MTCNN和樹莓派的人臉識(shí)別快遞寄取系統(tǒng)研究獲獎(jiǎng)科研報(bào)告

MTCNN和樹莓派的人臉識(shí)別快遞寄取系統(tǒng)研究獲獎(jiǎng)科研報(bào)告

摘要：對(duì)于物流行業(yè)中的寄取快遞而言，安全和效率都非常重要。論文運(yùn)用多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)MTCNN和Facenet人臉識(shí)別方法，在輕量級(jí)微型電腦樹莓派上搭建系統(tǒng)，采用Tensorflow框架，并在人臉檢測(cè)過程中采用橢圓框選和姿態(tài)估計(jì)兩次采集約束條件分別約束人臉位置和活體檢測(cè)，實(shí)現(xiàn)人臉識(shí)別的功能。通過準(zhǔn)確的人臉識(shí)別，規(guī)范寄取快遞行為，運(yùn)用多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確性和樹莓派的輕便特性，在一定程度上提高快遞寄取過程中的安全性和效率。

關(guān)鍵詞：MTCNN;人臉識(shí)別;樹莓派;快遞寄取

0引言

隨著快遞業(yè)務(wù)的爆發(fā)式增長(zhǎng)，落后的硬件設(shè)施、軟件技術(shù)以及監(jiān)管不到位的問題也隨之顯現(xiàn)，導(dǎo)致在快遞寄取中出現(xiàn)了若干問題[1]。這些問題主要集中在兩方面，一是效率低，傳統(tǒng)取快遞是通過取件碼等待取件員查找領(lǐng)取;二是安全系數(shù)低[2]，如利用快遞販毒走私、運(yùn)送違禁品、快遞冒領(lǐng)、誤領(lǐng)等情況時(shí)有發(fā)生。

論文基于人臉識(shí)別技術(shù)的有效性、安全性特點(diǎn)，通過研究人臉識(shí)別技術(shù)在快遞寄取過程中的應(yīng)用，運(yùn)用人臉識(shí)別技術(shù)，開發(fā)和設(shè)計(jì)一個(gè)能精確識(shí)別人臉且搭載于輕量化微型電腦上的人臉識(shí)別系統(tǒng)。本系統(tǒng)的開發(fā)與應(yīng)用可以一定程度上提高快遞寄取過程中的安全性與效率。

1系統(tǒng)設(shè)計(jì)

系統(tǒng)的工作原理是：在自助取件快遞柜屏幕區(qū)放置攝像頭，如果有人取快遞則攝像頭會(huì)自動(dòng)捕捉人臉，當(dāng)人臉靜止不動(dòng)時(shí)攝像頭自動(dòng)對(duì)人臉進(jìn)行拍照，拍照后樹莓派對(duì)圖片進(jìn)行預(yù)處理、分割等一系列操作，將分割和預(yù)處理好的人臉圖片上傳至云端進(jìn)行人臉對(duì)比，如果該人臉圖像在數(shù)據(jù)庫中存在，則提取該圖像取件ID信息，將取件ID再次與快遞柜中的取件ID進(jìn)行對(duì)比，如果該取件ID存在于快遞柜中，則打開相應(yīng)的快遞柜，否則提示“對(duì)不起，您沒有待取快遞”字樣，并同時(shí)保存此人的人臉信息并生成新的ID。原數(shù)據(jù)庫中的人臉圖像通過兩種方式獲取，一種是在安裝人臉識(shí)別模塊初期手動(dòng)錄入小區(qū)或?qū)W校所有人臉圖片，另一種在取件寄件過程中將但沒有取件成功的人臉或第一次寄件的人臉圖像自動(dòng)保存到數(shù)據(jù)庫中。

2相關(guān)算法

首先采用人臉檢測(cè)算法MTCNN[3]檢測(cè)出復(fù)雜背景下的人臉;其次把人臉圖像輸入到faceNet[4]中，計(jì)算特征向量;最后比較特征向量間的歐式距離，判斷是否為同一人，例如當(dāng)特征距離小于1的時(shí)候認(rèn)為是同一個(gè)人，特征距離大于1的時(shí)候認(rèn)為是不同人。

從圖像中找到人臉位置，一般為了簡(jiǎn)化運(yùn)算只需要得到人臉位置的兩個(gè)坐標(biāo)（左上角和右下角），通過這兩個(gè)點(diǎn)圍城一個(gè)矩形作為人臉?biāo)趨^(qū)域。MTCNN（Multi-taskCascadedConvolutionalNetworks）算法通過3個(gè)CNN級(jí)聯(lián)的方式對(duì)任務(wù)進(jìn)行從粗到精的處理，可以同時(shí)完成人臉檢測(cè)和人臉對(duì)齊的任務(wù)，相比于傳統(tǒng)的算法，它的性能更好，檢測(cè)速度更快[5]。

首先使用人臉分類的交叉熵?fù)p失函數(shù)，目的是檢測(cè)是否人臉圖像，如公式（1）所示：

上式中，是人臉識(shí)別的概率，只能取0或者1，是圖像數(shù)據(jù)的標(biāo)簽。

邊界框回歸采用基于歐氏距離的回歸函數(shù)：

上式為通過歐氏距離計(jì)算的回歸損失。其中，表示回歸框，通過網(wǎng)絡(luò)預(yù)測(cè)得到，表示標(biāo)注框，為實(shí)際的真實(shí)的背景坐標(biāo)。

地標(biāo)定位：

上式計(jì)算網(wǎng)絡(luò)預(yù)測(cè)的地標(biāo)位置和實(shí)際真實(shí)地標(biāo)的歐式距離，并最小化該距離。其中，表示網(wǎng)絡(luò)輸出，為通過網(wǎng)絡(luò)預(yù)測(cè)得到，表示標(biāo)注點(diǎn)的位置，為實(shí)際的真實(shí)的地標(biāo)坐標(biāo)。

利用歐式距離計(jì)算向量的相似度，歐式距離越小相似度越大。采用基于深度學(xué)習(xí)算法的人臉識(shí)別系統(tǒng)，相比于傳統(tǒng)系統(tǒng)人臉識(shí)別系統(tǒng)，在處理流程和處理思路上要求更高，難度系數(shù)也更大，且隨著數(shù)據(jù)集的增擴(kuò)，識(shí)別的準(zhǔn)確率會(huì)越來越高。

3實(shí)驗(yàn)結(jié)果

3.1MTCNN人臉檢測(cè)

基于Facenet項(xiàng)目實(shí)現(xiàn)的MTCNN做人臉檢測(cè)，使用tensorflow作為深度學(xué)習(xí)框架，模型最終得到預(yù)測(cè)邊框以及預(yù)測(cè)到的5個(gè)關(guān)鍵點(diǎn)。

3.2采集約束

在實(shí)際實(shí)驗(yàn)過程中，在主動(dòng)配合的人臉圖像情況下，可以直接檢測(cè)并獲取該人臉圖像，在不配合的人臉情況下，則無法獲取該人臉圖像，因此論文采用兩個(gè)采集約束，即橢圓約束人臉框選位置及姿態(tài)估計(jì)約束人臉偏移角度確保實(shí)際人臉。橢圓約束是在屏幕上生成一個(gè)橢圓，通過橢圓來限制人臉位置。姿態(tài)估計(jì)約束指通過多幀之間偏移角度的連續(xù)性來判斷是否是活體，在一定程度上抵御了照片的攻擊。

3.3人臉比對(duì)

檢測(cè)到的最佳幀中的人臉圖像通過深度神經(jīng)網(wǎng)絡(luò)提取特征，同時(shí)計(jì)算庫中人臉的深度特征，比較待測(cè)人臉特征與人臉庫中特征之間的距離，完成人臉識(shí)別。比對(duì)結(jié)果如圖1所示：

4結(jié)論

論文是基于MTCNN和faceNet設(shè)計(jì)的人臉識(shí)別系統(tǒng)，實(shí)現(xiàn)對(duì)當(dāng)前快遞寄取環(huán)節(jié)的身份識(shí)別及認(rèn)證，該系統(tǒng)會(huì)隨著試驗(yàn)次數(shù)的增加，準(zhǔn)確率逐漸增高，無限趨近于100%;采用樹莓派檢測(cè)人臉圖像，由于樹莓派體積小、成本低、便捷開發(fā)、云平臺(tái)開發(fā)模式等優(yōu)勢(shì)，不需要上傳圖像至網(wǎng)絡(luò)進(jìn)行比對(duì)，大大提升了識(shí)別效率。通過準(zhǔn)確的人臉識(shí)別，規(guī)范寄取快遞行為，從