展会信息港展会大全

面部识别门禁控制系统解决方案
来源:互联网   发布日期:2011-09-16 09:19   浏览:21775

第1章 前言 目视识别(光学显示、人的视觉观察)是当前大多数图像系统提取有用信息的主要方式,所有基于照片对比的人脸识别工作均由人工肉眼逐张进行判别来完成。虽然人工判断可以做到较为准确的识别及比较,但人的处理速度极其有限,无法长时间连续工作,精
 

    第1章 前言

    目视识别(光学显示、人的视觉观察)是当前大多数图像系统提取有用信息的主要方式,所有基于照片对比的人脸识别工作均由人工肉眼逐张进行判别来完成。虽然人工判断可以做到较为准确的识别及比较,但人的处理速度极其有限,无法长时间连续工作,精神是否集中也会对判别结果造成影响。所以,单靠人工辨别的方式根本无法在短时间内完成大量的照片对比判别,也很容易出现错判、漏判。

    面部识别是近年来随着计算机技术、图像处理技术、生物识别技术等技术的快速发展而出现的一种新的生物特征识别技术。借助面部识别技术,可完美地解决人工判别所存在的各种问题,计算机不会疲劳,不会分心,可以快速的进行照片的录入,面部特征提取、分析,生物特征数据存储,以及在指定范围内进行快速的照片搜索和身份判别。可快速而准确地判定一张照片的主人或数张照片是否为同一个人,也可在大量的照片数据中快速找到目标人物。

    第2章 HA面部识别技术介绍

    2.1 HA面部识别技术原理与特性

    HA面部识别技术采用当今国际领先的Identix公司的面部识别核心算法,Identix公司为美国的纳斯达克(NASDAQ: IDNX)上市公司,成立于1982年,目前拥有员工500多人,有多年生物识别算法及产品的开发经验,并成功研发出基于人脸“肤纹”的识别算法,使面部识别的准确率有了革命性的提高。

    HA面部识别技术所采用的识别算法有:

    区域特征分析算法(Local Feature Analysis, LFA):区域特征分析法是根据每一个人的面像都是由各个不可约分的建模元素所合成的原理,取出其特征元素,并按几何学组合,根据从所得图像以统计学方法建立的区域数学模型,即所谓“面纹”,来描述面像特征,从而可以进行比较和识别。该算法速度快,误认率低。

    表面纹理分析法(STA):该算法把皮肤斑纹图像转换成为特有的皮肤纹理数学模型,这种数学模型称之为“肤纹”。肤纹鉴定是一种生物统计学。皮肤纹理是一种特有的,能长期保持稳定的身体特征,能够区别不同个体的人,就像通过面部的几何形状或者手指的细节来区分一样。即使是同卵双生的人(双胞胎),他们的皮肤纹理也是不一样的。

    把肤纹识别技术STA与基于面部识别算法LFA融合在一起开发出的G6,其目标是面部识别在1:1鉴定中的精确度能够媲美于指纹鉴定,并达到前所未有的1:N比对精确度。

    2.2 面部识别与其它识别方法的比较

    1、 常用密码识别:常用密码识别速度快,技术简单,使用方便。但常用的密码识别风险高唯一性不强,易破解,理论上没有不能破解的密码。且密码简单时易破解,不安全;而密码复杂时又易忘记。面部识别技术采用人的面部作为识别标准,唯一性高,不会出现密码识别技术的因忘记密码而影响正常通行的现象,而且不易被窃取。
    2、 虹膜识别与视网膜识别:虹膜识别与视网膜技术虽然已经出现了很长时间,但均没有经过现实世界的唯一性认证测试,所做的测试也只是用统计学原理做的小规模测试。
    3、 步态、签名和声音识别:步态、签名和声音识别易模仿,易受干扰。
    4、 指纹识别:某些人或某些群体的指纹特征少,难成像;易受干扰,每一次使用指纹时都会在指纹采集头上留下用户的指纹印痕,而这些指纹痕迹易影响下一次使用时采集的指纹,同时也存在被用来复制指纹的可能性;采集头易磨损,使用寿命低。以上的识别技术有一个共同的缺点就是不能在识别记录里保存照片,不易查看用户是否伪造识别特征,只能完全依赖于识别技术,不能人为判断识别结果的好坏。
    5、 面部识别:面部识别是非接触的,用户不需要和设备直接的接触,易采集,不易受干扰,采集工具使用寿命长;可直接从识别记录里查看提交的现场特征,可进行人为的视觉再次验证,可人为判断识别效果并根据识别效果来调整参数提高识别效果。

    2.3 系统工作原理

    1. 人员信息操作:根据注册人员的卡号、姓名、部门等资料进行查询该人员的注册信息,并可在授权的情况下进行修改、删除、添加等操作。
    2. 权限验证:收到请求通行人员输入的密码后查验该密码用户所在权限组,验证是否有权通过所请求通行的门号,然后验证该用户在当前时间拥有通行的权限。
    3. 面像检测与捕捉:系统在收到控制器检测到的开门请求在密码和授权时间验证成功后能自动地从动态的视频图像中检测出人的面孔进行捕捉,即使在复杂的背景中,也能准确的捕捉。系统从视频流中捕捉到人脸信号后,自动提取出来,按一定规格裁剪成单个面像,提交比对。
    4. 建立数字模型:系统采用生物统计学原理,对所捕捉的面像进行面部特征分析,取其特征值进行模数转换,建立面像的数字模型。
    5. 比对识别:将现场抓拍的请求通行人员的人像立即与先前所建立的面像数据库中请求通行人员所的面像资料相比较,判断是否为同一人。
    6. 结果与报警:当授权时间不符、照片质量不合格、验证失败时分别给出不同的报警信号,报警信号可通过外接不同的报警装置实现适合用户的声响或视觉报警功能,同时验证成功或失败也会在软件上给出视觉显示,让监控人员及时了解现场情况。 
    7. 通行记录:将每次验证的验证时间、现场照片、注册照片、验证结果等资料作为通行记录保存下来,供查询调用,系统根据高级管理员设置的时间进行定期清除陈旧记录。

    2.4 HA面部识别功能指标

项目名称

性能指标

图像输入

任何视频信号源: 照片、现场录像或录像带、数字视频文件,甚至艺术画像、手画像;支持NTSC 和 PAL模式,AVI 、BMP、JPG格式

背景

可在任何平淡的或杂乱的背景中捕捉面部图像,不受各种背景的影响。

移动对象捕捉

可以检测和捕捉静止和移动的面像,从视频流信号中自动检测并可同时捕获多个面像信号,捕捉速度取决于捕捉参数的设定与设备的运算能力。

跟踪方式

自动跟踪移动中的人脸

捕捉角度

正面头像是最佳的识别位置。姿势变化在左右15度上下5度的范围内不会影响识别效果;从左右15度到35度、上下5度到15度,会有少量失真;超过此限度会对识别有较显著影响。

捕捉面像尺寸

能捕捉到小至20x30像素,大至占总图像90%面积的人脸图像

识别面像尺寸

面像尺寸至少120*180,较理想的尺寸为:240*360以上。

去冗余处理

自动过滤非人脸数据,仅提取人脸图像;自动去冗余,减除重复面像

1:1识别速度

< 1 秒

(以上数据在双Xeon 2.8G的CPU机器上测试获得)

建模速度

(以上数据在2G的CPU机器上测试获得)

面部模板

Vector(向量):648 bytes;LFA(全模板):5K bytes;STA(肤纹):7K bytes

变化因数的影响

算法主要针对面部的本质性特征,内建补偿面部自然变化的机制,其结果是对人脸的表情变化、胡须、发型的变化、年龄的变化等,都有很好的适应性,不影响识别的准确度

眼镜

是否戴眼镜都可以正确识别(只要双眼可见且没有受到炫光的影响)

种族和性别

种族或性别对识别的效果无影响。

颜色

彩色和黑白摄像机具有同等效果

光线

对光线和背景没有特殊的要求,在周围光源呈漫反射时工作状况最好。尽量避免强烈的逆光和侧光

误识率

小于0.1%

拒真率

小于0.1%

相等错误率(EER)

0.68%

支持数据库

支持Access、SQL Server、ORACLE及所有支持ODBC的数据库

数据库容量

支持无限数量的记录

操作系统

Win9x/Windows NT/2000/XP

    第3章 面部识别门禁系统方案概述

    3.1 面部识别门禁系统方案应用场合

登陆 | 注册 欢迎登陆本站,认识更多朋友,获得更多精彩内容推荐!

赞助本站

人工智能实验室
AiLab云推荐
推荐内容
展开
Copyright © 2010-2019 AiLab Team. 人工智能实验室 版权所有    关于我们 | 联系我们 | 广告服务 | 公司动态 | 免责声明 | 隐私条款 | 工作机会 | 展会港