口，那么人工智能以及人机交互将是IT界的下个风口，布局人脸识别就是布局人工智能以及人机交互的未来。

nlc202309040220

我国人口规模巨大，经济增长迅速，对可靠的人脸识别技术的各方面需求越来越迫切。一旦人脸识别得以推广，人工智能和人机交互成为人脸识别下一个商业爆发点，其发展潜力与前景将十分美好。据统计数据显示，仅在中国大陆，在未来三年内有望形成年销售额过百亿，并在未来十年内则有望形成年销售额过千亿的人脸识别市场规模。

根据相关数据显示，全球市场对生物识别产品的需求在2010年已经达到百亿美元，近几年，生物识别设备的综合性年增长率也达到25%左右。国际生物识别集团（IBG）的报告《生物识别市场与产业报告2009-2014》显示，在各种生物特征识别技术中，指纹识别系统所占份额最大，为66.7%;除此之外，人脸识别占到11.4%，虹膜识别、语音识别、静脉识别和掌形识别各占8.0%、3.0%、2.4%和1.8%。以上数据显示，人脸识别有较大发展潜力。

安兴证券认为，人脸识别产业即将迎来大规模商业化，建议布局技术龙头。作为互联网金融的基础设施，人脸识别产业将充分受益于“线上身份认证”产业的爆发;同时智能安防、后端监控自动检索等前期受制于识别效果的应用空间也将被打开。看好人脸识别公司的当前发展空间，更看好其在人工智能领域的先入优势与技术积淀。未来像佳都科技、科大讯飞、川大智胜、汉王科技、欧菲光等这样致力于人脸识别技术的公司前景十分看好。

人脸识别技术开发尚有阻碍因素

与其他类型的生物识别比较，人脸识别具有无须被采集对象配合、无须采集对象和设备直接接触、可以在同一场景中对多个人脸进行分拣、判断及识别等优点。这些特点使得人脸识别系统工作效率高、准确度高，且效果较好。然而，既便如此，我们也无法忽视人脸识别技术在研发和应用中的阻力因素。

众所周知，所有人的脸部结构都是相似的，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体却是不利的。另一方面，人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大。另外，人脸识别还受光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物、年龄等多方面因素的影响。加上整容技术的进步，人们对脸部可以作出更多的改变，这就又给人脸识别技术出了一道难题。

还有，随着人脸识别技术在市场上的应用越来越广泛，国际上出现了很多反对的声音，谴责人脸识别系统随意收集脸部信息侵犯了个人隐私。

另外，人脸识别技术已得到广泛的认同，但其应用门槛仍然较高：技术门槛高（开发周期长），经济门槛高（价格高），这也影响其推广应用。

责编：范颖华

12.人脸识别技术应用在铁路系统 篇十二

人脸识别的关键是特征提取[2], 特征提取的结果被用于识别人脸, 例如主成分分析 (PCA) [3]。PCA的主要思想是降维, 使得图像的维数等于或小于使用训练集的数量, 根据图像子空间上的最佳效果来寻求特征向量, 这些向量特征就是众所周知的“特征脸”。当转化成不同的子空间时, PCA所产生的位置和形状数据都会发生改变。线性判别分析 (LDA) [4]是一种特征提取方法, 通过它可以获得某类的数据集及其数据集中的各个类间距, LDA不改变数据集本身, 而是提供一个单独的类。然而, PCA和LDA都有缺点, 得到的提取结果只是一个全局结构, 事实上, 局部结构对描述一个物体, 例如局部保持投影 (LPP) [5]和正交拉普拉斯脸 (OLF) [6]方法也很重要。

基于上述分析, 本文提出了一种新方法来选择和融合提取出的特征, 即全局与局部特征融合方法, 首先将这些特征按降序排列, 然后从最占主导地位到最不占主导地位的特征进行融合, 既包含了全局结构, 又包含了局部结构, 在一定程度上提高了人脸识别率。

1 算法设计与分析

GLFS方法分为两个过程, 一个是训练过程, 一个是测试过程。在训练过程中, 训练集被PCA, LDA和局部保持投影 (LPP) 方法提取。特征提取的结果被用来预计和选择[7]。然而测试过程中, 测试集被投影在每个训练集的投影结果上, 并在训练集选择中, 根据结果的数量来进行选择。同样地, 测试集的特征可以通过特征选择的再融合来实现[8]。

1.1 基于主成分分析的特征提取

卡洛[9]是一种把高维数据投射到低维的线性技术, 称为主成分分析 (PCA) 。如果图像维数用n (图像矩阵的行数乘以列数) 表示, 所使用训练集数用m表示, 当 这种情况时, 那么它可表示为

所有的训练集的平均值可以写成

基于面部图像平均值矩阵协方差, 可表示为

方程 (3) 的特征值和特征向量表示为

式 (4) 的结果有m维, 其中 , 得到最小降维的数目是 (n-m) 个。

1.2 基于线性判别分析的特征提取

线性判别分析 (LDA) 是PCA过程的改进, LDA被用来最大化类间差异率和最小化类内比, 从而得到最大的类间比和最小的类内比, 特征提取更好。LDA比率的差异可表示为

LDA的特征值和特征向量可表示为

1.3 基于局部保持投影的特征提取

PCA和LDA旨在保持全局结构。然而, 在实际应用中, 局部结构更加重要。局部保持投影 (LPP) 对于局部结构学习来说是一种新的方法, 局部结构特征比全局结构特征更加重要。LPP[10]旨在保持数据的内在几何和局部结构。LPP的目标函数可以表示为

式中:W是相似矩阵, 可表示为

这个函数可以简化为aTXLXTa, 其中, X=[x1, x2, …, xM]。 , L=D-W (拉普拉斯矩阵) 。D给出了数据点上的自然测量。然而, 可以通过解决下面等式的最小化来得到LPP向量

式中:aTXDXTa=1。可通过使用下面的公式配制最小化目标函数的特征值和特征向量

1.4 特征选择及融合

特征提取结果的融合通常在外表全局结构上进行, 事实上, 局部结构对描述一个对象非常重要。本文提出了一个基于面部的特征选择与融合全局和局部结构的方法, 具有全局结构的外表特征提取是由PCA和LDA来完成的, 然而局部结构的提取是由LPP来完成的。对于PCA, LDA和LPP, 特征提取的结果分别可用下面的等式表示

如图1所示, 如果为每个特征提取方法提取特征的数目是m, 而特征选择的的数目是S, 并且S≤m, 那么PCA+LDA+LPP特征融合的数目可以用3S表示。特征融合的结果可写成下面的矩阵

为了简化计算, 式 (16) 可被写作如下的行向量

式 (17) 是PCA, LDA作为全局结构和LPP作为局部结构的融合特征。

1.5 识别

要确定分类结果, 基于特征融合的相似度测量是必要的, 它可以写成

识别百分率结果可以用真正的识别结果数除以测试集数目计算出来, 可写成

整个算法过程如图2所示。

2 实验结果及其分析

2.1 ORL人脸库

ORL人脸库共有40个人的400张图片, 每人10张, 其中有些图像拍摄于不同时期, 人的脸部表情和脸部细节有着不同程度的变化, 比如笑或者不笑、眼睛或睁或闭、戴或不戴眼镜, 人脸姿态也有相当程度的变化, 深度旋转和平面旋转可达20°, 人脸尺度也有多达10%的变化, 图3所示为ORL人脸库中某人的10张人脸图像。

为了比较实验结果, 执行3套方案:第1套方案, 使用的训练集的数量由每个人的5组姿势构成, 其余5组姿势构成测试集;第2套方案, 训练集的数目由每个人的6组姿势构成, 其余4组姿势构成测试集;第3套方案, 训练集的数目由每个人的7组姿势构成, 其余3组姿势构成测试集, PCA能量选取95%。每种方案的最高识别率如表1所示。

从表1中可以看到, 随着训练样本数的增加, 识别率呈上升的趋势。

2.2 Yale人脸库

Yale人脸库包含了15个人的165张人脸, 每人11张, 包括了不同光照条件 (灯光往左照射、往右照射、往中间照射) , 不同的面部表情 (正常的、开心的、沮丧的、睡着的、惊讶的以及眨眼的) , 不同场景的 (戴眼镜的和不戴眼镜的) , 如图4所示为Yale人脸库中一个人的11幅具有不同特征的人脸图像。

与ORL上的实验相同, 为了比较实验结果, 同样执行3套方案:第1套方案, 使用的训练集的数量由每个人的6组姿势构成, 其余5组姿势构成测试集;第2套方案, 训练集的数目由每个人的7组姿势构成, 其余4组姿势构成测试集;第3套方案, 训练集的数目由每个人的8组姿势构成, 其余3组姿势构成测试集, PCA能量选取95%。每种方案的最高识别率如表2所示。

从表2中同样可以看出, 随着训练样本数的增加, 识别率呈上升的趋势。

2.3 比较与分析

将本文方法与PCA[3], LDA[4], LPP[5], OLF[6], GCFF[7], MKLF[8]方法相同情况下在ORL及Yale上的最优识别率进行了比较, 其中, GCFF, MKLF是最近学者们提出的两种比较新颖的特征融合方法。比较结果如表3、表4所示。

通过表3、表4可以看出, 本文方法的在ORL及Yale上的识别率明显比其他方法高, 因为本文方法考虑了全局结构, 又考虑了局部结构, 由此再次验证了不管是全局结构, 还是局部结构, 在特征提取过程中都是很重要的。结合表1、表2还可以看出, 识别率百分比在高维有稳定的趋势, 而在低维有上升的趋势。由于大量的主导特征没有作为相似性的测量, 一些错误会发生在使用少量的特征。可以证明, 当用来衡量相似性的特征增加时, 识别率百分比也增加了。

3 总结

本文对基于图像的特征提取问题进行了研究, 采用全局与局部特征融合的方法, 将PCA和LDA的提取结果融合到LPP中, 在ORL及其FERET两大人脸数据库上进行了实验, 证明了本文所提方法的优越性。特征融合方法的引用, 提高了单样本的识别率, 但在训练阶段需要一次运行多种不同的方法, 必然会带来额外的计算开销, 所以, 在提高识别率的同时, 提高识别效率, 并且找到一个更好的融合方案, 将是进一步研究的重点。

参考文献

[1]KIM T, KITTLER J.Locally linear discriminant analysis for multi modally distributed classes for face recognition with a single model image[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27 (3) :318-327.

[2]WANG X, TANG X.Random sampling for subspace face recognition[J].International Journal of Computer Vision, 2006, 70 (1) :91-104.

[3]YAN S, LIU J, TANG X, et al.A parameter-free framework for general supervised subspace learning[J].IEEE Transactions on Information Forensics and Security, 2007, 2 (1) :69-76.

[4]LI B, HUANG D S, WANG C, et al.Feature extraction using constrained maximum variance mapping[J].Pattern Recognition, 2008, 41 (11) :3287-3294.

[5]XIE Z, LIU G, FANG Z.Face recognition based on combination of human perception and local binary pattern[J].Lecture Notes in Computer Science, 2012, 72 (2) :365-373.

[6]WANG R, SHAN S, CHEN X, et al.Manifold-manifold distance and its application to face recognition with image sets[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 21 (10) :4466-4479.

[7]OU Fan, HAN Zhaocui, LIU Chong, et al.Face verification with feature fusion of Gabor based and curvelet based representations[J].Multimedia Tools and Applications, 2012, 57 (3) :549-563.

[8]YEH Y, LIN T, CHUNG Y, et al.A novel multiple kernel learning framework for heterogeneous feature fusion and variable selection[J].IEEE Transactions on Multimedia, 2012, 14 (3) :563-574.

[9]张爱华, 尉宇.基于混沌粒子群的决策树SVM的调制模式识别[J].电视技术, 2012, 36 (23) :126-129.