3D人脸识别技术在入侵监测系统中的应用研究

摘要：通过综合采用嵌入式微处理器、体感雷达传感器和人脸识别传感器等硬件模块设计了一种入侵监测系统，该系统具有入侵对象自动探测、人脸识别、非法对象标记、入侵告警和入侵行为统计等主要功能。在该系统中利用了双目立体视觉、主动红外补光、特定条纹结构光组合技术来进行活体的人脸识别，以防范非法对象的欺骗式入侵。测试结果表明，文章采用的人脸识别技术能对活体人脸进行可靠的检测识别，误识率低，而且设备布设简便，使用灵活，应用场合宽泛。

关键词：活体检测；3D立体成像；人脸识别；体感雷达；入侵监测

中图分类号：TP391    文献标识码：A

文章编号：1009-3044（2023）26-0023-03

开放科学（资源服务）标识码（OSID）

0 引言

入侵检测系统是利用传感器技术和电子信息技术探测非法对象进入防范区域、实时报警并进行应急处置的综合性安防系统，可广泛应用在敏感区域（如军事营区、政府部门等）、厂区、营业场所等，为防范非法侵入提供预防性警示，避免恶性事件发生。但目前的入侵监测系统多采用震动探测、红外探测、声响探测、激光探测和触发探测等被动防御手段，很难做到御敌于先，而且识别伪装性侵入的效果差，此外设备布防烦琐，应用不便[1]。而人脸识别技术是近来引起广泛关注的生物识别技术，它具有目标识别鲁棒性高、可同时识别多个目标、可对威胁等级进行评估等优点，还可以和门禁系统、报警系统有机结合构成功能更加丰富的组合式入侵监测系统，应用面宽[2]。但目前这类系统主要采用单目视觉成像，不能有效识别目标轮廓的深度特征，对伪装目标的识别效果不佳，特别是防范平面式成像载体的侵入（如照片、视频、头模等）效果差[3]。有鉴于此，探索研究一种基于3D人脸识别的主动式、高可靠性入侵监测系统非常必要。

1 系统功能与组成

本文将3D人脸识别技术应用于入侵监测系统[4-5]，系统具有“上位机+下位机”的分层架构，上位机主要用于探测识别入侵对象，下位机主要进行入侵行为的统计分析并进行远程监视。系统的主要功能如下：

1） 入侵对象探测

通过体感雷达传感器在一定范围内扫描探测入侵对象，若有对象进入则自动激活人脸识别设备工作。

2） 入侵对象人脸识别

激活后的人脸识别设备，实时采集入侵对象的3D人脸图像数据，并分别与合法对象数据库和非法对象数据库进行匹配比较，进而判别其身份。

3） 非法对象标记

对多次侵入的非法对象进行标记，拉入黑名单，并将其人脸图像数据存入非法对象数据库。

4） 非法入侵告警

通过人脸识别，若判别当前的对象非法，则一方面通过语音、灯光和警铃进行告警；另一方面通过传输网络上报给上位机，对侵入对象进行在线监视或遥控处置操作。

5） 入侵行为统计分析

对一定时间内，对非法入侵对象的人数、入侵时间、入侵姿态等信息进行统计，进而给下一步的安全防范提供信息支持。

可实现以上5项功能的系统组成结构如图1所示，系统主要分上位机和下位机两大部分。

其中下位机部分主要由单片机微处理器、体感雷达模块、人脸识别模块、大容量存储器和LED显示器等构成。体感雷达模块采用毫米波雷达技术来探测侵入对象的存在性和侵入距离，并自动激活人脸识别模组工作；人脸识别模块和大容量存储器共同构成人脸识别组件，其中存储器用来存放事前采集的合法对象人脸样本，人脸识别模块主要用来适时采集侵入对象的人脸图像并进行匹配识别；LED显示器用来显示人脸识别结果等提示信息；微处理器在后台进行全系统硬件的协调控制；当发现了非法侵入对象就通过声光报警模块进行告警。

上位机分部分主要包括两大模块，其中PC机用来对防区内所有的非法侵入对象进行监视、跟踪、统计和应急处置调度；手机用来显示入侵对象的人脸照片，进行伴随式告警提醒，协调安防人员统一行动。

2 系统设计

本系统硬件以微处理器为核心，基于模块思想搭建，其组成结构如图2所示。系统主要由嵌入式微处理器、人脸识别模块、体感雷达检测模块等6个功能模块构成。

体感雷达检测模块主要用于实时检测入侵对象[6]，若入侵对象进入到防范区域，通过该模块可实时得到入侵对象的距离和角度两维信息，并激活人脸识别模块工作。在本系统中选用了HLK-LD7901B人体存在感应雷达模块，它是一种基于79GHz毫米波的雷达感应模组，可在0.15m-15m距离范围内感知人体的存在，它通过串口与微处理相连，具有即插即用特点。

人脸识别模块用于采集入侵对象的人脸信息，并与预先存储的样本进行比对。若一致，则判别为合法对象，否则为非法对象[7]。本系统选用了A31L18M+视觉模组，它通过三个摄像头进行3D立体成像，并自带人脸识别算法，能自动完成人脸图像采集、人脸捕捉定位、人脸特征提取和与样本比对。该视觉模组与微处理器通过串口进行通信，微处理器可发出“样本录入”和“人脸识别”两类指令，进而控制该视觉模组在样本录入模式和人脸识别模式之间切换。

无线网络传输模块采用了8266Wi-Fi通信组件[8-9]，可将入侵对象的进入时间、性别、识别结果等参数通过Wi-Fi网络传输给移动监测端的手机，用于伴随式入侵监测。8266Wi-Fi组件通过串口与微处理器相连，工作前需要先配置网络的IP地址和端口号，网络连通后即可传送数据。

液晶显示模块主要用于图示化的人机交互操作。本系统选用了1.54寸OLED 12864液晶显示模块[10]，它通过I2C总线与微处理器相连。

嵌入式微处理器负责整个系统的协调控制。基于体感检测和人脸识别的需要，本系统选用了STM32F103C8T6型微处理器，其最高72MHz工作频率，256K片内容量和多达5个串口能满足本系统人脸识别和数据传输的需要。

3 人脸检测识别

在探测人体存在的情况下，通过人脸识别判断对象的属性是本系统的核心功能。而通常人脸识别主要分两个阶段，一是事前录入合法对象的人脸数据库。在录入过程中为了降低误识率可在不同的人脸倾角下，录入尽量多的样本；二是实时进行人脸识别。通过将实时采集的人脸图像与存储的人脸图像样本进行匹配比较。若一致，则为合法对象，否则为非法对象[11]。

为了有效屏蔽照片、视频及各种头模和假人的非法侵入攻击，提高对入侵对象检测的可靠性，本系统选用了A31L18M+视觉模组，它支持多模态活体检测，并支持最多100个人脸的样本数据库，且人脸识别快速，识别时间小于1秒。而为了提高人脸识别的精度，降低误识率，该模组综合采用了双目立体视觉+主动红外补光+条纹结构光组合技术[12]。通过采用双目立体视觉技术，利用双摄像头，基于视差原理可获取入侵对象的3D人脸数据。而 3D人脸数据比2D人脸数据多了一维深度信息，因此能更准确地表达出人脸各个角度的特征，人脸模型也更精确，活体检测的准确度也更高；此外该模组还通过激光头发射特定条纹的结构光，该结构光在不同的人脸部位会产生不同的形变，而通过检测这些不同的形变就可得到人脸的深度数据，将该深度数据和通过双目立体视觉得到的深度数据进行融合，可在50毫米的基线下测量0.2米到6米范围内的深度信息，1米距离内的探测精度可达1毫米。因此通过数据融合就可精确地重构出人脸的三维模型；而且该视觉模组还通过主动红外补光，可在低照度昏暗环境中对人脸进行可靠的检测识别。

人脸检测和识别的基本流程如图3所示。

系统工作时，先通过双目摄像头采集包含人脸的整幅原始图像，并对该图像进行光线补偿、灰度校正、几何校正、噪声过滤及锐化等预处理以降低随机干扰的影响。然后再采用边缘检测等方法检测人脸在整幅图像中的位置，达到人脸检测捕获的目的。接着再精细分割图像来标记人脸的坐标，给眉毛、眼睛、鼻子、嘴巴、下巴、耳朵和脸部轮廓等特征点进行定位，再通过若干组多维特征向量来表示各个特征点的信息，这些信息中通常包括RGB色度信息、灰度信息和深度信息等数据。人脸识别主要是计算欧氏距离，即计算实时采集的人脸特征数据与样本数据库中的人脸特征数据之间的多维差值，并将欧式距离与预先设定的阈值进行比较，若小于阈值，则人脸识别成功，表明该人脸图像存在于样本数据库中，为合法对象，否则表明当前对象为非法入侵对象。

4 系统测试

为了检测本系统对非法对象的识别情况，利用搭建完成的系统样机在不同照度环境、不同侵入姿态和不同侵入载体等情况下进行了测试。对于不同的照度环境，测试时设置了两种场景，一种是日光情况下的常规使用场景，另一种是夜晚没有补光灯情况下的低照度昏暗场景；对于不同的侵入姿态，主要针对入侵对象以正脸、15°侧脸、30°侧脸、45°侧脸四种方式进行了人脸识别测试；对于不同的侵入载体，主要对比测试了真人和照片两种载体。此外在测试前，在0°～45°范围内，以15°为间隔，提前采集录入左右两侧、不同角度的人脸样本并存入数据库，合计每个测试对象录入8组样本。在实际测试中若不能得到正确的人脸识别结果，说明在合法的样本数据库中没有该对象，亦即表明识别出了非法侵入对象。测试结果分别如表1和表2所示，而且测试结果也通过图4所示的系统上位机监测软件截图，较全面地展示了入侵监测的总体情况。

测试结果表明，在不同的测试条件下人脸识别均在1秒内完成，满足人脸识别的快速性要求。当侵入对象的姿态小于30°时，能得到更丰富的人脸特征数据，正确识别率也更高。当侵入对象的姿态大于30°时，人脸特征数据明显减少，正确识别率也迅速下降。由于本系统采用的A31L18M+视觉模组具有主动红外补光功能，因此在低照度情况下也能可靠地进行人脸识别。采用照片这种平面载体进行人脸识别时，由于不具备活体生物特征，因此得不到正确的识别结果，亦即表明能准确判断其为非法入侵对象。

5 总结

随着信息处理技术和大数据挖掘技术的飞速发展，人脸识别已逐步融入人们生活的各个角落，并在诸多领域发挥着越来越重要的作用。具体到入侵检测领域，基于活体检测的3D人脸识别技术能有效防范利用照片、视频及各种头模和假人的攻击，相比其他检测手段，对伪装对象的检识率高、误识率低，而且系统设备组配简单，布防灵活，非常适合在敏感区域（如野战营区、临时演习场等）用于安防警戒，防范非法对象的入侵。

参考文献：

[1] 黄帅凤，汤丽娟.人脸识别技术综述[J].中国高新科技，2022（8）：10-11.

[2] 庄薪霖.人脸识别方法综述[J].科技创新与应用，2022，12（2）：130-132.

[3] 朱彦颖，赖芝岑，李凡，等.基于人脸识别的实验室考勤系统[J].物联网技术，2023，13（1）：14-16.

[4] 黄勇.基于人脸识别的学校考勤系统设计[J].电脑编程技巧与维护，2023（1）：127-130.

[5] 洪小坚，陈志聪.基于动态人脸识别的智慧班牌系统的设计与实现[J].数字技术与应用，2022，40（12）：180-182.

[6] 刘珊珊，冯丽，任萌.基于ARM+Linux的校园智能人脸识别门禁系统[J].信息与电脑（理论版），2022，34（22）：150-152.

[7] 沈蕴梅.基于百度AI人脸识别技术的智能照片搜索系统[J].现代信息科技，2022，6（21）：17-20.

[8] 李春梅，张扬，陈静雪，等.人脸识别与高校学生考勤系统[J].科技视界，2022（28）：25-27.

[9] 王权汉.基于人脸识别的考勤系统设计与实现[J].电子技术与软件工程，2022（19）：167-170.

[10] 林进浔，林伯开，郑福，等.面向工地疫情防控的人脸识别系统设计与实现[J].福建电脑，2022，38（9）：98-101.

[11] 李伯星.基于人脸识别技术的门禁系统应用研究[J].电子技术与软件工程，2022（15）：148-151.

[12] 李慧楠.基于人脸识别的船舶驾驶员疲劳检测系统的研究[D].桂林：桂林电子科技大学，2022.

【通联编辑：梁书】