朱洪浩，姚保峰，马金金



基于XML与人脸识别的智能小区门禁管理系统设计

*朱洪浩，姚保峰，马金金

(蚌埠学院计算机工程学院，安徽，蚌埠 233030)

为实现小区的智能化人性化管理，设计了一套基于XML与人脸识别的智能小区门禁管理系统。首先，集成网络摄像头和数据分析工作站，组成系统硬件平台；嵌入人脸识别算法和XML结构化数据，构建了智能小区门禁管理系统。然后，结合图像灰度处理、直方图均衡化和haar特征检测，设计了人脸图像识别算子，实现人脸有、无来访者身份确定。在Visiual Studio平台开发系统，对所提智能小区门禁管理系统进行了测试，输出结果表明：所提出的智能小区门禁管理系统，在人脸识别和系统智能性方面，都优于传统小区门禁管理系统。

门禁管理系统；人脸图像识别；XML结构；直方图均衡化；Haar特征检测；图像灰度

0 引　言

随着城市化进程的推进，住宅小区数量和规模不断增大，对小区门禁的安全保障和柔性管理提出了更高的要求。传统的小区门禁管理往往以增加保安人工值守和刷卡进出来维持小区秩序和安全。这种方式在一定程度上可以起到安保作用，但是人力成本是无法回避的问题，同时，存在业主忘记带门禁卡而需走登记流程的不便捷问题。如何以智能化、柔性的方案和技术，高效地解决小区门禁管理的成本、安全与业主体验问题，是本文设计方案和智能小区门禁管理系统主要研究并解决的问题。

目前国内专家在这一应用领域的研究已经获得了一定进展。比如，陈存强[1]等人将人脸识别技术应用于门禁系统，制定出一种设计方案实现基于人脸识别的门禁管理，采用二维线性判别分析算法有效提升了人脸识别门禁系统的识别率。但是二维线性判别分析计算量大，导致识别时间过长，降低了用户体验。王越[2]等人采用TCP/IP协议完成了云服务器与单元门口机及手机APP的通信，利用URAT口或者socket网络完成了人脸识别模块与单元门口机的主控板卡ARM Cortex-A9之间的通信，但是主控板卡ARM Cortex-A9价格昂贵，很多普通小区不能够承担，导致该系统缺乏应用普适性。汪成龙[3]等人设计一个基于SeetaFace的人脸识别门禁系统，搭配OpenCV先进行图像提取、样本采集和图像预处理，用Seeta Face-engine自带的检测模块、特征点标记模块和特征提取识别模块三个核心模块来完成人脸识别的主要功能，通过软件控制门禁，达到智能门禁的效果，但是SeetaFace过度依赖开源社区收集的通用人脸数据，缺乏针对所在小区人脸数据采集，从而存在人脸识别不稳定的问题。

在通过智能技术适应市场实际应用需求的愿景下，本文提出了基于XML与人脸识别的智能小区门禁管理系统。通过构建新的硬件平台，运用改进的人脸识别算子，并嵌入XML结构化数据来解决传统系统硬件或者人工值守成本高、人脸识别不稳定的问题，从而达到小区门禁安全管理，提高业主进出门体验的目的。本系统以人脸识别为核心，业主不带门禁卡，也可以方便进出，省去寻求人工帮助的繁琐，业主朋友拜访只需经业主电话确认，在物业服务中心登记，开通权限，也可方便拜访，省去原来寻求人工帮助的繁琐和流程，提高业主置业体验，体现了本系统的人性化和柔性化管理。

1 本文智能小区门禁管理系统设计

本文系统想要达到的工程目标有2个，首先，利用XML结构化信息存储并传输业主人脸特征数据；其次，设计人脸识别算子取代基于卡的门禁，提高门禁安全系数，提高业主出入门禁的体验，避免业主忘记带门禁卡而走登记流程。

1.1 所提识别系统的结构

如图1(a)所示，为本文设计的系统架构，小区单元楼门口安置IP摄像头，摄像头拍摄视野覆盖来访者人脸可能出现的范围，完成实时人脸图像采集。每个IP摄像头采集数据通过局域网输给小区后台中心的数据分析服务器，服务器加载基于XML的人脸学习特征文件，完成人脸识别，并将识别结果以XML结构化信息的形式传输给基于单元的门禁终端。XML是用来标记数据、定义数据类型，是一种允许用户对自己的标记语言进行定义的源语言，它非常适合万维网传输，提供统一的方法来描述和交换独立于应用程序或供应商的结构化数据[4]。XML是Internet环境中跨平台的、依赖于内容的技术，也是当今处理分布式结构信息的有效工具[5]。本智能小区门禁管理系统借助XML存储和传输结构化数据信息的优势，相比于文本传输，在提高系统存储传输效率同时，降低了系统维护成本。另外，本系统采用了局域网，实现门禁人脸图像采集、服务器数据处理的关联，在满足系统功能的前提下，达到低成本高效的目的。如图1(b)所示，本系统UI主要有实时人脸图像采集、人脸识别、识别信息显示。如图1(c)所示，硬件平台由IP摄像头、单元门、转动锁构成。

1.2 人脸识别算子

为了实现业主人脸的准确识别，首先需要对业主面部图像进行数据采集，建立业主人脸图像库，作为后续识别标准数据。然后，针对现场采集的人脸图像，进行灰度化处理，不需要彩色信息，不仅可以集中有效信息，而且可以降低算法计算复杂度，从而提高效率。为了进一步增强人脸特征，本算子进行直方图均衡化处理。提取Haar特征，基于OpenCV函数，建立人脸检测与识别分类器。以图像识别算法取代传统人工值守和刷卡进出，以自主底层开发取代商业计算机视觉软件。为此，本文采用基于haar的人脸检测识别算子来解决上述难题。如图2所示，为本文人脸识别算子工作过程。

图2 本文人脸识别算子的过程

Step1：读取采集图像，进行灰度化处理，基于如下灰度化处理公式：

式(1)中,代表图像坐标，Gray代表灰度图，、、代表红、绿、蓝的三通道分量，本算子先进行灰度化处理。

Step2：在灰度图基础上进行直方图归一化，如下公式：

式(2)中代表归一化直方图，()代表像素值为的图像直方图，归一化到[0, 1]。

Step3：接着进行直方图均衡化，如下公式：

式(3)中代表均衡化直方图，f代表累积分布函数最小值，和分别代表图像长宽像素数，代表灰度级。在此基础上，进行haar特征提取。

Step4：进行haar特征提取。haar特征是计算机视觉领域一种常用的特征描述算子，受到一维haar小波的启示而发明的[6]。haar多用于人脸检测，可以理解为卷积模，haar特征模板内只有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素[7]。haar特征值反映了图像的灰度变化情况，例如：脸部的一些特征能由矩形特征简单地描述[8]。但矩形特征只对一些简单的图形结构如边缘、线段较敏感，所以只能描述特定走向的结构[9-10]。本算子采用36*36大小的矩形，在1204*1204的采集图像帧中，不同位置和角度，导致数量较大，特征数量如下所示：

式(4)中、代表大图长宽，、代表矩形长宽，代表haar特征个数。根据haar特征个数进行提取，输入openCV训练函数训练分类识别器。

Step5：XML 数据加载[11]。实际检测时启动分类识别特征数据XML文件。

Step6；人脸检测。本系统将IP摄像头采集的业主人脸图像帧作为人脸识别算子的训练与检测输入端。

以待识别目标图3为例，进行检测识别，得到人脸识别定位结果如图4(a)所示，可见准确检测到人脸，并识别得出业主身份信息、姓名、所住地址，软件系统UI显示人脸对象识别为“业主”、“王杰”、“10#-803”。如图4(b)所示，本系统人脸特征数据存储在XML文件中，可见XML格式数据存储方式分门别类，结构清晰。由于人脸特征数据量比较大，达到万级别行数，本文在此只节选部分，主要为了展示XML数据格式。

人脸识别算子的部分关键代码如下：

int fullImageLowResolutionSzx = round (m_khiImage Width/downSampleRatio);

int fullImageLowResolutionSzy = round (m_khiImageHeight/downSampleRatio);

QImage fullImageLowResolution = QImage (fullImage Low Resolution Szx, fullImage Low ResolutionSzy, QImage::Format_RGB888);

fullImageLowResolution.fill(QColor(Qt::white).rgb()); // init with all white

std::cout<

std::vector > startingPoints;

for (int iw = 0; iw < num Of Block WSIW- numBlockPerTile; iw += numBlockPerTile) // -numBlockPerTile to be safe to avoid boundary conditions

{for (int ih = 0; ih < num Of Block WSIH- numBlockPerTile; ih += numBlockPerTile) // -numBlockPerTile to be safe to avoid boundary conditions{

std::vector thisPoint;

thisPoint.push_back(iw);

thisPoint.push_back(ih);

startingPoints.push_back(thisPoint);}}

#pragma omp parallel for

for (int it = 0; it < startingPoints.size(); ++it){

QImage tile = extract Tile From Dme trix (m_img, startingPoints[it][0], starting Points[it][1], numOfBlockWSIW, num Of Block WSIH, 256, 10);

#pragma omp critical

{shrinkAndPaintTileToGlobalViewImage(tile, fullImageLowResolution, startingPoints[it][0]*blockSize, startingPoints[it][1]*blockSize, downSampleRatio);}}}

图3 待检测图像

2 实验结果及分析

采用Intel i5 四核CPU,，8GB的内存，电脑系统 Windows 7，64位，借助Visual Studio开发平台对本文提出的基于XML和人脸识别的智能小区门禁管理系统进行开发实现。

为了验证本文智能小区门禁管理的优异性能，本文设立了对照实验，具体为文献[1]和文献[3]，分别记为A、B算法。输入图像如图5所示，来访者（实为业主）待识别，系统功能有图像采集、人脸识别、身份信息显示。对本文算法、A算法和B算法，在系统中实现仿真，处理图5中原图，分别得到结果如图6、7、8所示。由于本文采用XML结构化数据与人脸识别算法，实现人脸实时检测和人脸定位识别。本文基于大数据样本XML文件训练与haar特征识别，人脸定位、人脸识别准确。本文算法首先准确识别并定位了人脸位置，通过人脸识别检测，匹配出了数据库中的业主信息，界面中显示了业主身份信息，如图6所示。而A算法采用二维线性判别分析算法有效提升了人脸识别门禁系统的识别率，但是二维线性判别分析计算量大，导致识别时间过长，在实际应用中降低了业主体验度，业主配合度打折，不愿意较长时间的站在摄像头前等待识别结果，从而降低识别率，如图7所示，虽然人脸定位检测正确，但是识别未完成，所以身份信息未识别出，系统界面对应信息显示空白，无法反映出业主的名字等具体信息。对于B算法依赖开源包SeetaFace开发，缺乏小区人脸数据针对性，不能兼顾所有业主人脸特征变化，人脸定位和识别存在不稳定，如图8所示，首先人脸定位错误，后续识别更是缺乏依据，识别失败，系统界面对应信息显示空白，无法看到业主具体信息。综上所述，本文算法识别人脸正确，并从人脸数据库中比对出业主信息；对照实验A、B算法未识别正确，没有对应正确人脸信息，所以系统无法显示业主信息。

图5 智能系统与待检测目标

图6 本文算法的检测结果

图7 文献[2]的检测结果

Fig.7 Test results of reference [2]

图8 文献[3]的检测结果

3 结束语

为了提高小区门禁管理系统的智能化与业主用户体验，减少经济成本，提高小区门禁安全保障，本文设计并开发实现了基于XML 与人脸识别的智能小区门禁管理系统。采用局域网、IP摄像头、XML结构化数据和中央服务器，组成低成本、高稳定的智能小区门禁管理系统硬件架构。基于灰度化处理、直方图均衡化和haar特征训练，构建人脸检测识别算子，达到人脸定位检测和人脸识别的目的。用Visual Studio平台来实现本文系统，结果表明：相比于对标系统，在保证系统功能前提下，本文系统在人脸检测定位方面具有更高的精度和稳定性。

化妆与发型变化对识别率影响是本文目前研究成果上后续开展的内容，以进一步提高本文系统的智能程度与适应性。

[1] 陈存强. 基于人脸识别技术的门禁系统设计与实现[J]. 内燃机与配件,2018, 3(5): 23-27.

[2] 王越. 基于人脸识别技术的社区智能门禁系统的实现[J]. 电子测量技术,2018, 7(6):121-126.

[3] 汪成龙. 基于SeetaFace的人脸识别门禁系统[J]. 制造业自动化, 2018, 11(5): 58-63.

[4] Kim S H, Lee K H, Lee Y J. Multi-Query Processing of XML Data Streams on Multicore[J]. The Journal of Supercomputing, 2017, 73(6): 2339-2368.

[5] Bai L Y, Cao X R, Jia W J. Uncertain Spatiotemporal Data Modeling and Algebraic Operations Based on XML [J]. Earth Science Informatics，2018, 11(1): 109-127.

[6] 罗瑞奇,钟忺,钟珞. 一种改进Haar-like特征的车辆识别算法[J]. 武汉大学学报(理学版)，2018, 64(3): 1042244-248.

[7] John M, Mike R, Brad L. Edge Detection in Pipe Images Using Classification of Haar Wavelet Transforms [J]. Applied Artificial Intelligence: An International Journal, 2014, 28(7): 675-689.

[8] Wang X. Moving Window-Based Double Haar Wavelet Transform for Image Processing[J]. IEEE Transactions on Image Processing, 2006, 15(9): 2771-2779.

[9] 谢春浩. 门禁管理系统中的人脸识别技术[J]. 现代建筑电气, 2018, 29(1): 42-46.

[10] 万卷. 基于改进的二值形态学人脸识别算法[J]. 机械与电子,2018, 29(1): 42-46.

[11] 张涛,王秋红. 面向数控车床的智能故障诊断系统的研究[J]. 井冈山大学学报:自然科学版,2013,34(5): 65-69.

Intelligent Community Entrance Guard Management System based on XML and Face Recognition

*ZHU Hong-hao, YAO Bao-feng, MA Jin-jin

(School of computer engineering, BengbuUniversity, Anhui, Bengbu 233030, China)

In order to realize the intelligent and humanized management of residential area, this paper designs an intelligent residential area entrance guard management system based on XML and face recognition. Firstly, the system hardware platform is constructed by integrating webcam and data analysis workstation, embedding face recognition algorithm and XML structured data to construct the intelligent community entrance guard management system architecture. Then, a face recognition operator is designed, which combines image gray processing, histogram equalization and Haar feature detection to realize the identification of visitors and the presence of faces. The intelligent community entrance guard management system is tested in the Visual Studio platform development system. The results show that the intelligent community entrance guard management system proposed in this paper is superior to the traditional community entrance guard management system in face recognition and system intelligence.

access control management system; face image recognition; XML structure; histogram equalization; Haar feature detection; image gray level

TP391

A

10.3969/j.issn.1674-8085.2018.06.006

2018-09-10；

2018-10-28

安徽省高校自然科学研究一般项目(113052015KJ05)；安徽省自然科学研究重点项目(KJ2016A456, KJ2014A150)

*朱洪浩(1980-)，男，安徽砀山人，讲师，硕士，主要从事图像处理、人工智能、电子商务等方面的研究(E-mail: 183384669@qq.com);

姚保峰(1980-)，男，浙江宁波人，副教授，硕士，主要从事图像处理、信息检索、算法分析等方面的研究(E-mail:54096695@qq.com);

马金金(1981-)，女，安徽蚌埠人，讲师，硕士，主要从事图像处理、人工智能、多媒体信息处理、数字媒体技术等方面的研究(E-mail:1060520358@qq.com).

1674-8085(2018)06-0033-06