周梦麟

摘 要：基于动态人脸识别技术，在轨道交通闸机口对过往人员进行脸部数据采集提取，与基础数据库中的人员进行比对分析，从而对人员身份进行判定报警。该应用探索适用于大部分通道型依据人脸特征进行身份判定的场景。

关键词：轨道闸机；动态人像；人脸识别；身份判定报警

中图分类号：TP39 文献标识码：A 文章编号：2095-1302（2017）05-00-02

0 引 言

随着我国平安城市建设的推进，对城市治安防控的技术支撑要求也越来越高，传统的技术手段越来越难以高效解决日益增长的人员流动安全防控问题。城市地铁作为一类特殊的封闭交通环境，是需要更高级别安全监控的场所。因此，相比于一般公共场所需要提供更高级别的安全防范技术手段和措施。

人脸识别技术作为生物识别技术的一种，目前已在我国公安系统的户籍和治安等业务管理中得到应用，并取得了很好的效果。这类应用主要是在基于静态的证件照、正面标准照的基础上，比对照片与数据库照片来判别身份，其应用环境质量较好。在城市轨道交通闸机动态场景下，针对过往行人无序走动过程中，能够把实时采集的人脸数据与照片库进行比对，原有的基于静态比对方法及技术手段已无法达到实际管理效果和要求。因此，探索轨道交通动态环境下人脸识别技术应用研究具有重要的社会价值和现实意义。

1 动态人脸识别技术基本原理

动态人脸识别技术包括人脸数据采集和比对两个主要技术环节。人脸照片数据采集的质量越好，比对的准确率就越高。目前人脸采集主要有抽帧截图法与人物轨迹法两种。

抽帧截图法采用人脸抓拍摄像头抽帧或从视频流里直接抽帧，是把单帧作为独立照片进行处理的方法，每张照片提取的特征码都具有人脸的部分特征。

人物轨迹法是根据视频流中人的行走轨迹图像的渐变来判断人物身份，并从中截取多张质量较好的照片进行分析处理，提取当前过往行人面部多个细节的特征码，进而提高比对的准确率。

从目前的实际应用来看，在这两种方法中，依据人物轨迹法获得的照片及特征码要优于抽帧截图法获得的照片及特征码，其比对质量和准确率更高。

2 环境场景中摄像头选型及架设要求

根据常规视频流的人脸采集方法，需选择有200万像素以上的高清摄像头，能够支持RTSP视频流输出，同时需要为人脸采集应用提供单独一路码流，其网络带宽占用为6 Mb/s，网络前后端需要设固定的IP地址。为提高已有装备设备的利用率，技术选型要尽量采用能够支持多摄像头厂商设备的人脸识别技术。

镜头选择依据架设摄像头与被拍照人员闸口的距离决定，理论上讲，距离越远，越需要中长焦摄像头，相应摄像头的架设高度也应进行适当调整。一般情况下，摄像头架设高度应控制在2.5～2.9 m之间。摄像头架设示意图如图1所示。

摄像头架设位置应尽可能正对闸机出入口，使出闸机人员面部处在视频横向图像的左五分之一到右五分之一之间，使人流走向尽量朝向摄像头。如有覆盖不足的个别区域，可适当倾斜摄像头角度，调整相应姿态以获取较好的图像质量。

3 环境场景中服务器的基本要求

根据通道人流量的情况，经测试，目前一般单台参数为E5-2650V3×2/64G的服务器可以支持不超过4路摄像头的人像采集与比对计算要求。当人流量较大时，因会增加服务器计算资源需求量，一般要采取适当减少摄像头接入路数等方式予以解决。

随着硬件GPU技术的不断进步更新，设备制造成本降低，随着厂商人脸识别算法对GPU的不断支持与优化，预计未来可以实现单臺GPU服务器支持超过20路以上的视频接入。

4 用于比对的基础报警库准备

报警库就是为采集每张照片在入库提取特征码后，提供实时比对的人脸照片数据库。理论上讲，基础报警库越小，其报警准确率越高；反之，基础报警库越大，其误报率也就越高。目前，我们在宁波交通轨道实际应用场景中，采用的是6万张基础报警库。从宁波全市目前每天轨道交通客流30万人次的实际应用来看，每日比对次数约为180亿次。如果是特大城市，对人脸动态识别技术和处理能力的要求会更高。

5 动态人脸识别技术应用的几个重要参数

5.1 人脸抓拍率

人脸抓拍率即在实际场景中实时采集到的人脸数量与实际过往人数总数的比值。人脸抓拍率越高，表明对视频中过往行人情况采集的能力越强，其数量指标也就越好。较高的人脸抓拍率需要较高的服务器计算资源，因此，在实际人流量较大的区域，应适当增加服务器数量或提供更高配置的服务器资源。

5.2 报警阈值

报警阈值需提前设置，且应依据不同场景、不同警力配备进行设置。如在安保要求较高、警员人力充沛的大型活动中，可设置较低的报警阈值，尽量避免漏报，可对因增多的误报有充足的警力进行人工排查；对一般普通场景，在警力配备不多的情况下，可以设置较高的报警阈值，尽量避免误报，允许适当漏报。

5.3 漏报率

漏报率即应报警而未报警的人数与应报警总人数的比值。在不同动态人脸识别算法中，应尽量选择漏报率较低的算法；在相同动态人脸识别算法情况下，因漏报率与误报率密切相关，因此要依据不同的场景进行合理选择。

5.4 误报率

误报率即报警错误的人数与实际报警总人数的比值。由于漏报率降低会造成误报率上升。因此在实际工作中，需要在系统运行一段时间后，依据警力情况将误报率、漏报率设置在一个稳定的区域。

6 轨道交通应用中选型测试及方法

6.1 重点测试不同厂商动态人脸识别系统的报警准确值

报警准确值是决定能否真实判断一个目标人员身份的重要指标，只有比对成功有效，才能够产生实际应用效果。从我们的实践来看，在考察报警准确值阶段，要尽可能投入充足的警力，对系统报警的信息进行逐一核对确认，基于上述数据形成统计分析报告，可以对不同厂商提供的人脸识别技术系统进行分析对比。

6.2 全面判断动态人脸识别系统漏报率与误报率的均衡性

在实际应用过程中，漏报率和误报率必须要达到一定程度的均衡才有实际意义。均衡的标准是在报警准确值达标的情况下，尽可能减少一线警员的排查工作量，同时还能获得较好的应用效果。均衡性考察的目的是使一线警员有余力兼顾处理其他工作，不会过多占用警力在大量的排查工作中。

6.3 优先选择原创算法厂商的动态人脸识别系统

目前，人脸识别技术在人工智能的引领下快速发展，国内能够提供动态人脸识别相关解决方案的公司也越来越多。但就人脸识别技术本身而言，总体还处于初始阶段，还有较长的发展进程。因此，在技术使用早期阶段，相当长的一段时间内还会存在对人脸识别算法不断迭代、优化升级的问题，所以选择拥有原创算法的厂商会有较好的可靠性，能够针对轨道交通治安监控实际，做出更有针对性的技术改进，有利于优化实景应用效果。

7 结 语

随着基于深度学习的人工智能发展，人脸识别技术在近两年获得了突飞猛进的发展，尤其在公安应用业务中，取得了显著的成绩，并显现出了巨大的应用前景。在基层实际应用工作中，要依据不同的应用场景和应用条件，选择合理的人脸识别应用技术，向科技要警力，不断提升城市治安管控的科技水平，彰显信息技术的巨大作用。

参考文献

[1]黄存东，刘仁金，杨思春.基于特征融合和流形增强的视频人脸识别[J].计算机工程，2012，38（9）：193-196.

[2]张丹.一种融合流形學习的视频人脸性别识别改进算法[J].电讯技术，2012，52（6）：1031-1034.

[3]李苗在，谷海红.人脸识别研究综述[J].电脑知识与技术 （学术交流），2011，7（24）：5992-5994.

[4]梁永睿.基于谷歌眼镜的人脸识别系统设计与实现[J].物联网技术，2016，6（6）：28-29.

[5]亢洁，王晓东，潘思璐.基于VPM642的人脸识别算法的实现[J].物联网技术，2015，5（11）：17-19.

[6]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[J].城市轨道交通研究，2011，14（a01）：19-24.

[7]张玉亮，苏宇，李嘉伟，等.基于无线传感网络的智能家居安防系统[J].物联网技术，2015，5（6）：28-31.

[8]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.