为快速、准确识别进入地铁的可疑人员身份，保障地铁的运营安全，文章提出一种基于人脸识别技术的地铁**视频监控系统方案，并在概述该系统使用的多尺度池化卷积神经网络算法及二维主成分分析算法等人脸识别技术基础上，对其系统方案设计进行阐述，包括设计要求、总体架构、子系统设计、业务流程 4 方面，最后介绍该系统方案在**地铁地铁大厦站的测试情况和测试结果。实践证明，该系统对于进入地铁的可疑人员具备较强的识别能力，****车站出入口通道、闸机及换乘区域人员的精准、高效排查。

01 人脸识别技术

1.1 MPCNN算法

卷积神经网络（Convolutional Neural Networks，CNN）由人工神经网络发展而来，是深度学习领域非常重要的算法，尤其是在人脸识别、语音识别、字迹识别领域较其他算法有明显优势。CNN包括3个层次，即卷积层、降采样层和全连接层。首先通过卷积层实现对局部信息的提取，然后经过降采样层实现对数据的进一步降维处理，以便后续的数据计算，最后通过全连接层实现对全局数据信息的融合和描述。利用CNN算法进行人脸识别，通常需要将输入的人脸图片进行人工裁剪或扭曲，改变其尺寸，这种方式容易丢失重要信息，降低识别准确率。而本研究采用的MPCNN可解决输入图片必须具有固定尺寸的问题，而且针对目标形变具有良好的鲁棒性。

多尺度池化（Multi-scale Pooling，MP）方法是受到空间金字塔方法的启发而提出的，其具体做法是在最后一层池化层使用多种采样尺寸和采样步长，以代替普通的池化采样。不论上一层输入图片的尺寸是多大，多尺度池化层的输出均分别为1×m，4×m，9×m，其中m为上一层卷积层的特征图谱数量。多尺度池化操作示意如图1所示。

本研究选取多个池化层与卷积层相连接的方式。经过仿真实验证明，采用由全连接层FC5同时连接与卷积层C2、C3、C4分别相连并对其输出结果进行多尺度池化采样的多尺度池化层MP2、MP3、MP4的网络结构，可以得到最高识别准确率，如图2所示。

1.2 2DPCA算法

主成分分析（Principal Component Analysis，PCA）算法是一种在生物特征识别领域被广泛采用的降维算法，与其他算法相比，其优势在于更容易获取不同样本间的差异信息，并且能够降低因面部表情变化产生的干扰。但是该算法适合处理一维图像向量，不适合处理二维图像矩阵。相较之下，2DPCA算法能够利用二维图像矩阵快速、直接地构造其协方差矩阵，最后得出二维图像在最佳投影轴上的投影矩阵，故本次研究采用2DPCA算法。

02 系统方案设计

2.1设计要求

基于人脸识别技术的地铁**视频监控系统****车站的人员中甄别出嫌疑人员并提供实时报警的功能，同时可保存抓拍的嫌疑人人脸图片和视频片段，供事后研判、分析使用，从而为后续人脸大数据应用提供基础。根据GB/T 31488-2015《安全防范视频监控人脸识别系统技术要求》，本系统对于监控黑名单的漏报率和非监控名单的误报率均不得高于5%。

2.2总体架构

基于人脸识别技术的地铁**视频监控系统由人脸数据采集系统（前端）、人脸识别分析系统（后端）、人脸大数据报警平台3部分组成，其拓扑结构如图3所示。

（1）人脸数据采集系统由集成图形处理单元（Graphics Processing Unit，GPU）的人****中心级视频网络存储设备（Central Video Recorder，CVR）的视频存储单元组成。该系统在GPU中内嵌MPCNN算法，可同时对数十张人脸进行检测、跟踪及抓拍，并对图像进行一定的预处理，滤去部分外界干扰因素，如光照、饰物等，保留人脸最本质、对特征提取最有利的部分。此外，该系统可从抓拍的路人人脸图像中筛选出一张质量最优的作为该路人的人脸抓拍图像。

（2）人脸识别分析系统由图片云存储单元、人脸识别云分析单元、大数据单元组成。其中，图片云存储单元负责对人脸图片的快速存储和提取；人脸识别云分析单元可对人脸图片进行建模及比对分析，对黑名单进行实时布控；大数据单元负责对图片属性数据和人脸模型数据进行存储、检索、分析等。该系统通过在人脸识别云分析单元内部署2DPCA算法，对人脸数据采集系统预处理过的人脸抓拍图像进行特征提取和分析，实现对人脸图片性别、年龄、是否戴眼镜等特征的识别，并通过将其与测试图像的特征值进行比对获得匹配结果。

（3）人脸大数据报警平台由数据接入服务器、人脸大数据应用服务器、管理服务器、应用终端组成，其功能为接收和转发人脸数据采集系统采集的图片、视频流，实现人脸布控、人脸查询、以脸搜脸、动态轨迹等应用，以及对接指挥调度平台，推送报警信息。其中，数据接入服务器用于对接人脸抓拍单元推送的实时过人数据、人脸图片等；人脸大数据应用服务器用于部署人脸大数据应用服务软件模块；管理服务器负责所有系统**的管理、配置、认证，并提供一些应用对接服务接口等；应用终端用于安装客户端软件，实现用户对系统的操作。

2.3子系统设计

2.3.1人脸数据采集系统

（1）集成GPU的人脸抓拍单元。该单元的摄像机集成了GPU，内嵌MPCNN算法，可对拍摄的图片进行分析处理，输出分析结果，集视频采集、处理功能于一体，能够极大地提高人脸图像的捕获率和识别准确率。其工作流程如图4所示。当检测到人脸进入检测区域时，摄像机会识别人脸并对其进行跟踪抓拍，并对拍摄的每一张人脸图片进行评分；当人脸离开检测区域时，其会输出1张最佳人脸图片并将其上传至后端服务器。此外，摄像机还能根据每张脸的大小及各主要面部器官的相对位置信息生成人脸特征数据，并将这些数据发送给后端服务器进行处理，以分摊后端服务器的计算压力。

（2）采用CVR的视频存储单元。本单元基于稳定性、可靠性、兼容性及性价比方面的考虑，采用基于IP网络架构的视频流直写存储架构，即采用CVR视频流直写存储方案和产品，其示意图如图5所示。视频流通过IP传输协议直接存入网络存储系统中，用户可通过客户端对存储的视频进行检索、回放和转发。考虑到本单元所存储数据的重要性，其数据冗余保护采用超容错的视频磁盘阵列（Video Redundant Arrays of Independent Disks，VRAID）机制，可以保证在故障硬盘数量超过传统磁盘阵列（Redundant Arrays of Independent Disks，RAID）冗余硬盘数量时的数据可用性和业务持续性。CVR视频流直写存储方案不仅可提高系统的数据吞吐能力和安全性，便于存储的扩容应用，而且其内置流媒体模块可减少对系统服务器的应用，减少中心复核，提升系统稳定性。

2.3.2人脸识别分析系统

（1）图片云存储单元。图片云存储单元是利用集群应用、网格技术或分布式文件系统等，将网络中大量不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的系统。其负责为人脸大数据报警平台提供视频、图片的存储和访问服务，以及为上层应用平台提供高效率的视频、图片调用以及行业应用扩展功能。

（2）人脸识别云分析单元。人脸识别云分析单元负责为人脸大数据报警平台提供人脸建模服务，在接收到由设备接入服务器或图片云存储单元传入的人脸抓拍图像后，对其进行建模分析、特征提取，然后输出结构化数据并将其反馈给人脸大数据报警平台，同时把分析得到的图片属性数据和人脸建模数据存储到大数据单元。当该单元面临负荷高峰时，会将分析任务缓存，****。该单元采用**度GPU架构，使用LINUX系统，集成了基于2DPCA的人脸识别智能算法，可实现黑名单布控报警、人脸比对、人脸照片查询等功能。

（3）大数据单元。大数据单元（Hadoop Database，HBase）是一个可靠性高、性能好、面向列、可伸缩的分布式存储系统，可存储海量数据，提供高吞吐量的数据访问，为数据采集、维护、查询和挖掘提供支持。

2.3.3人脸大数据报警平台

人脸大数据报警平台基于强大的智能人脸比对引擎，通过对接**业务信息库，结合**人脸比对相关业务需求，将人脸识别分析系统建模产生的人脸模型数据与**黑名单库的人脸模型数据进行比对，实现人脸布控及动态比对预警、人员轨迹追踪查询、人员身份鉴别查询等功能。

（1）抓拍方式选择。数据接入服务器是平台的数据接收硬件，可通过选择合适的抓拍方式大幅减少向后端传输的人脸抓拍图片数量，并保证图片质量。其支持定时间隔抓拍和全程最优抓拍2种抓拍方式。定时间隔抓拍是指每隔特定的时间进行1次抓拍，并且通过缓存保存质量最优的人脸图片。全程最优抓拍是指从一个人进入画面到离开画面只进行1次抓拍，并且通过缓存保存质量最优的人脸图片，其最多允许人员停留1min，超过1min则重新开始抓拍。上述2种抓拍方式与传统抓拍方式的优缺点对**表1所示。由表1可知，传统抓拍方式不但占用的存储空间巨大，而且无法对重复或质量差的图片进行去除，导致人脸识别的工作量大、成本高，此外其提供的图片质量参差不齐，会严重影响人脸识别的精度。而定时间隔抓拍和全程最优抓拍能够实现去重抓拍，具有较大的灵活性，而且运用质量分析算法，可抓拍并保存质量最优的人脸图片。这二者相比较，全程最优抓拍方式的图片抓拍次数更少、占用存储空间更小、存储成本更低，但实时性略差。

（2）数据库接入。人脸大数据报警平台在识别人脸时可将人脸信息与**业务信息库中的信息进行实时比对，从而实现对嫌疑人的身份识别和实时布控。其中，**业务信息库是指**人口基本信息**库、**在逃人员信息**库、**违法犯罪人员信息**库、**出入境人员信息**库、**被盗抢汽车信息**库、**警员基本信息**库、**安全重点单位信息**库、**机动车驾驶员信息**库。

2.4系统业务流程

基于人脸识别技术的地铁**视频监控系统会将抓拍到的人脸图片与**业务信息库中的黑名单人员图片进行对比，得出相似度百分制得分。若得分大于阈值分数，系统判定此人比较可疑，发出页面告警和音频告警，警务室值班警员在根据系统比对结果进行二次研判并确认告警信息后，会通过系统确定其当****车站内值班警员上前盘查，如果确认其为嫌疑人员，则立即对其采取措施。系统业务流程如图6所示。

03 系统测试与结果分析

为验证基于人脸识别技术的地铁**视频监控系统方案的效果和可行性，本次研究选取**地铁地****车站布设该系统进行测试。系统布设情况如下：在车站出入口通道、闸机、换乘区域架设16路人脸抓拍单元，人脸识别分析系统和人脸数据采集系统的视频存储单元设在地铁大厦站**通信机房，人脸大数据报警平台设在警务室。所准备的测试数据包括**市人口证件照数据库、20万布控黑名单数据库及测试数据集（包括黑名单人员图片等）。测试中，安排20人作为黑名单测试目标人员并将其图片混入黑名单数据库，然后让这20个目标人员以自然状态经过由这16路人脸抓拍单元组成的10个人脸监测点位，记录下数据。测试情况如图7所示，预警测试记录如表2所示。由本次测试结果可知，基于人脸识别技术的地铁**视频监控系统对于进入地铁的可疑人员具备较强的识别能力，****车站出入口通道、闸机及换乘区域人员的精准、高效排查。

04 结语

本研究提出了一种基于人脸识别技术的地铁**视频监控系统方案。该系统采用MPCNN算法和2DPCA算法提升人脸识别的准确率；使用定时间隔抓拍和全程最优抓拍方式替代传统抓拍方式，可有效提高人脸抓拍图片的质量；应用CVR视频流直写存储方案，能够增强系统的数据吞吐能力和安全性。实践证明，该系****车站内的可疑人员，为地铁安全运营提供有力保障。

参考文献

[1] 胡成. 基于人脸识别技术的地铁**视频监控系统方案研究[J]. 现代城市轨道交通, 2023(8):20-25.

（来源：现代城市轨道交通）