王浩　孙福明

摘要：设计了一种基于人脸特征来判断客户真实身份的系统.首先利用第2代居民身份证阅读器自动采集客户所出示身份证的信息.然后通过高清摄像头采集客户人脸图像.最后基于身份证头像照片与摄像头采集图像，利用深度学习方法算法判断二者人脸相似度.由于身份证人脸图像分辨率较低，采用SRCNN算法提高其分辨率，进而提高系统准确度.实验结果表明，该系统可以准确判断客户身份与其出示身份证的一致性。

关键词：人脸识别；深度学习；分辨率

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）33-0211-02

人脸识别技术作为生物特征识别领域中一种基于生理特征的识别，其利用计算机提取人脸特征，并根据这些特征进行身份验证的一种技术。人脸识别技术是一种难以冒充并且性价比高的生物特征识别技术[1]。相较于其他生物特征，如指纹识别、虹膜识别、视网膜识别，它具有非接触，不需要对象特意配合等特点。由于人脸识别技术具有以上优点，因此它在很多方面具有广泛应用，如档案管理系统、安全验证系统，在新兴领域也有应用，如刷脸支付，特别的结合大数据技术，可以帮助刑侦部门破获很多刑事案件。因此在未来发展中，人脸识别具有广泛的发展前景。

針对上述应用，目前已有一些基于人脸识别的身份验证系统被提出。陈史政[2]提出一种基于LBP特征的人脸识别技术。朱秀娟[3]提出一种特征提取采用小波变换，分类器使用支持向量机的人脸识别系统。以上系统均通过人工提取特征的方法，在人脸特征提取量方面会有不足。为克服上述缺点，本系统采用深度学习方法提取特征，并对低分辨率图像采用SRCNN算法提高其分辨率。

1 系统的设计

一个典型的人脸识别系统主要由两个部分组成，人脸检测和人脸识别。对于人脸的生物特征，其在总体结构上具有相似性，因此可以通过人脸检测算法把人脸从复杂背景图像中提取出来，为后续识别人脸的局部结构差异性提供基础。传统的人脸检测算法主要利用它的结构特征与肤色特征进行检测。随着计算机运算能力的提高，为神经网络算法的大规模应用提供了条件，相较于传统方法其在实时性与准确性上都得到较大提升。获得分离的人脸图像后，对不清晰的图像进行超分辨率重建，最终利用实时采集人脸与身份证人脸图像进行比对，得出其是否为同一人，具体流程如图1所示。

2 基于深度学习的超分辨率重建技术

超分辨率重建是指利用低质量、低分辨率图像产生高质量、高分辨率图像。具体应用在高清电视，人脸识别，医疗图像，卫星图像等领域。卷积神经网络由于其局部感知、参数共享等特有的性质，使它的卷积层在提取边缘信息和细节特征时具有独特的优势。随着ReLU激励函数的引入，使其网络具备稀疏性[4]，仿照稀疏编码重建技术，将卷积神经网络应用在超分辨率重建技术中便生成了SRCNN模型，其根据信号相关性，通过提取训练样本集的高频信息来预测高分辨率图像，是当前最先进的算法[5]。

该方法对于低分辨率图像先后使用三次插值将其放大到目标大小，再通过三层卷积网络非线性映射，得到的结果作为高分辨率图像输出。

由于采集到的初始身份证图像的分辨率为[126×102]，为提高后续人脸检测与人脸识别环节的准确度，故采用超分辨率重建提高图像细节质量，重建前后图像对比如图2所示，（a）为重建前的照片，（b）为重建后的照片。从图中可以看到，重建后的图像明显减少了颗粒感。

3 人脸检测与人脸识别模块

人脸检测与人脸识别模块采用SeetaFace这一开源模块，SeetaFace Engine是开源C++脸部识别引擎，它无需任何第三方库就能在CPU上运行[6]。它由三部分组成：SeetaFace Detection（脸部检测）[7]，SeetaFace Alignment（脸部校准）[8]和SeetaFace Identification（脸部识别）[9]。

SeetaFace Detection由级联的漏斗结构（Funnel-Structured cascade，FuSt）实现，它被用来做现实中多视角脸部检测。FuSt的目的是使用“由粗到细的结构”，它在准确性和速度之间取得了一个很好的平衡。其中，前几层包含了多个针对视角的快速LAB级联分类器，而后几层是粗多层感知器（coarse Multilayer Perceptron，coarse MLP）级联结构，最终由统一的MLP级联结构来处理所有姿态的候选窗的内容。FuSt包括一个用20万脸部图片训练的模型来专门处理近正面脸部，它也能检测部分非正面脸部，它也有些特别的地方，首先是MLP级联结构使用了SURF检测而不是SIFT，其次是加入了NMS（Non-Maximal Suprresion），最后是边界盒回归代替了关键点预测。

SeetaFace的人脸特征提取模块也是基于卷积神经网络的，它包含7个卷积层与2个全连接层的DCNN。人脸特征采用VIPLFaceNet FC2层的2048个结点的输出，特征比对可简单采用Cosine计算相似度，然后进行阈值比较（验证应用）或排序（识别应用）即可。该引擎在多数人脸识别场景下均具有良好的性能。

4 实验

系统实验环境为微软的Windows7操作系统，处理器为英特尔的i7系列处理器。采用C++语言在微软VS2013集成开发环境下完成。首先是软件界面如图3所示。

图3中可以看到软件采集到的身份证信息被显示在左侧，中间的Picture control控件显示的为人脸检测后从背景分离出的人脸图像，通过该人脸图像与图2（b）中被超分辨率重建后的身份证图像进行对比得出相似度。从图3中可以看到，若身份证与用户身份一致时，相似度为0.6左右，若身份证与用户身份不一致时，其相似度显示在0.3左右。显然，本文设计的系统可以有效地判断身份证与用户身份的一致性。

参考文献：

[1] 郑铁.基于多分类器的人脸识别算法的研究与实现[D].沈阳东北大学， 2008.

[2] 陳史政.人脸识别技术在考试身份验证中的应用[J].赤峰学院学报， 2014，（8）：41- 43.

[3] 朱秀娟，卢琳，钟洪发.基于仿射变换模型的图像特征点集配准方法研究[J].激光杂志， 2016（6）：90-93.

[4] V Nair， GE Hinton. Rectified linear units improve restricted Boltzmann machines [C]. International Conference on Machine Learning， 2010： 807-814.

[5] C Dong， CL Chen， K He， X Tang. Learning a deep convolutional network for image super-resolution [C]. European Conference on Computer Vision， 2014， 8692： 184-199.

[6] Shengye Yan， Shiguang Shan， Xilin Chen， Wen Gao. Locally Assembled Binary （LAB） Feature for Fast and Accurate Face Detection. IEEE Computer Society International Conference on Computer Vision and Pattern Recognition， CVPR2008， Anchorage， Alaska， U.S.A， Jun.2008.

[7] Shuzhe Wu， Meina Kan， Zhenliang He， et al. Funnel-Structured Cascade for Multi-View Face Detection with Alignment-Awareness.2016.

[8] Jie Zhang， Shiguang Shan， Meina Kan， et al. Coarse-to-Fine Auto-Encoder Networks （CFAN） for Real-Time Face Alignment. ECCV 2014.

[9] Xin Liu， Meina Kan， Wanglong Wu， et al. VIPLFaceNet： An Open Source Deep Face Recognition SDK. Frontier of Computer Science.