智能分析技术在轨道安防系统应用浅析

成都弱电公司讯：

现阶段，视频智能分析在轨道交通行业中主要应用包含几大类：行为分析即拥挤侦测、徘徊侦测、逆向侦测等；特征辨认即人脸辨认系统等；图像质量自动巡检即系统自动对前端摄像机采集图像质量进行分析报警等。由于当前智能分析在轨道行业应用尚处于起步阶段，本着从事实出发的原则，下文着重结合实际工程案例，着重探讨人脸辨认和自动巡检两项技术的应用。

人脸辨认系统

XX市轨道交通一号线共有20个车站，在每个车站的出入口闸机设置8套人脸辨认设备，共160套，对出入闸机的乘客面部特征实时采集，并与后台公安部犯罪人员库进行实时比对报警。

通常头像正面位置是人脸辨认系统最佳的工作位置，但只要能同时看到两只眼睛就可以辨认人脸，而姿势变化在35度范围内也不会影响辨认效果。轨道出入口闸机作为特殊的通道具有天然的场景优势，摄像机可以很容易捕捉到乘客的面部特征，为公安机关抓捕犯罪分子和犯罪嫌疑人提供了一种行之有效的手段。

人脸辨认包含人脸检测、人脸跟踪与人脸比对等技术。人脸检测是指在动态的场景与复杂的背景中，判断是否存在人脸并分离出人脸。人脸跟踪指对被检测到的人脸进行动态目标跟踪。人脸比对则是对被检测到的人脸进行身份确认或在人脸库中进行目标搜索。

人脸检测分为参考模板、人脸规则、样本学习、肤色模型与特征子脸等方法。参考模板方法首先设计一个或数个尺度人脸模板，然后计算测试样本与尺度模板之间的匹配程度，通过计算机比对来判断是否存在人脸；人脸具有一定的结构分布特征，人脸规则即提取这些特征生成相应的规则以判断是否测试样本包含人脸；样本学习则采用模式辨认中人工神经网络方法，通过对人脸样本集和非人脸样本集的学习产生分类器；肤色模型依据人脸肤色在色彩空间中分布相对集中的规律来进行检测；特征子脸将所有人脸集合视为一个人脸子空间，基于检测样本与其在子空间的投影之间的距离判断是否存在人脸。

人脸跟踪一般采用基于模型的方法或基于运动与模型相结合的方法，另外，肤色模型跟踪也是一种简朴有效的手段。人脸比对从本质上讲是采样人脸与库存人脸的依次比对并找出最佳匹配对象。因此，人脸的描述决定了人脸辨认的具体方法与性能。本系统主要采用特征向量法先确定瞳孔、鼻翼、嘴角等人脸五官轮廓的大小、位置、距离、角度等等属性，然后计算出它们的几何特征量，这些特征量形成描述该人脸的特征向量。

XX市轨道交通一号线的人脸辨认系统采用局部特征分析算法，具有速度快，误认低，无需学习。其主要利用人脸各器官及特征部位的方位、比例、对应几何关系等数据形成辨认参数，与数据库中所有原始参数比较、判断、确认。

局部特征分析源于类似搭建积木的局部统计的原理，是基于以下事实的一种计算方法，即所有的人脸(包括各种复杂的式样)都可以从由很多不能再简化的结构单元子集综合而成。这些单元使用了复杂的统计技术而形成的，它们代表了整个人脸。他们通常跨越多个象素(在局部区域内)并代表了普遍的面部形状，但并不是通常意义上的面部特征。实际上面部结构单元比人脸的部位要多得多。

然而，要综合形成一张逼真，精确的人脸，只需要整个可用集合中很少的单元子集(12-40特征单元)。要确定身份不仅仅取决于特性的单元，还决定于他们的几何结构(好比他们的相关位置)。

通过这种方式，局部特征分析将个人的特性对应成一种复杂的数字表达方式，实现对比和辨认。