基金项目：华南理工大学广州学院大学生创新创业训练计划项目（编号：56JY200508） 收稿日期：2020－11－13
黄原有，阳韬※，张杨志
（华南理工大学广州学院，广州
510800）
摘要：研究运用卷积神经网络实现对司机的人脸识别，以提高车辆的安全性能。系统事先采集车辆司机的照片，进行模型的训练。在应用当中，通过摄像头采集驾驶位的驾驶人员图片，并运用树莓派上传到云服务器端，将采集到的照片导入已训练的模型，进行图片的识别。如若识别图片为司机，则开启汽车电源，否则将发送消息给车主，并发出警报和关闭汽车电池。经过测试，模型的识别率大于80%，因此可运用人脸识别技术来提高车辆的安全性。关键词：人脸识别；车辆安全；卷积神经网络中图分类号：TP391.41 文献标志码：A
文章编号：1009－9492(2021)05－0112－03
Vehicle Safety System Based on Face Recognition
Huang Yuanyou ，Yang Tao ※，Zhang Yangzhi
（Guangzhou College,South China University of Technology,Guangzhou 510800,China ）
Abstract:In order to improve the safety of the vehicle,convolution neural network was used to realize the driver's face recognition.The system collected photos of the vehicle driver in advance to train the model.In the application,the driver's picture in the driving position was collected through the camera,and uploaded to the cloud server using the Raspberry Pi,and the collected photos were imported into the trained model for picture recognition.If the picture was identified as the driver,turned on the power of the car,otherwise,a message would be sent to the owner,
an alarm would be issued and the car battery would be turned off.After testing,the model's recognition rate is greater than 80%,so face recognition technology can be used to improve vehicle safety.
Key words:face recognition;vehicle safety;convolutional neural network
第50卷
第05期
Vol.50No.05
机
电工程技术
MECHANICAL &ELECTRICAL ENGINEERING TECHNOLOGY
DOI:10.3969/j.issn.1009-9492.2021.05.030
黄原有，阳韬，张杨志.基于人脸识别的车辆安全系统［J ］.机电工程技术，2021，50（05）：112-114.
0引言
基于人脸识别的车辆安全系统主要通过Jetson Nano 人工智能处理器驱动摄像头，采集驾驶位司机的图片，通过4G 模组将图片信息上传到云服务器端。服务器端将接收到的图片采用Mctnn 模型进行人
网上订书脸的检测，并将其转化为灰度图，保存图片。最后，将司机的图片导入训练精度达到90%的模型进行图片的预测，如若图片的相似度为大于80%，识别为司机，否则将识别为陌生人。与此同时，服务器端将识别的记录保存，并发出警报消息给车主的手机App 和关闭汽车的能源电池，以提高车辆的安全性。目前发展的车辆安全系统[1]，主要是采用一些传感器监测车辆的驾驶状态，反馈给后台管理系统。而人脸识别[2]车辆安全系统，主要是基于卷积神经网络对采集到的司机图片进行模型的训练，每一轮将预测训练集图片的值和图片的标签值进行比较，差值越小，模型的训练精度越高，训练好模型后保存。在实际应用中，则放入采集的司机图片导入模型，进行匹配，识别司机是否为陌生人。因此，可用人脸识别安全系统来提高车辆的安全性，也可应用于一些大客车，识别驾驶司机是否为公司聘请的专业司机，以此来保证乘车人员的安全。
1整体设计
如图1所示，基于人脸识别的安全系统，主要是通过Jetson Nano 智能处理器驱动摄像头，采集驾驶位司机的图片，并通过处理器上的4G 模组将图片信息上传到服务器，并保存原图像，以便当识别司机为陌生人时，能获取犯罪嫌疑人的证据。云服务端并将采集到的图片信息导入模型进行图片的匹配，当预测图片的相似度小于
图1
系统整体设计
·
·112
80%，则认为是陌生人。服务器将通过4G 模组发送识别失败的信息给Jetson Nano 智能处理器，Jetson Nano 则通过GPIO 串口将识别的结果发送给Stm32单片机。Stm32接收到识别的信息后将发送语音信号给语音模块使其发出识别失败的语音提示和报警声，并发送控制信号给继电器[3]关闭能源电池。除此之外，服务器端还会推送汽车被盗或者非法人员驾驶的预警信息给手机App ，通知车主其车辆处于报警状态。当预测照片的相似度大于80%，则识别为司机，服务器端发送识别成功信息给Jet⁃
son Nano 智能处理器，随后Jetson Nano 将识别信息传给Stm32单片机，单片机将使汽车的电源开启，并发出识别成功的语音信号。
2硬件设计
系统的硬件部分主要包括Stm32f407、Jetson Nano 人工智能处理器、摄像头、4G 模块、语音模块、继电器等。硬件系统只需用Jetson Nano 人工智能处理器驱动摄像头获取驾驶位图像信息，并将图像的信息通过4G 模块上传到云服务器进行人脸识别模型的训练，最终用训练好的模型来识别人脸图片，
输出识别结果，并将信息回传给Jetson Nano 人工智能处理器。Jetson Nano 则将识别结果信息转发给底层的Stm32f407单片机。Stm32f407收到识别的结果后，将根据识别的结果来控制语音模块和继电器。若识别为司机，Stm32f407则通过GPIO 发送语音信号给语音模块使其发出识别成功语音提示，并且通过GPIO 发送控制信号控制继电器进而开启控制能源电池。若识别失败，Stm32f407则发送报警的语音信号给语音模块，并发送控制信号给继电器，关闭能源电池。3软件系统设计
硫化铁软件系统的设计如图2所示，系统正式投用之前需要录入司机的人脸信息，进行模型的训练[4]。首先摄像头会以视频的方式采集上万张司机的照片，进行人脸检测，并转化成灰度图，使得图像的维度下降但能保留图像的关键信息，这可以减少程序的计算量，提升运算速度。将其保存好后，则采用卷积神经网络对图片信息进行卷积、池化、全连接输出、并与训练集的标签值进行
差值比较，最后调整学习速率，再进行下一轮的学习，当预测值和标签值接近时，则训练停止。即模型训练的精确度提高到85%时，则停止训练，并保存模型。
训练完模型之后将进行人脸识别的过程如图3所示，摄像头会采集驾驶位的人脸图片，并上传到云服务器。程序则将读取服务器上的图像，采用Mtcnn 模型进行人脸的检测，并对图片做进一步的处理后，并作为模型的测试集导入模型，进行图片的人脸识别。若图片中的人脸与司机相似度达到80%以上，认为识别成功，将识别结果发送给Jetson Nano 人工智能处理器，使得底层的语音模块发出识别
成功的语音提示和开启汽车电源，汽车启动。否则识别为陌生人，推送消息通知司机陌生人进入车辆，并将识别的信息发送给Jetson Nano 人工智能处理器，使系统发出识别失败的警报声并且关闭汽车的能源电池。
4人脸检测
对采集的图片进行人脸检测处理，采用了Mtcnn 模型，最后输出人脸的边框位置。对于Mtcnn 模型进行人脸检测的过程如图4所示。首先，将原图片缩放成多个大小不同的图片构成一个图像金字塔。随后将图像金字塔的图片传入到P-net 层，生成多个人脸候选框，并截取候选框的图片传入到R-net 。R-net 对接收到的每个分散图片进行人脸的检测和评分，并且修正人脸框。得到修正的人脸框后，则将人脸框的图像截取出来，传入到O-net 进行再次的人脸检测和评分，得到最终的人脸框位置。最后将人脸框截取出来，并转化成灰度图，用于接下来的模型训练。5模型的建立
人脸识别的模型采用的是卷积神经网络，对图片信息就行卷积、池化、全连接输出、并与训练集的标签值进行差值比较，最后得到模型训练精度的过程。
5.1卷积
如图5所示，卷积[5]就是对预处理后的人脸图片信息用一个卷积[7]核Filter 依次扫描图片的矩阵信息并
与Filter 矩阵对应位置的数值相乘[6]，作为下一层的一个节点。当扫描完图片的所有信息后，将会得到一个Maps 矩阵即为第一次卷积的输出值。5.2池化
dm365池化[7]的目的就是降维，将图片的特征信息提取出来，去掉无用的信息，最后形成一个维度更低的矩阵。这样可以防止过拟合，也能减少计算机对数据的处理
量。在池化的过程中，大多数采用的是Max poling 方
图2
模型训练流程
图3
人脸识别流程
图4
人脸检测过程
黄原有，等：基于人脸识别的车辆安全系统
垂直搜索产品·
·113
北京市朝阳区环保局
法。如图6所示，Max pooling 方法就是对每个2×2的filter 区域，取最大值，最终输出一个降维的矩阵。
5.3全连接
全连接的过程是将池化层的输出x 作为全连接层的输入，将其乘以权重系数w ，再加上偏置项b ，得到输出out 的值。最后将输出的out 值，通过Softmax 函数传递，
将会得到一个对图像属于各类别的概率值。对于这一轮的全连接得出的分类结果为概率最后的那一类。
6实验结果分析
6.1模型训练情况分析
基于以上所建立的人脸识别[8-9]模型，本实验则抽取5位测试人员进行测试。首先将采集这5位测试人员的人脸图片经过预处理后，进行模型的训练，并纪录训练的情况，如图7所示。由图可知，无论是采用0.01、0.02还是0.03的学习率进行训练，模型的训练精度都随着训练的次数的增加而提高，最后
趋向一个稳定的训练精度。并从图中可看出，采用0.01的学习速率时，训练的精确度是最高的，效果也是最好的。因此，保存采用0.01学习的速率训练的模型。
6.2模型识别率分析
采用训练好的模型依次对5位测试人员，进行人脸识别的测试，输出识别的相似度，并记录数据，如图8所示。由图可知，测试人员图片的相似度均在80%以上。由此可看出，该模型的整体识别率比较高。6.3实验效果
以下是后端对采集的图片进行识别的效果图，图9所
示为一个人的识别结果，并表示识别出当前司机为hyy ，图10所示为两个人脸的识别，识别出当前驾驶位的人员是hyy 和dsj 。图11所示为测试人员是没有事先进行信息的采集和训练的，因此，系统识别出该测试人员为stranger 。
7结束语
英语看图填词本文研究基于人脸识别的车辆安全系统，主要是运用人脸识别技术，对驾驶司机进行人脸识别，进而控制汽车的启动电源，以达到控制的汽车启动。除此之外，识别司机的记录信息也将存储在服务器中，以便查询来访车内的驾驶人员。当识别出驾驶位不是司机本人时，则将保持汽车电源的关闭，并
发出警报给用户。若识别当前人脸为司机本人，则开启汽车电源，启动汽车。这有效提高了车辆的防盗性和车辆驾驶时的安全性，有效避免非法人员驾驶公共汽车，并对乘客造成伤害。
参考文献：
[1]谢晋飞，靳鸿，史晓军.车载无线温度智能监测系统[J].自动化与仪表,2020,35(8):66-71.
[2]张振杰.人脸识别技术在济南轨道交通AFC 系统中的应用[J].电气化铁道,2020,31(S1):239-242.
[3]吴良峰.人脸识别电源开关控制系统的设计[J].福建电脑,2020,36(10):98-100.
[4]郑定成.人脸识别技术在智慧校园的应用[J].集成电路应用,2020,37(7):132-133.
[5]朱富丽，杨磊，姬波.基于增强并行级联卷积神经网络的人脸检测方法[J].计算机应用与软件,2020,37(11):101-105.
[6]王军，赵凯，程勇.基于遮挡感知卷积神经网络的面部表情识别方法[J/OL].计算机工程:1-11[2020-11-13]./10.19678/j.issn.1000-3428.0059166.
[7]刘艳锋，郑云波，黄惠玲，等.基于卷积神经网络的织物瑕疵检测方法研究[J].信息技术与网络安全,2020,39(11):62-68.
[8]梁超，刘永前，周家慷，等.基于卷积循环神经网络的风电场内多点位风速预测方法[J/OL].电网技术:1-9[2020-11-13]./10.13335/j.1000-3673.pst.2020.0767.
[9]唐孟雪，邢晓燕.基于Open MV 的人脸识别智能门锁设计[J].电脑知识与技术,2020,16(25):5-8.第一作者简介：黄原有（1998-），男，广东连州人，大学本科，研究领域为嵌入式开发。
※通讯作者简介：阳韬（1988-），湖南益阳人，硕士，工程
师，研究领域为嵌入式及人工智能。（编辑：王智圣
）
图5
卷积过程
图6池化过程
图7训练情况分析图8
测试人员相似度表
图9一个人的识别结果图10两个人脸的识别
图11
stranger 识别结果
2021年05月机电工程技术第50卷第05期
·
·114
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议