现代建筑电气 ・消防与安防・ 基于智能小区安防系统的人脸识别术 陈 彪 ， 吴成东 ， 郑君刚‘， 吕 晶’ （１．沈阳建筑大学理学院，辽宁沈阳 １１０１６８； ２．沈阳建筑大学信息科学与控制学院，辽宁沈阳１１０１６８） 摘 要：研究了基于智能小区安防报警系统的人脸识别方法的应用。通过仿真 试验，将子图像个数、奇异值向量保留个数、聚类因数 、 因数的选取进行了对比 分析。基于聚类算法人脸识别的实际应用要求，试验数据为进一步研究子图像的 赋值提供了有效的帮助和参数支持。 陈彪（１９７１一）。男， 讲师。研究方向为智 关键词：智能小区；安防系统；人脸识别；聚类算法 中图分类号：．ｒ｛ ８５５文献标志码：Ａ文章编号：Ｉ６７４—８４１７（２０ｌ １）０１－００４７４）５ 能人脸识别。 ０ 引 言 智能小区的安全防范管理系统一般由周界 安防报警子系统、出入口控制系统、电子巡更监 （２）灾害报警系统。网格化安装的红外防 盗报警器、强制性安装的燃气泄漏传感报警器、 定点安装的烟火感应报警器，对人身、财产的重 大灾害的发生起到及时有效的防范作用。 （３）出人口控制系统。出入口控制系统包 括智能小区人脸识别门禁系统、楼宇人脸识别门 禁系统和机动车停车场的门禁控制系统。 控系统、可视对讲门禁系统、远程无线抄表系统、 灾害报警系统等构成。 人脸识别技术的应用提高了智能小区安防 报警系统的安全可靠性。本文研究了ＲＢＦ神经 网络中基于聚类算法判别人脸图像的方法，达到 了应用于智能小区门禁系统和楼宇门禁系统的 实际要求。 ２ 智能小区安防系统中的人脸识别 在智能小区安防系统中，摄像头采集到人脸 图像后，经转换将获得的图像数据提交到人脸识 别服务器上，同时与该小区成员人脸数据库和网 络通缉人员人脸数据库中的人脸图像比较，进行 １ 智能小区安防系统 智能小区安防系统组成结构如图ｌ所示，主 要由以下几个子系统组成。 人脸识别。将人脸识别的结果实时显示在监控 显示器上，同时，识别信号将进一步控制门禁装 置和安全报警装置的工作状态。 在智能小区安防系统中，实现结合ＩＤ技术 和人脸识别技术的门禁控制。结合ＩＤ技术可使 （１）生活安全监控系统。智能小区的微机 型加压水泵的运行状态控制、智能照明控制、电 梯安全运行状态控制等组成强电控制系统；远程 无线抄表系统可以实时记录水表、电表、燃气表 的流量。 检索信息直接连接到人脸库中对应的人脸图像 类别，人脸图像分块后直接采用奇异值分解法压 吴成东（１９６０一），男，教授。研究方向为图像处理及应用技术、无线传感器网络、建筑智能化技术等。 郑君刚（１９７３一），男，讲师，研究方向为智能建筑和无线传惑器技术。 吕晶（１９８０一）。女。工程师。研究方向为材料物理。 基金项目：建设部科研基金项目（２００７・Ｋ０３４１４）；沈阳建筑大学青年基金项目（２０１０１１９） ・４７・ 缩图像，两者的应用极大提高了门禁安防报警系 ｊ 式中Ｐ ——类别ｋ的第ｉ个样本 统的传输和存储效率。人脸识别技术的应用，更 ｉ ——类别 的人脸图像样本总数 提高了门禁安防报警系统的安全性和可靠性。 ｛ （３）计算从均值Ｃ 到属于类别ＪＩ｝的最远点 ３ 人脸识别算法 Ｐ 的欧氏距离。； ３一 Ｆ． ＲＢＦ系统可定义为 络的聚类算法 ｛ （４）计算 （１）ｌ ｝ ｄ ）。 Ｉ’ 一。 － ｃ￣Ｉ 的距离。 １ ２，．Ｉ， 。； ≠ 在通过ＲＢＦ神经 络实现从特征子空间到 ｝ 最小距离为 类别的映射的过程中，为了简化问题，初始设定 输入层的节点数ｒ即为人脸图像子块的数目，输 ｌ （ ）＝ （４） Ｊ．＝１，２，…，ｓ；ｊ＃ｋ （５） ｄｍｉｎ（ ， ）＝ ｒｅ ｍｉｎ（ｄｃ（ ， ）） 出层的节点数 即为数据库中人脸图像的类别 ｉ 再根据ｄ （后，ｚ）和以，ｄ 的关系，对以下几 数。隐含层节点的选取是ＲＢＦ神经网络构造的 ； 种情况进行判断。 重点，其最小值设定为样本类别数。 ｌ①若满足ｄ ＋ｄ ≤ｄ ｉ （尼，１）的条件，则表明 隐含层聚类的初始化过程如下： 类别 与其他类别ｌ无重叠。ｉ （１）在每个类别收敛于一个聚类中心的假 ｉ ②若满足ｄ ＋ｄ ＞ｄ （ｋ，１）的条件，则表明 设前提下，将隐含层的节点数初始设定为输出层 的节点数，即ｕ＝ｓ，再根据ＲＢＦ神经网络的训练 类别后与其他类别ｌ有重叠，需进一步考虑以下情 况：当满足Ｉｄｋ一 Ｉ＜ｄ （ ，ｆ）的条件时，则表明 情况具体调整。 特征矢量的均值。 ’ Ｉ 两个类别虽有重叠，但互不包含；当满足Ｉｄ —ｄｒ Ｉ！ 别中，可能导致ＲＢＦ神经网络分类错误。 （２）隐含层第ｋ个神经元的中心Ｃ 为ｋ类 ｌ ≥ｄ （ ，１）的条件时，则表明类别ｋ包含于其他类 ｃ ＝ 薹Ｐ ， ＝１，２，…，ｕ （２） ｝ 别并 照以下分离原则对每类样本进行判 统代建筑电气 ・ｉｉ＇ｉｌ￣］Ｊ －Ｊ￣ｋ：防・ 、 Ｉ、ｏｌ ２ ｆ￣ｅｒｉａＩ、０ Ｉ３ｌ ２０ＩＩ ①包含规则。若满足ｄ ＋ｄｆ＞ｄ （ｋ，ｆ）且 ｌｄ 一ｄ ｌ≥ｄ （ｋ，Ｚ）的条件时，则表明类别ｋ包含 于类别Ｚ中，类别ｆ应被进一步细分为两个聚类。 果产生影响，如对子图像划分的个数、子图像奇 异值向量保留的个数、聚类因数、因数的选取等。 对不同参数初始化时设定不同的数值，将得到的 试验结果进行对比和综合分析，进而确定包括输 ②正确归类规则。若类别ｋ包含许多其他 类别ｆ的数据，则需要将类别ｋ进一步细分为两 个聚类。 入层、输出层、隐含层节点数目及其核函数的选 取等在内的合理的ＲＢＦ神经网络结构，确定包括 贝叶斯分类器的权值分配、阈值选取等在内的合 适的融合策略，以便进行深入的研究。 试验中，训练样本为Ｙａｌｅ人脸库中的每人前 ６张照片，共９０张；测试样本为每人的后５张照 片，共７５张。样本完整训练误差容限为１，训练 最大次数为１２０。 重复上述步骤，直至选定的全部人脸图像的 训练样本都被处理为止，整个ＲＢＦ神经网络的结 构随之确定。 ３．２ ＲＢＦ神经网络的收敛特性 图２为ＲＢＦ神经网络误差输出曲线图，其中 横轴表示ＲＢＦ神经网络训练的迭代次数，纵轴表 示ＲＢＦ神经网络实际误差的输出值，即训练迭代 一（１）在ｙ因数取为０．８、子图像的数目为３２ 次新网络的输出值与原先网络按误差函数公 块、保留子图像的奇异值个数为１０的条件下，测 试不同聚类因数Ｏ／取值、不同聚类个数（即ＲＢＦ 神经网络隐含节点个数）情况下的识别率，如图３ 所示。 式计算得到的结果。 图２ ＲＢＦ网络误差输出曲线图 试验条件为在ＹａＬｅ数据库中选取１５个类别 的人脸图像，每个类别选取ｌｌ张人脸图像作为 训练样本，提取每个人脸图像的特征值数量为 ９０，对应于网络的训练集为一个１６５×９０的矩阵 时，得到ＲＢＦ神经网络训练的误差函数输出情 图３ 不同聚类因数 ｒ和聚类个数ｌ、的识别结果 试验结果表明，随着聚类因数 的增大，聚 类个数也在增多，当Ｏｔ＞３．０后，识别率趋于稳 定。而且，在ＲＢＦ神经网络中隐含层节点数增多 况。在试验中，设定ＲＢＦ神经网络停止参数训练 调整的条件为：当前一次系统的输出误差值与当 前系统的输出误差值的变化量相差小于０．０ｌ时， ＲＢＦ神经网络则停止参数训练调整。图２表明， 的情况下，会加大ＲＢＦ神经网络的计算负担。因 此，最终选择聚类因数Ｏｔ＝３．５来进一步研究子 图像权重的赋值。 ＲＢＦ神经网络的误差输出值下降很快，在迭代过 程不到ｌ５次的情况下，误差曲线就进入系统误 差值输出相差较小的范围内，收敛速度较快。 （２）在聚类因数 取为３．５、子图像的数目 为３２块、保留子图像的奇异值个数为ｌ０的条件 下，测试不同因数情况下的识别率，如图４所示。 ４ 人脸识别的仿真试验结果及分析 ４．１ 人脸识别的仿真试验 试验结果表明，在 因数逐渐增大的情况 下，识别率也随之逐渐提高并趋于稳定。因此， 最终选择 ＝０．８来进一步研究子图像权重的赋 值。 ・参数设定值的不同将对人脸图像识别的结 ４９・ ・ｆｉ－ｊ防与安防・ 图像数目的乘积。 试验结果表明，在人脸图像划分的子图像数 目较多的情况下，识别率较高，而且当子图像的 数目达到３２块时，识别率已经趋于稳定状态。 人脸图像划分的子图像数目不宜过多，会使每幅 人脸图像的奇异值特征个数过大，进而增加ＲＢＦ 神经网络的计算负担。最终选择子图像的数日 为３２块来进一步研究子图像权重的赋值。 ４．２ 人脸识别的仿真试验结果分析 图４不同 因数下的识别结果 根据试验结果确定聚类因数Ｏ／＝３．５， ＝ ０．８，保留子图像的奇异值个数为ｌ０。人脸图像 （３）在聚类因数 取３．５、ｙ因数取０．８、子图 像的数目为３２块的条件下，测试每个子图像保留 的子图像数目对应于ＲＢＦ神经网络输入空间的 维数ｒ，样本库中的人脸图像类别数对应于输出 空问的维数ｓ，每类人脸图像样本的子图像的特 征空间数目对应隐含层节点数“，根据上述试验 结果调整“≤１２０。对人脸图像进行分块，在样本 数量很大、维数很高的情况下，有效地减少了计 不同奇异值个数时识别率的情况，如图５所示。 算量。但子图像数目不宜过多，否则将增加神经 网络计算负担，识别率也会有所下降。 ５ 结 语 本文研究了智能小区安防系统的组成结构 及人脸识别技术在智能小区门禁系统和楼宇门 图５ 每个子图像取不同奇异值个数时的识别结果 试验结果表明，在子图像的奇异值个数增加 禁系统中的应用现状。结合仿真试验，验证了基 于ＲＢＦ神经网络的聚类算法的人脸识别方法在 提高安防系统的快速识别、准确可靠性能方面的 的情况下，识别率有所增加并趋于稳定。最终选 择保留子图像的奇异值个数为１０来进一步研究 子图像权重的赋值。 （４）在聚类因数Ｏｌ取３．５、 因数取０．８的 条件下，测试保留不同奇异值特征个数时识别率 的情况，如图６所示。其中，每幅图像的奇异值 特征个数为每个子图像保留奇异值的个数与子 有效性，提高了智能小区安防系统的防欺诈性。 本文根据ＲＢＦ神经网络的训练识别效果，通 过调整中间隐含层节点数、奇异值向量保留个 数、聚类因数等各项参数，确定了合适的ＲＢＦ神 经网络结构。在将人脸图像划分成适当的子图 像的条件下，为进一步根据各子图像权值的合理 分配提高人脸识别的精度和良好的识别速度提 供了有效的帮助和参数支持。 ［１］ 陈彪，吴成东，郑君刚．智能建筑中人脸识别与报 图６不同奇异值特征个数下的识别结果 ・警的应用［Ｊ］．低压电器，２００９（２）：２２．２６． ５０・ ・消防与安防・ Ｎｏ．１ Ｖｏ１．２（Ｓｅｒｉａｌ Ｎｏ．ｉ３）２０ｔ ［２］ ＹＡＮＧ Ｆａｎ．ＰＡＩＮＤＡＶＯＩＮＥ Ｍ． Ｉｍｐｌｅｍｅｎｔａ－ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ， ｔｉｏｎ ｏｆ ａｎ ＲＢＦ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｏｎ Ｅｍｂｅｄｄｅｄ ２００５：１０８０－１０８５． Ｓｙｓｔｅｍｓ：Ｒｅａｌ－Ｔｉｍｅ Ｆａｃｅ Ｔｒａｃｋｉｎｇ ａｎｄ Ｉｄｅｎｔｉｔｙ ［７］ ｏＹＡＮＧ Ｙ Ｊ，ＨＷＡＮＧ Ｓ Ｃ，ＯＵ Ｙ Ｙ，ｅｔ ａ１． Ｖｅｒｉｉｆｃａｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎ ｏｎ Ｎｅｕｒａｌ Ｄａｔａ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｒａｄｉａｌ Ｂａｓｉｓ ｆｕｎｃｔｉｏｎ Ｎｅｔｗｏｒｋｓ，２００３，１４（５）：１１６２－１１７５． Ｎｅｔｗｏｒｋｓ Ｂａｓｅｄ ｏｎ ａ Ｎｏｖｅｌ Ｋｅｒｎｅｌ Ｄｅｎｓｉｔｙ Ｅｓｔｉ－ ［３］ ＴＩＡＮ Ｙ，ＴＡＮ Ｔ Ｎ，ＷＡＮＧ Ｙ Ｈ，ｅｔ ａ１．Ｄｏ Ｓｉｎ－ ｍａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｇｕｌａｒ Ｖａｌｕｅｓ Ｃｏｎｔａｉｎ Ａｄｅｑｕａｔｅ Ｉｎｆｏｒｍａｔｉｏｎ ｆｏｒ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，２００５，１６（１）：２２５－２３６． Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２００３，３６ ［８］ ＷＵ Ｃｈｅｎｇｄｏｎｇ。ＺＨＡＮＧ Ｃｈｕａｎｂｉｎ．Ｄｅｔｅｃｔｉｎｇ （３）：６４９－６５５． ａｎｄ Ｌｏｃａｔｉｎｇ Ｍｅｔｈｏｄ ｏｆ Ｈｕｍａｎ Ｆａｃｅ ｉｎ Ｄｒｉｖｅｒ ［４］ 洪子泉，杨静宇．基于奇异值特征和统计模型的 Ｆａｔｉｇｕｅ Ｓｕｒｖｅｉｌｌａｎｃｅ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｈｅｎｙａｎｇ 人脸识别算法［Ｊ］．计算机研究与发展，１９９４，３１ Ｊｉａｎｚｈｕ Ｕｎｉｖｅｒｓｉｔｙ：Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ，２００９，２５（２）： （３）：６０－６５． ３８６－３８９． ［５］ ＣＵＣＣＨＩＡＲＡ Ｒ，ＧＲＡＮＡ Ｃ，ＰＲＡＴＩ Ａ．Ｃｏｍ－ ［９］ ＭＥＮＧ Ｊｏｏ Ｅｒ，ＷＵ Ｓｈｉｑｉａｎ，ＬＵ Ｊｕｗｅｉ，ｅｔ ａ１． ｐｕｔｅｒ Ｖｉｓｉｏｎ Ｓｙｓｔｅｍ ｆｏｒ Ｉｎ．Ｈｏｕｓｅ Ｖｉｄｅｏ Ｓｕｒｖｅｉｌ．－ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ ｌａｎｃｅ Ｖｉｓｉｏｎ［Ｊ］．Ｉｍａｇｅ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ， （ＲＢＦ）Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｐｒｏｃｅｅｄｉｎｇｓ，２００５（１５２）：２４２－２４９． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ，２００２。１３（３）：６９７－７１０． ［６］ ＧＡＯ Ｄａｑｉ，ＴＯＮＧ Ｚｈｅｎ．Ｆｕｚｚｉｌｙ Ｍｏｄｕｌａｒ Ｓｉｎ－ ［１０］ 陈彪，吴成东，郑君刚．基于人脸识别技术的智能 ｇｌｅ－Ｌａｙｅｒ ＲＢＦ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｓｏｌｖｉｎｇ 门禁系统设计［Ｊ］．现代建筑电气，２０１０（４）：１－５． Ｌａｒｇｅ—Ｓｃａｌｅ Ｃｌａｓｓｉｉｆｃａｔｉｏｎ Ｐｒｏｂｌｅｍｓ［Ｃ］／／ＩＥＥＥ 收稿日期：２０１０—０６—２１ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｓｅｃｕｒｉｔｙ Ｓｙｓｔｅｍ ｉｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｍｍｕｎｉｔｙ ＣＨＥＮ Ｂｉａｏ ， Ｕ Ｃｈｅｎｇｄｏｎｇ ，ＺＨＥＮＧ Ｊｕｎｇａｎｇ ，ＬＶ ｊｉｎｇ。 （１．Ｓｃｈｏｏｌ ｏｆ Ｓｃｉｅｎｃｅ，Ｓｈｅｎｙａｎｇ Ｊｉａｎｚｈｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ １ １０１６８，Ｃｈｉｎａ； ２．Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈｅｎｙａｎｇ Ｊｉａｎｚｈｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ １ １ ０ １ ６８，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｅｃｕｒｉｔｙ ｓｙｓｔｅｍ ｉｎ ｉｎｔｅｌｌｉｇｅｎｔ ｃｏｍｍｕｎｉｔｙ ｗａｓ ｒｅｓｅａｒｃｈｅｄ．Ｔｈｅ ｓｅｌｅｃｔｉｏｎ ｏｆ ｓｕｂ—ｉｍａｇｅ’Ｓ ｎｕｍｂｅｒ，ｒｅｍａｉｎｉｎｇ ｖｅｃｔｏｒ’Ｓ ｎｕｍｂｅｒ ｏｆ ｓｉｎｇｕｌａｒ ｖａｌｕｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ｃｌｕｓｔｅｒｉｎｇ ｆａｃｔｏｒ Ｏｔ ａｎｄ ｆａｃｔｏｒ ｔｈｒｏｕｇｈ ｓｉｍｕｌａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ ｗｅｒｅ ｃｏｍｐａｒｅｄ ａｎｄ ａｎａｌｙｚｅｄ．Ｉｎ ｏｒｄｅｒ ｔｏ ａｃｈｉｅｖｅ ｒｅｑｕｉｒｅｍｅｎｔ ｏｆ ｐｒａｃｔｉｃａｌ ａｐｐｌｉ— ｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ，ｒｅｓｅａｒｃｈ ｏｎ ｗｅｉｇｈｔ ｆａｃｔｏｒ ｏｆ ｓｕｂ—ｉｍａｇｅ ｗａｓ ｏｆｆｅｒｅｄ ｅｆｆｅｃｔｉｖｅ ａｓ。 ｓｉｓｔ ａｎｄ ｐａｒａｍｅｔｅｒ ｓｕｐｐｏｒｔ ｂｙ ｅｘｐｅｒｉｍｅｎｔａｌ ｄａｔａ． Ｋｅｙ ｗｏｒｄｓ：ｉｎｔｅｌｌｉｇｅｎｔｃｏｍｍｕｎｉｔｙ；ｓｅｃｕｒｉｔｙ ｓｙｓｔｅｍ；ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ；ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ．《现代建筑电气》 【办刊宗旨】 以现代信息技术、先进制造技术和智能建筑技术为引导，引领建筑电气技术不断开拓自 主知识创新，向着高效、节能和绿色的目标和方向发展。及时、全面地报导国内外建筑电气 最新研究成果和行业信息，为建筑电气的研究与开发、产品制造与应用、工程设计等领域打 造一流的技术交流和信息传递平台。 ・５１・