摘要：該文提出了一種在門禁系統中利用人臉識別技術與指紋識別技術相結合進行身份驗證的設計方案。實驗表明，結合兩種技術將會提高身份識別的安全性和有效性，能有效地解決傳統門禁系統的不足之處。
1 綜合門禁系統設計方案
本文所設計的門禁系統由一個服務器和兩個門禁控制器組成， 一個門禁控制器在通過攝像頭采集人臉圖像的同時另一個可以通過指紋采集儀采集指紋信息。管理服務器軟件并行連接兩個門禁識別器軟件，通過USB 接口實現相互通信，服務器端軟件對兩個門禁識別器軟件的連接實現多線程處理。
系統基于嵌入式WindowsXP 平臺開發，有體積小，專用性強等特點。
圖像采集端利用DirectShow 技術對攝像頭進行控制，實現視頻圖像的預覽，并在預覽的過程中對實時的視頻進行抓拍，將抓拍圖像傳至嵌入式計算機主板，由基于PCA 和BP 神經網絡的人臉識別軟件進行識別處理。
指紋采集端由指紋采集儀獲取用戶指紋，并通過封裝在識別器內部的指紋處理模塊進行指紋比對。門禁控制器包括AT89S52 芯片MBF200 識別模塊、液晶顯示器、數據存儲器、鍵盤、電源和電控鎖等部分組成。
本識別系統軟件在Windows 平臺上采用VC++ 6.0 進行開發， 全部核心算法都采用模塊化設計，提高了算法的可移植性。整體結構如圖1 所示。
圖1 整體結構框圖
2 人臉識別
2.1 PCA 對人臉圖像的特征提取
由于攝像頭采集的人臉圖片的信息量往往很大，直接處理會產生龐大的計算量，所以在人臉識別之前要進行特征提取。在降低特征空間的維數的同時，盡可能地保留識別信息，以達到有效分類。
本系統使用主成分分析算法實現對人臉圖像的特征提取。主成分分析（principal compONent analysis， PCA）是多元統計分析中用來分析數據的一種方法，它是用一種較少數量的特征對樣本進行描述以達到降低特征空間維數的方法，方法的基礎是Karhunen-Loeve展開式。K-L 變換的最大優點是去相關性好。這樣可以將圖像中大量無關的冗余信息去除，降低了之后運用神經網絡的結構復雜度，同時也提高了神經網絡的訓練效率和收斂率。采用PCA 進行人臉特征提取的一般方法是：
設有N 個訓練樣本，每個由其像素灰度組成一個向量xi，則樣本圖像像素數即為向量xi的維數，M=wIDTh × height （行像素數×列向量數），由向量構成的樣本集為{x1，x2，…，xn}，該樣本集的平均向量為：
協方差矩陣可表示為：
求協方差矩陣C 的特征向量ei和對應的特征值λi.由大于λm的λi對應的特征向量構成主成分，主成分構成的變換矩陣為：
在實際的人臉識別過程中，對于一個輸入的測試樣本x，求它與平均臉之間的偏差y=x-x 則在特征臉空間的投影可表示為系數向量：
（4）式中z 為K-L 變換的展開系數向量，為m×1 維。這樣一個臉部圖像就可以用較低維的系數向量表示，從而實現了用低維向量表征原始人臉圖像。可以選取對應特征值最大的前m 個特征向量，使得：
在式（5）中可以選取鄣=90%，從而使得樣本集在前m 個軸上的能量占整個能量的90%以上。
2.2 利用BP 神經網絡對人臉圖像進行識別
BP 網絡是一種單向傳播的多層前向網絡。（3 層的BP 網絡的基本結構如圖1）。BP 學習算法稱為“誤差逆傳播算法”，基本思想是通過網絡誤差函數的極小值來調整權重分布使神經網絡收斂于穩定狀態，從而使網絡在接受未知輸入時也會給出適當的輸出。
系統采用BP 神經網絡對人臉識別的的具體過程有以下幾步：
1）產生一個訓練集，訓練集用于BP 網絡在模式識別方面訓練網絡，使網絡能夠按照學習算法調整結構參數，以達到學習的目的。如果在實際應用中，人臉的樣本可能只有1，2 個，這樣就會導致BP 神經網絡訓練樣本缺乏，所以在應用中應有充分人臉對象的樣本采集。
2）設計BP 網絡并進行訓練。網絡的每一個輸入節點對應于樣本的一個特征，而輸出節點數等于類別數。設計好網絡層數，隱藏層神經元數及所期望的網絡誤差，學習速率后， 用上述主分量分析法得到的特征樣本對網絡進行反復訓練， 直到對所有訓練樣本，網絡都能給出滿意的結果時，學習訓練完成（如圖2）。
圖2
3）進行識別。在此階段，當一個未知類別樣本A 作為一個測試樣本作用到輸入端時，經過投影后得到特征矩陣Y，利用訓練好的網絡分類器對其進行分類，考察各輸出節點的輸出，從而識別出所屬類別。
2.3 人臉識別結果
為驗證系統，實驗中采用Yale 人臉數據庫，該數據庫由美國耶魯大學的實驗室采集，包括15 個人的每人11 張人臉灰度圖像，共計165 張。它們是在不同時間、光照略有變化、不同表情（眼睛張或閉，笑或不笑）以及不同臉部細節（有眼鏡或沒眼鏡）下獲取的。
每張圖像的尺寸為128×128 像素， 比較充分地反應了同一個人不同人臉圖像的變化和差異。將圖像庫中的人臉圖像分為兩組，其中150 張為訓練樣本，另外15 張為測試樣本。實驗中，訓練神經網絡所需時間平均為10秒，人臉的識別過程所需的時間平均為0.5 s，對于合法用戶的識別率為89%，非法用戶的識別率可達95%.
圖3
3 指紋識別
指紋識別傳感器采用富士通公司推出的一款先進的固態指紋傳感器MBF200，它除可自動檢測指紋外，還帶有多種接口模式，為電容性傳感器，其電容性傳感器陣列由二維金屬電極組成，所有金屬電極充當一個電容板，接觸的手指充當第2 個電容板，器件表面的鈍化層作為兩板的絕緣層。當手指觸摸傳感器表面時，指紋的高低不平就會在傳感器陣列上產生變化的電容，從而引起二維陣列上電壓的變化，并形成指紋傳感圖像。采用標準COMS 技術的電容性固態器件，具有500 dpi 的分辨率，傳感器面積為1.28 cm×1.50 cm.具有自動指紋檢測能力，內含8 位模數轉換器，可提供3 種總線接口形式。5V 工作電壓下的功耗小于70 mW.指紋采集時間不超過0.5s;指紋識別比對時間不超過0.5s/枚；指紋誤識率小于0.001%。
指紋識別算法實現為：1）提取脊線方向，脊線頻率。2）經過GABOR 濾波，減弱噪聲、改善圖像質量，以便于特征提取。3）特征提取。4.與指紋數據庫進行特征匹配并得出結果。大致流程如圖4 所示。
圖4 流程圖
4 實驗
判別流程：門禁控制器通過攝像頭捕獲到人臉圖像，并把該圖像發送到服務端進行人臉識別。通過指紋采集儀獲取用戶指紋，并通過封裝在控制器內部的指紋模塊進行指紋比對。若人臉識別通過，指紋識別也通過，則判斷用戶有該門的權限并開門。若人臉識別通過，指紋識別未通過，則要求請求者再測一次。若人臉識別未通過，指紋識別也未通過，則不開門。其基本流程如圖5 所示。
圖5 基本流程圖
5 結果
本系統的測試方法為：在相同光照條件下，對已注冊的用戶分別進行10 次進門操作，對未注冊的用戶分別進行10 次進門操作。系統設置識別方式為人臉識別、指紋識別串行執行。測試記錄用戶每次進門操作識別成功與否，使用何種識別方式識別通過等信息，統計測試系統的性能。從實驗結果來看，人臉識別率達到93%，而人臉加指紋的識別率達到98%，并且沒有出現錯誤接受的情況，但由于測試數據量比較小，在實際運行中，可能會出現錯誤接收的情況，從測試情況來看，錯誤接受率不會高于0.01%.
6 結論
傳統PCA 方法在處理人臉圖像時，要將二維圖像矩陣轉換成一維的列向量，使圖像的維數達到上萬維，計算工作量大，特征提取速度慢。針對PCA 算法的不足，也有研究者提出了獨立分量分析法（ICA，Independent Component Analysis），在這些方面仍有待作進一步探索。
而且雖然BP 網絡得到了廣泛應用，但其自身也存在一些缺陷和不足，主要包括網絡的收斂速度慢，且存在局部最小值問題。可采用變化的學習速率或自適應的學習速率以及附加動量法加以改進和解決［5］。將指紋識別與人臉識別相結合，進行人臉圖像的一對一比對，所以識別速度更快，合法用戶與非法用戶的識別率均較高，提高了身份驗證的安全性和有效性。人臉和指紋這兩個生物特征都具有很好的抗干擾性和不怕遺失的特性，而且識別率也非常，可以很好的解決傳統門禁系統如IC 卡門禁所存在的不足，達到減少人為因素對門禁系統的影響的目的。因此，智能門禁系統適用于高度機密性場所安全保護和高效率管理的需要，同時也適用于大規模用戶進行快速、準確的身份鑒別的需要。