智能楼宇行业人脸应用解决方案

admin

第1章 系统概述
1.1 人脸概述
人脸识别技术是基于人的脸部特征，对输入的人脸图像或视频流，首先判断是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个面部器官的位置信息，并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。
人脸与人体的其它如指纹、掌纹、虹膜、视网膜等具有唯一生物特征性，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：
非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；
非接触性：用户不需要和设备直接接触就能获取人脸图像；
并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；
视觉特性：“以貌识人”的特性，操作简单、结果直观、隐蔽性好；
人脸识别技术主要包括四个组成部分：人脸图像检测及采集、人脸图像预处理、人脸图像特征提取以及人脸特征数据匹配与识别。
人脸图像采集及检测：基于人的脸部特征，对输入的人脸图像或视频流，首先判断是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个面部器官的位置信息。
人脸图像预处理：对于人脸的图像预处理是基于人脸采集及检测结果，通过人脸智能算法，对选择出来的人脸图片进行优化和择优选择，挑选当前环境下最优人脸并最终服务于特征提取的过程。其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。
人脸特征比对识别：通过采集到的人脸图片形成人脸特征数据，与后端人脸库中的人脸特征数据模板进行搜索匹配，通过设定一个阙值，相似度超过这一阈值，则把匹配得到的结果输出。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。
1.2 行业需求社会信息化安全进程的快速发展，人脸识别技术的应用已逐渐渗透到人类生存、活动的各个领域，并且受到了社会各个领域的重点关注。
在智能楼宇行业，人脸门禁、人脸考勤、企事业访客、活动签到、公安人脸布控、酒店住客身份登记等，甚至消费支付方式都在引入指纹、人脸等生物识别技术进行身份安全确认；
针对各个环境下的人员管理复杂困难度，人脸识别技术有效增加了楼宇、企事业等人员身份安全进出管理效率、活动签注准确度及安全性。
1.3 需求分析
楼宇的人员进出及人员身份安全管理包括门禁刷卡进出，企事业单位的刷卡考勤、活动签到以及纸质签注访客身份信息，小区人脸布控等还处在大量保安人力管理的传统方式下，在效率及人员信息数据管理等存在极大的不足及困难；
门禁：刷卡进出呼叫安保人员确认开门，存在无法确认进出人员身份，卡容易丢失；
考勤：无法确认刷卡人员身份，容易代打卡，卡容易丢失；
活动签到：纸质文字签到无法确认签到人员身份，容易冒名顶替；
访客：纸质文字签到与身份证核对，效率低下，无法有效记录全访客人员信息；
小区布控：小区安保人员无法确认非法进出人员身份，人为安全事故常发；
酒店住客身份登记及验证：客人入住酒店，无法确认客人和客人提供的身份证是否是同一个人？存在监管的漏洞。
通过采用XXX先进高效的人脸识别系统，配合楼宇人脸门禁系统、小区/园区出入口人脸布控系统、酒店人证合一系统等，形成多功能化综合人脸应用系统，确保小区、企业、酒店等人员安全进出及进出人员身份信息的登记核对管理。
第2章 人脸应用重点场景
2.1 人脸门禁
通过人脸识别门禁系统，加强小区、企业生产园区、办公楼宇、仓库厂房等门禁出入管理控制，完全使用人脸识别技术替代刷卡、密码等门进出入方式，做到精准识别、安全门禁人员进出。
2.2 人脸考勤
利用人脸识别进行企事业单位人脸考勤，做到无接触、精准身份信息确认，防止代打卡情况发生，并可通过视频进行事后准确复核考勤记录，做到有据可查，实时效率大大提升。
系统可与HR（HRM/SAP）系统进行数据对接，实现人脸考勤数据实时互通及保存备份。
2.3 企事业访客
访客系统利用人脸识别进行访客人员身份信息确认，简化访客登记流程，提高企事业单位及园区安全等级，提升企业园区访客进出体验与企事业园区形象等，并有效提高接待人员接待工时，配合XXX门禁系统，实现人脸访客企事业园区安全进出管理。
2.4 活动签到
活动签到免除人工纸质签注记录，利用人脸识别进行活动人员名单记录及身份信息确认，有效避免代签注及真实记录活动人员身份信息；
2.5 小区人脸布控
人脸识别部署在小区出入口、单元门等场所，对进入小区的居民、租客和外来人员进行出入管控，通过高清视频结合人脸识别，将惯犯、危险人员照片录入人脸数据库（可与公安进行人脸数据对接），一旦闯入小区能第一时间发现潜在的危险，并且可进行人脸路径追踪，有效加强小区安保强度。
2.6 酒店住客&
访客身份登记及验证酒店住客身份登记及验证系统采用认证一体机设备，部署在酒店的前台，
住客或访客于前台登记时，出示身份证，通过人证识别一体机验证身份真伪、读取身份证信息、抓拍记录登记人员，并自行将抓拍人脸与身份证照片进行比对，识别持证人与证件是否为同一人，加强酒店反恐的安全。
第3章 人脸系统设计
3.1 人脸门禁考勤方案（前端比对）
3.2 小区/单元门人脸布控方案
3.2.1 业务需求在企业园区/小区出入口、单元门等场所，外来人员、租客、访客非常的多，如何对进入企业园区/小区的居民、租客和外来人员进行出入管控，通过高清视频结合人脸识别，将惯犯、危险人员照片录入人脸数据库（可与公安进行人脸数据对接），一旦闯入小区能第一时间发现潜在的危险，并且可进行人脸路径追踪，有效加强企业园区/小区安保强度。
3.2.2 设计思路人脸布控方案采用后端的人脸比对方案，即采用具有完全自主知识产权的人脸检测算法、人脸跟踪算法、人脸抓拍算法、人脸质量评分算法及人脸识别算法、并结合配套的前端摄像机机设备和后端智能分析服务器，实现了实时人脸抓拍建模、实时人脸比对、静态人脸图片检索等功能。
本方案针对人脸注册库/人脸抓拍库动态30万的系统，前端采用高清网络摄像机，在多路前端摄像机环境下，通过人脸检测服务器对实时视频中出现的人脸进行检测抓拍并上传人脸照片至人脸识别服务器，人脸识别服务器对抓拍的照片进行数据库一对一（N）模式对比，从而实现人脸精确识别。
3.2.3 系统架构

3.2.3.1 系统构架逻辑架构如下：

系统业务逻辑包含三块内容：
人脸采集系统：人脸采集系统包括普通高清网络摄像机及人脸检测服务器，将前端采集到的视频图片等非结构化数据进行分析处理，定位检测获取人脸图片。
人脸比对系统：人脸比对识别系统是对人脸采集系统传输的数据进行智能分析处理，进行人脸建模，通过人脸眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，进行人脸特征数据提取入库，并根据考勤业务需求进行二次人脸确认和事后人脸检索应用。
人脸库：人脸库包括人脸抓拍库、人脸注册库，其中抓拍库包括场景图片、场景下扣取的人脸图片、人脸特征数据，是人脸采集系统采集的人脸图片存储库，用于人脸比对识别系统进行人脸图片比对检索；注册库包括标准人脸图片、人员身份信息、人脸特征数据，用于人脸比对系统进行人脸图片比对检索。
人脸抓拍库做为静态库，适用于事后查询检索目标、人脸注册库作为动态库，用于实时比对报警，与前端实时视频进行人脸比对报警。
其中抓拍库因人流量和随着时间将越来越大，需根据项目情况合算存储设备大小。人脸注册库库数据由或专业人员导入，存储大小一般有微调，但是不会有数量级上的变化。

系统拓扑架构如下：

人脸识别系统由前端摄像机、人脸检测服务器、人脸识别服务器、人脸识别系统平台、人脸数据库及存储设备等组成；
前端摄像机：前端摄像机使用高清网络摄像机，主要实现图像采集、编码等功能；
人脸检测服务器：人脸检测服务器搭配高清网络摄像机对传输的实时视频流进行人脸检测、定位、跟踪、人脸图片选优，将人脸图片进行扣取，传输到识别服务器进行人脸建模、比对及存储；
人脸识别服务器：利用XXX自主研发的人脸识别算法，对人脸检测服务器传输的人脸小图进行建模和结构化，获取人脸特征数据后为人脸实时对比识别、人脸后检索等功能提供算法支持；
DSS综合管理平台：人脸识别系统平台主要实现人脸系统相关的设备管理、识别场景规则设置、报警联动等配置和管理，并结合客户端实现对图像的预览检索、各种报警信息的查看等操作。
人脸数据库服务器和人脸图片存储设备：人脸数据库专门用于存储人脸系统的人脸数据，主要包括抓拍库人脸特征向量、注册库人脸小图、注册库人脸特征向量；抓拍库图片（人脸小图和抓拍大图）存储在人脸识别服务器中，当识别服务器存储容量不足时，可扩展IPSAN设备或云存储等方式进行存储；
3.2.3.2 人脸采集设计
(1)、 人脸采集设计

人脸识别系统采集有如下方式进行人脸采集录入：
1. 固定视频摄像头人脸/单元门门口机摄像头人脸采集
2. 移动终端拍照人脸采集
3. 身份证人脸信息采集
4. 网络上传人脸信息采集
以上方式进行人员人脸采集录入验证，快速导入人脸注册库,进行人脸注册。
(2)、 性能指标要求
人脸识别系统性能指标主要包括人脸抓拍率、建模成功率和识别成功率及系统性能指标。
n 人脸抓拍率
在符合施工规范（左右旋转[-30°,30°]，俯仰角度[-15°,15°]，平面旋转[-15°,15°]）、光线较好的场景（人脸光照亮度250~800Lux）下，正常人脸的抓拍率可达95%以上。
n 建模成功率
人脸抓拍库：人脸抓拍库中的数据由前端采集并进行结构化处理，输出人脸图片和人脸特征向量，在建模时对抓拍的人脸进行筛选，对抓拍到的人脸建模成功率基本可达100%。
n 识别成功率
人脸比对性能与注册图像质量和数据库大小密切相关，性能指标主要从由两个指标进行衡量：误拒率和误识率，误拒率是指人员漏报的比率，误识率是指错误报警的比率。一般情况下如果错误报警越多（误识率越高），那么漏报的可能性就越小（误拒率越低），如果错误报警越少（误识率越低），那么漏报的可能性就越大（误拒率越高）。
一般情况下，识别成功率可达96%以上，系统可根据实际需要设置不同的人脸相识度阀值来调节识别率。另外，人脸比对性能和注册图像质量、数据库大小、环境、光线等因素影响很大，具体比对性能视实际场景及实际注册图像质量而定。
n 系统性能
单台支持4路1080P的视频接入检测抓拍；1080P分辨率下检测所需最小人脸像素大小60*60；同时可以对画面中最多20个的人脸进行检测抓拍，检测准确率95%。
人脸特征向量大小在2KB左右，人脸识别像素大小支持100×100；实时识别-支持30W的注册库，人脸抓拍库检索性能-最大可支持300W库人脸检索。
视频存储与传统视频监控计算方式相同，可项目实际情况修改，根据实际产品进行计算，需要明确选择的盘位数和所选单盘空间。
3.2.3.3 系统前端设计人脸识别前端主要分为：
普通高清IPC（单元门口机IPC摄像机）-后端直接接入人脸识别服务器，人脸识别服务器上需部署人脸检测服务、人脸识别服务；
2 人脸大小： 100像素以上(双眼距离大于50像素)
2 角度： 上下角度在30度以内，左右角度在15度以内(眉尖可见)
2 图像质量： 聚焦清晰，光照均匀，避免逆光、测光，必要时进行补光
2 其他： 表情自然，避免帽子、围巾、墨镜等遮挡面部信息
(1)、 前端点位设计
n 安装角度要求
前端摄像头与水平线的夹角α最好在-15°度到15°度之间，且人脸的宽度像素不小于100*100像素。
n 人脸大小和姿态要求
左右旋转[-30°,30°]，俯仰角度[-15°,15°]，平面旋转[-15°,15°]，免冠，不戴墨镜、口罩、帽子等遮挡面部的饰物，眼镜框、头发不遮挡眼睛；
n 环境光照要求
人脸采集区域无逆光，面部无明显反光，光线均匀且无阴影。另外，为保证抓拍人脸时现场光照足够，建议若镜头画面中人脸不够亮时，需要相应增加照明设备，对人员脸部补光（一般应达到250~800Lux）。
(2)、 采集场景要求
n 采集场景环境要求
采集环境在室内，架设摄像头方式为高度>=2米，长度>=1米，宽度>=2米
n 环境光照要求
无逆光，人脸面部无明显反光，光线均匀无阴影。保证抓拍人脸时现场光照足够，相应增加照明设备，对人员脸部进行补光（应达到250~800Lux）。
n 摄像机安装
摄像机采用壁挂方式安装，安装高度距离地面2米-2.5米，安装距离距被采集人员点位1-1.5米。
n 人员采集点位
确定被采集人员点位，若环境光低于人脸采集要求，则摄像机周边需要安装光源进行补光，采集人员背后不要有强光源。
n 摄像机调整
安装人员站到采集点位，调整摄像机上下角度与焦距，使人脸位于图像中心位置，对人脸进行对焦，调整清晰度到最佳。
n 安装角度要求
摄像机镜头调整与垂直线的夹角在15°度到30°度之间。
n 安装距离要求
摄像机选用百万像素高清网络摄像机。建议选用2.8mm(或者3.6mm)镜头。
n 人脸大小和姿态要求
人脸距离摄像机中心左右偏离±10°，上下偏离±15°，平面偏离±15°以内，免冠，不戴墨镜、口罩、帽子等遮挡面部的饰物，眼镜框、头发不遮挡眉毛眼睛。
3.2.3.4 系统存储设计人脸系统存储内容主要包括以下方面：
1、人脸注册库存储：包括人脸图像和结构化的特征数据，是对富士康员工建立的人员库，在人脸识别库中充当标准库，供人脸系统查询比对。
2、人脸抓拍库存储：包含实时抓拍的现场图像、人脸小图和结构化的特征数据，在人脸识别系统中充当实时抓拍下来的员工面部特征库，供人脸系统检索比对。
3、视频录像存储：针对系统需要存储实时视频进行视频搜索，可通过DSS平台挂载存储设备存储前端实时视频录像；或在前端路数较多情况下，可以通过前端直连NVR进行视频存储，减轻平台转发存储负担。

其中，前端摄像机抓拍到的现场图片和人脸小图存储在识别服务器中，一般人脸识别服务器存储容量较小，在无法符合大量的抓拍图片时，可挂载IPSAN或者使用云存储等进行扩展存储；抓拍库人脸特征数据存储在人脸数据库中，特征数据较小，一条人脸特征数据大小约为2KB；后端人脸注册库中的人脸图片和人脸特征数据和人员身份信息存储在人脸数据库中，标准配置支持30W注册库存储；
(1)、 图片存储计算
人脸识别系统中人脸特征数据包括两个部分：
1、抓拍库人脸特征数据
2、注册库人脸特征数据
每条人脸特征数据大小约2KB，300W抓拍库、300W注册库约占空间5.7GB×2=11.4GB。
图片存储要求：图片存储12个月，每路每分钟抓拍10张，工作时间10小时，一天存储,6000张图片。
存储一天的容量计算：0.3MB×10×60×10≈1.8G
存储12个月共需：1.8G×360≈0.63T
(2)、 视频存储计算
一般使用摄像机主码流进行前端摄像机人脸抓拍，辅码流进行录像存储。录像存储方案可将前端直连NVR，NVR直接存储摄像机录像；或通过8900挂载IPSAN方式进行录像存储。
人脸识别系统前端摄像机选用200W像素摄像机为例，视频存储按要求一般存储3个月。
1路前端视频存储容量计算：4Mb×60S×60MIN×24H×90天÷8≈3.7T
50路前端视频存储容量计算：3.7T×50=185T
3.2.3.5 系统数据对接人脸系统可与HR系统、物业系统等进行对接，实现人脸数据互通，联动门禁、人行道闸、访客等系统。
3.2.4 业务流程

实时视频人脸比对：普通高清网络摄像机通过人脸检测服务器或专业人脸抓拍相机分析视频中的人脸，提取人脸图片转发给人脸识别服务器，人脸识别服务器通过智能算法，从抓拍的人脸中提取特征数据，与注册库中的人脸特征数据库进行遍历检索，最后由平台展现人脸比对结果。
图片检索人脸比对：通过平台客户端提交需检索的人脸图片，人脸识别服务器提取人脸图片特征数据，与人脸抓拍库或人脸注册库中的人脸特征数据进行比对，最后由平台展现人脸比对结果。
3.3 酒店住客&访客身份登记及验证3.3.1 业务需求酒店住宿实名认证已经推行了很多年，为我们的生活提供了安全保障，但是随着时间的推移，也发现其中存在着很多弊端，比如我们随便拿一张身份证都可以去登记住宿，不能准确的说明证件就是本人。
传统的身份验证方式为人工审核，完全依靠值班人员主动意识及主观判断，且无有效监管方式，存在多方面漏洞。而根据《反恐法》规定，酒店若未按规定对客户身份进行查验，或者对身份不明、拒绝身份查验的客户提供服务的，由主管部门处10万元以上50万元以下罚款，并对其直接负责的主管人员和其他直接责任人员处10万元以下罚款。在此背景下，对酒店经营管理而言，如何完善住客及访客登记验证管理流程至关重要，传统管理人工核验的方式已无法应对现阶段管理需求。
3.3.2 设计思路我司结合酒店行业管理需求，为酒店提供如下方案：
前台登记，于酒店前台部署人证识别一体机，住客或访客于前台登记时，出示身份证，过人证识别一体机验证身份真伪、读取身份证信息、抓拍记录登记人员，并自行将抓拍人脸与身份证照片进行比对，识别持证人与证件是否为同一人；
为避免人工管理环节疏漏或住客访客故意逃避登记，酒店监控中心部署管理平台及人脸比对服务器，酒店前台已登记人员人脸图片统一上传人脸库，于首层大堂电梯厅、楼梯口等必经通道部署人脸抓拍机，对进入区域的所有人脸做抓拍，与已登记人员做比对，发现未登记人员时，联动监控中心报警，联动前台客户端报警、视频及图片弹窗。
3.3.3 系统架构

整个方案分为二个部分：
第一个部分：住客在酒店前台人证合一比对，即住客的人脸信息和身份证中的人脸信息比对，最终的目的是确认住客的身份。
第二个部分：住客进入房间的比对，采用白名单比对的方案，即人脸抓拍的摄像机照片与人证一体机身份证照片比对。针对酒店访客可以与公安黑名单库比对。
3.3.4 业务流程前台登记流程如下：
住客：前台出示身份证，人证识别一体机读取身份证信息、人证比对成功，向平台推送人脸信息，值班人员正常办理入住流程；
访客：值班人员联系被访人核实访客信息，值班人员通过客户端记录来访事由，访客出示身份证，人证识别一体机读取身份证信息、人证比对成功，向平台推送人脸信息。前台收押访客证件，为访客发放临时卡，访客离开时交还临时卡，收回证件；
首层必经通道二次核验流程：
住客、访客进入监控区，系统抓拍人脸与已登记人脸做比对，若识别到未登记人脸，监控中心客户端告警弹窗、前台客户端告警弹窗，提醒保安及前台值班人员处理。