论文部分内容阅读
摘 要：对于物流行业中的寄取快递而言，安全和效率都非常重要。论文运用多任务卷积神经网络MTCNN和Facenet人脸识别方法，在轻量级微型电脑树莓派上搭建系统，采用Tensorflow框架，并在人脸检测过程中采用椭圆框选和姿态估计两次采集约束条件分别约束人脸位置和活体检测，实现人脸识别的功能。通过准确的人脸识别，规范寄取快递行为，运用多任务卷积神经网络的识别准确性和树莓派的轻便特性，在一定程度上提高快递寄取过程中的安全性和效率。
关键词：MTCNN;人脸识别;树莓派;快递寄取
0引言
随着快递业务的爆发式增长，落后的硬件设施、软件技术以及监管不到位的问题也随之显现，导致在快递寄取中出现了若干问题[1]。这些问题主要集中在两方面，一是效率低，传统取快递是通过取件码等待取件员查找领取;二是安全系数低[2]，如利用快递贩毒走私、运送违禁品、快递冒领、误领等情况时有发生。
论文基于人脸识别技术的有效性、安全性特點，通过研究人脸识别技术在快递寄取过程中的应用，运用人脸识别技术，开发和设计一个能精确识别人脸且搭载于轻量化微型电脑上的人脸识别系统。本系统的开发与应用可以一定程度上提高快递寄取过程中的安全性与效率。
1系统设计
系统的工作原理是：在自助取件快递柜屏幕区放置摄像头，如果有人取快递则摄像头会自动捕捉人脸，当人脸静止不动时摄像头自动对人脸进行拍照，拍照后树莓派对图片进行预处理、分割等一系列操作，将分割和预处理好的人脸图片上传至云端进行人脸对比，如果该人脸图像在数据库中存在，则提取该图像取件ID信息，将取件ID再次与快递柜中的取件ID进行对比，如果该取件ID存在于快递柜中，则打开相应的快递柜，否则提示“对不起，您没有待取快递”字样，并同时保存此人的人脸信息并生成新的ID。原数据库中的人脸图像通过两种方式获取，一种是在安装人脸识别模块初期手动录入小区或学校所有人脸图片，另一种在取件寄件过程中将但没有取件成功的人脸或第一次寄件的人脸图像自动保存到数据库中。
2相关算法
首先采用人脸检测算法MTCNN[3]检测出复杂背景下的人脸;其次把人脸图像输入到faceNet[4]中，计算特征向量;最后比较特征向量间的欧式距离，判断是否为同一人，例如当特征距离小于1的时候认为是同一个人，特征距离大于1的时候认为是不同人。
从图像中找到人脸位置，一般为了简化运算只需要得到人脸位置的两个坐标（左上角和右下角），通过这两个点围城一个矩形作为人脸所在区域。MTCNN（Multi-task Cascaded Convolutional Networks）算法通过3个CNN级联的方式对任务进行从粗到精的处理，可以同时完成人脸检测和人脸对齐的任务，相比于传统的算法，它的性能更好，检测速度更快[5]。
首先使用人脸分类的交叉熵损失函数，目的是检测是否人脸图像，如公式（1）所示：
上式中，是人脸识别的概率，只能取0或者1，是图像数据的标签。
边界框回归采用基于欧氏距离的回归函数：
上式为通过欧氏距离计算的回归损失。其中，表示回归框，通过网络预测得到，表示标注框，为实际的真实的背景坐标。
地标定位：
上式计算网络预测的地标位置和实际真实地标的欧式距离，并最小化该距离。其中，表示网络输出，为通过网络预测得到，表示标注点的位置，为实际的真实的地标坐标。
利用欧式距离计算向量的相似度，欧式距离越小相似度越大。采用基于深度学习算法的人脸识别系统，相比于传统系统人脸识别系统，在处理流程和处理思路上要求更高，难度系数也更大，且随着数据集的增扩，识别的准确率会越来越高。
3实验结果
3.1 MTCNN人脸检测
基于Facenet 项目实现的MTCNN 做人脸检测，使用tensorflow 作为深度学习框架，模型最终得到预测边框以及预测到的5个关键点。
3.2 采集约束
在实际实验过程中，在主动配合的人脸图像情况下，可以直接检测并获取该人脸图像，在不配合的人脸情况下，则无法获取该人脸图像，因此论文采用两个采集约束，即椭圆约束人脸框选位置及姿态估计约束人脸偏移角度确保实际人脸。椭圆约束是在屏幕上生成一个椭圆，通过椭圆来限制人脸位置。姿态估计约束指通过多帧之间偏移角度的连续性来判断是否是活体，在一定程度上抵御了照片的攻击。
3.3 人脸比对
检测到的最佳帧中的人脸图像通过深度神经网络提取特征，同时计算库中人脸的深度特征，比较待测人脸特征与人脸库中特征之间的距离，完成人脸识别。比对结果如图1所示：
4结论
论文是基于MTCNN和faceNet设计的人脸识别系统，实现对当前快递寄取环节的身份识别及认证，该系统会随着试验次数的增加，准确率逐渐增高，无限趋近于100%;采用树莓派检测人脸图像，由于树莓派体积小、成本低、便捷开发、云平台开发模式等优势，不需要上传图像至网络进行比对，大大提升了识别效率。通过准确的人脸识别，规范寄取快递行为，从而在一定程度上提高快递寄取过程中的安全性，避免人证不一，减少通过快递走私犯法的案件发生，提高身份验证的便利性;同时，通过快速的人脸识别，加快快递业务员的作业效率，也能提高快递业务环节的时效性，减少错取误取的情况发生。
参考文献
[1] 张锦，陈义友.物流“最后一公里”问题研究综述[J].中国流通经济，2015，29（04）：23-32.
[2] 黄惠良，吴志华.大数据时代的物流信息安全意识亟待强化[J].物流技术，2013（22）：18-23.
[3] 邵蔚元，郭跃飞.多任务学习及卷积神经网络在人脸识别中的应用[J].计算机工程与应用，2016，52（13）：32-37+88.
基金项目：中国物流学会中国物流与采购联合会（2020CSLKT3-222）.
作者简介：马京晶（1992—），女，四川苍溪人，助教，硕士，研究方向：人工智能、数据分析.
关键词：MTCNN;人脸识别;树莓派;快递寄取
0引言
随着快递业务的爆发式增长，落后的硬件设施、软件技术以及监管不到位的问题也随之显现，导致在快递寄取中出现了若干问题[1]。这些问题主要集中在两方面，一是效率低，传统取快递是通过取件码等待取件员查找领取;二是安全系数低[2]，如利用快递贩毒走私、运送违禁品、快递冒领、误领等情况时有发生。
论文基于人脸识别技术的有效性、安全性特點，通过研究人脸识别技术在快递寄取过程中的应用，运用人脸识别技术，开发和设计一个能精确识别人脸且搭载于轻量化微型电脑上的人脸识别系统。本系统的开发与应用可以一定程度上提高快递寄取过程中的安全性与效率。
1系统设计
系统的工作原理是：在自助取件快递柜屏幕区放置摄像头，如果有人取快递则摄像头会自动捕捉人脸，当人脸静止不动时摄像头自动对人脸进行拍照，拍照后树莓派对图片进行预处理、分割等一系列操作，将分割和预处理好的人脸图片上传至云端进行人脸对比，如果该人脸图像在数据库中存在，则提取该图像取件ID信息，将取件ID再次与快递柜中的取件ID进行对比，如果该取件ID存在于快递柜中，则打开相应的快递柜，否则提示“对不起，您没有待取快递”字样，并同时保存此人的人脸信息并生成新的ID。原数据库中的人脸图像通过两种方式获取，一种是在安装人脸识别模块初期手动录入小区或学校所有人脸图片，另一种在取件寄件过程中将但没有取件成功的人脸或第一次寄件的人脸图像自动保存到数据库中。
2相关算法
首先采用人脸检测算法MTCNN[3]检测出复杂背景下的人脸;其次把人脸图像输入到faceNet[4]中，计算特征向量;最后比较特征向量间的欧式距离，判断是否为同一人，例如当特征距离小于1的时候认为是同一个人，特征距离大于1的时候认为是不同人。
从图像中找到人脸位置，一般为了简化运算只需要得到人脸位置的两个坐标（左上角和右下角），通过这两个点围城一个矩形作为人脸所在区域。MTCNN（Multi-task Cascaded Convolutional Networks）算法通过3个CNN级联的方式对任务进行从粗到精的处理，可以同时完成人脸检测和人脸对齐的任务，相比于传统的算法，它的性能更好，检测速度更快[5]。
首先使用人脸分类的交叉熵损失函数，目的是检测是否人脸图像，如公式（1）所示：
上式中，是人脸识别的概率，只能取0或者1，是图像数据的标签。
边界框回归采用基于欧氏距离的回归函数：
上式为通过欧氏距离计算的回归损失。其中，表示回归框，通过网络预测得到，表示标注框，为实际的真实的背景坐标。
地标定位：
上式计算网络预测的地标位置和实际真实地标的欧式距离，并最小化该距离。其中，表示网络输出，为通过网络预测得到，表示标注点的位置，为实际的真实的地标坐标。
利用欧式距离计算向量的相似度，欧式距离越小相似度越大。采用基于深度学习算法的人脸识别系统，相比于传统系统人脸识别系统，在处理流程和处理思路上要求更高，难度系数也更大，且随着数据集的增扩，识别的准确率会越来越高。
3实验结果
3.1 MTCNN人脸检测
基于Facenet 项目实现的MTCNN 做人脸检测，使用tensorflow 作为深度学习框架，模型最终得到预测边框以及预测到的5个关键点。
3.2 采集约束
在实际实验过程中，在主动配合的人脸图像情况下，可以直接检测并获取该人脸图像，在不配合的人脸情况下，则无法获取该人脸图像，因此论文采用两个采集约束，即椭圆约束人脸框选位置及姿态估计约束人脸偏移角度确保实际人脸。椭圆约束是在屏幕上生成一个椭圆，通过椭圆来限制人脸位置。姿态估计约束指通过多帧之间偏移角度的连续性来判断是否是活体，在一定程度上抵御了照片的攻击。
3.3 人脸比对
检测到的最佳帧中的人脸图像通过深度神经网络提取特征，同时计算库中人脸的深度特征，比较待测人脸特征与人脸库中特征之间的距离，完成人脸识别。比对结果如图1所示：
4结论
论文是基于MTCNN和faceNet设计的人脸识别系统，实现对当前快递寄取环节的身份识别及认证，该系统会随着试验次数的增加，准确率逐渐增高，无限趋近于100%;采用树莓派检测人脸图像，由于树莓派体积小、成本低、便捷开发、云平台开发模式等优势，不需要上传图像至网络进行比对，大大提升了识别效率。通过准确的人脸识别，规范寄取快递行为，从而在一定程度上提高快递寄取过程中的安全性，避免人证不一，减少通过快递走私犯法的案件发生，提高身份验证的便利性;同时，通过快速的人脸识别，加快快递业务员的作业效率，也能提高快递业务环节的时效性，减少错取误取的情况发生。
参考文献
[1] 张锦，陈义友.物流“最后一公里”问题研究综述[J].中国流通经济，2015，29（04）：23-32.
[2] 黄惠良，吴志华.大数据时代的物流信息安全意识亟待强化[J].物流技术，2013（22）：18-23.
[3] 邵蔚元，郭跃飞.多任务学习及卷积神经网络在人脸识别中的应用[J].计算机工程与应用，2016，52（13）：32-37+88.
基金项目：中国物流学会中国物流与采购联合会（2020CSLKT3-222）.
作者简介：马京晶（1992—），女，四川苍溪人，助教，硕士，研究方向：人工智能、数据分析.