人脸识别技术在电力移动终端监管系统中的应用

人脸识别技术在电力移动终端监管系统中的应用

苑玉超

身份证： 13063719810621****

摘 要：传统电力移动终端监管过程用户定位精度差、特征量混乱，导致电力终端人脸识别效果不理想。为此，研究提出新的人脸识别技术在电力移动终端监管系统中的应用研究方法。构建电力移动终端监管人脸采集系统，对采集的人脸图像采用边缘特征分解方法实现像素信息融合处理，提取人脸分辨特征量，结合角色定位和模糊信息决策方法，实现人脸特征点定位和自动化识别，构建人脸信息分布式融合模型，通过模糊度辨识和超分辨信息重构，实现电力移动终端监管过程中的人脸识别和优化控制。仿真实验结果表明，所提方法下人脸识别技术在电力移动终端监管中的应用稳定性高，且大大提高了电力移动终端用户监管效率。

关键词：人脸识别；电力移动终端；人员监管；模糊决策；优化控制

中图分类号：TP391 文献标识码：A

1 引言

电网节点分布规模的扩大，导致电力移动终端用户越来越多，监管难度不断加大，需优化电力移动终端监管，提高电力移动终端监管的效能，促进电网信息化建设的改革与发展，研究优化电力移动终端监管的方法受到专家极大重视^[1]。

对电力移动终端监管一般是建立在对电力移动终端用户信息特征提取和优化辨识基础上，采用在线图像和视频信息管理技术，结合相关参数分析，实现电力移动终端监管以及系统设计。传统电力移动终端监管方法主要有基于超分辨辨识的电力移动终端监管方法^[2]、基于模糊神经网络控制的电力移动终端监管控制方法等^[3]，两种传统方法均是结合信息化管理和特征优化辨识模型，实现电力移动终端监管和自适应控制，但传统方法对电力移动终端监管的效率偏低，实际应用稳定性也不理想。

针对此问题，本文提出人脸识别技术在电力移动终端监管系统中的应用方法。构建人脸信息分布式融合模型，通过模糊度辨识和超分辨信息重构实现电力移动终端监管过程中的人脸识别的应用。实验测试结果验证了本文方法有效优化了电力移动终端监管效率。

2 电力移动终端人脸信息采集与特征提取

2.1 人脸特征灰度序列分布采集

为实现人脸识别技术在电力移动终端监管系统中的应用，构建人脸采集系统，采用视频传感器和红外传感器联合采集的方法，实现人脸识别信息采集和特征提取^[4]，结合表情特征分布式融合和信息重构的方法，提取电力移动终端的人脸信息特征量，对采集的人脸图像利用边缘特征分解实现信息融合和特征分集^[5]，得到系统的总体设计结构框图如图1所示。

/

图1 人脸采集结构框图

根据图1所示的电力移动终端的人脸信息采集和总体结构模型设计，利用全局鉴别器分类识别的方法，提取电力移动终端人脸的多姿态特征，提高电力移动终端人脸的识别准确度^[6]，定义第 个电力移动终端人脸像素级的姿态特征分量 为：

(1)

其中， 表示所有第 个电力移动终端人脸身份属性的模板分量。 为 大小的电力移动终端人脸图像，结合模板匹配和自适应修复的方法，在电力移动终端人脸分布的纹理区域进行身份验证，得到电力系统的移动终端人脸图像的前 个特征向量为 ，对人脸面部表情进行表情表达和信息融合分析，得到电力移动终端人脸特征分布的子空间结构模型为 ，在对抗网络模型中，采用多维特征辨识的方法，得到电力移动终端人脸特征分布的训练子集为：

(2)

其中， 是电力移动终端人脸样本训练集中的 个样本特征值，添加多分类层来构成表情和人脸属性分类器^[7]，得到电力移动终端人脸特征分布序列的边缘阈值 。随着不断训练，将人脸图像划分为多个子集，电力移动终端的人脸特征灰度序列分布表述为：

（3）

其中， 为电力移动终端人脸分布的矩形区域， 为身份认证的最大阈值， 为身份认证的最小阈值， 为电力移动终端中采用图像传感器进行人脸图像扫描的输出线性特征量， 为电力移动终端人脸特征点 的 值。

由此提取电力移动终端监管的人脸分辨特征量，结合角色定位方法实现人脸特征识别和信息融合^[8]。

2.2 人脸特征提取

基于上文采集的人脸特征灰度序列分布结果，构建电力移动终端的人脸信息分布式融合模型，通过模糊度辨识和超分辨信息重构的方法实现电力移动终端人脸图像识别^[9-10]，从不同角度提取电力移动终端人脸图像相关性特征分布集，得到电力移动终端人脸特征鉴别信息输出,采用局部鉴别网络对电力移动终端的人脸局部信息实现全局少选^[11]，提取电力移动终端人脸特征信息的灰度值，表示为：

（4）

其中， 为电力移动终端人脸特征分布的归一化常数， 为电力移动终端人脸分布的中心矩， 为Epanechnikov核函数^[12]，根据电力移动终端人脸数据的融合向量集，通过特征编码器进行线性融合，得到电力移动终端人脸样本特征量的局部分量，对于输入电力移动终端人脸图像，根据模板阈值

，求得电力移动终端人脸的生物属性，得到面部表情和生物属性的联合分布特征量为：

（5）

其中， 为电力移动终端人脸样本集的模糊度函数^[13]，可描述第 类电力移动终端人脸特征信息分量， 为后 类电力移动终端人脸样本的后验概率分布值^[14]， 为电力移动终端人脸信息的先验概率密度特征值，结合先验特征分布式融合，实现电力移动终端人脸特征提取^[15]。

3 人脸识别在电力移动终端监管系统中的应用

为明确人脸识别在电力移动终端监管系统中的应用原理，构建对应的应用示意图，如图2所示：

图2 人脸识别在电力移动终端监管系统中的应用示意图

基于人脸识别在电力移动终端监管系统中的应用示意图，对提取的电力移动终端人脸特征，采用模糊度辨识和超分辨信息重构的方法，实现电力移动终端监管过程中的人脸重构^[16]，得到电力移动终端监管中人脸信息的低维特征集合 和 ，计算电力移动终端人脸特征灰度值 并进行特征分类，根据峰值表情信息，得到表情数据集的数据有限维加权值表示为：

（6）

其中， 表示电力移动终端人脸样本特征量的主成分信息分量， 表示移动终端人脸特征鉴别信息输出参数。根据人脸识别模型在训练过程中的差异度^[17-18]，构建电力移动终端人脸图像模糊分类矩阵，计算电力移动终端人脸特征分布的边缘相似度特征点为：

（7）

其中， 为电力移动终端人脸识别的局部鉴别参数，以点 为聚类中心，估计电力移动终端人脸的模糊度辨识以及参数^[19]，构建电力移动终端人脸特征辨识模型：

（8）

其中， 为电力移动终端人脸特征提取的相似度分量， 反映身份认证信息的可靠性分量， 为模板大小数值。

在电力移动终端人脸信息样本分布的模糊约束控制下^[20]，以 ， 为电力移动终端人脸识别的自适应学习系数，得到电力移动终端人脸识别的模糊计算式为：

（9）

由此构建电力移动终端人脸特征提取和优化识别模型，根据人脸识别结果实现电力移动终端监管和优化控制^[21]。

构建电力移动终端的人脸信息分布式融合模型，通过模糊度辨识和超分辨信息重构的方法，实现电力移动终端监管过程中的人脸识别和优化控制^[22-23]，电力移动终端的人脸图像特征量为 ， 是第 类电力移动终端人脸的训练样本的灰度值。结合联合自适应学习和深度学习的方法，得到电力移动终端监管的过程控制模型描述为：

₍₁₀₎

根据上述算法设计，实现电力移动终端的人脸识别算法优化设计，最后在驱动模数转换器（ADC）实现电力移动终端监管系统的硬件开发，在嵌入式ARM完成电力移动终端监管系统的软件设计。

4 仿真测试分析

为测试本文方法在实现电力移动终端用户监管优化中的应用性能，设计以下仿真实验。实验中对电力移动终端用户人脸信息采样的样本总量为4000，对电力移动终端用户信息分布式融合的样本数为300，采集用户图像间的相似度信息为0.34，模糊采样的分布间隔为30s。根据上述参数设定进行以下实验。

为测试所提方法的有效性，采用文献[2]提出的基于超分辨辨识的电力移动终端监管方法、文献[3]提出的基于模糊神经网络控制的电力移动终端监管控制方法等作为实验对照组，对比所提方法的实验结果。本次实验以电力终端监管效率为测试指标。对比结果如图3所示。

(a)文献[2]方法

（b）文献[3]方法

(c)本文方法

图3 电力移动终端人脸识别率对比结果

分析图3得知，与传统方法相比，本文方法进行电力移动终端监管的效率更高，验证了人脸识别技术在电力移动终端监管系统中的应用具有较强可实践性，人脸识别技术能够明显提高电力移动终端监管效果。

5 结语

为解决传统电力移动终端监管稳定性较差、效率偏低的问题，研究人脸识别技术在电力移动终端监管系统中的应用。构建电力移动终端监管人脸采集系统，并融合像素信息，提取人脸分辨特征量，结合模糊度辨识和超分辨信息重构，实现电力移动终端监管过程中的人脸识别。实验结果验证了所提方法具有理想的稳定性，较大程度上提高了电力移动终端用户监管效率。实验所得结果进一步证实了人脸识别技术在电力移动终端用户监管中的可应用性。

参考文献：

1. 韦雅,孙卉,田珂,马波,张利鹏.基于电力敏感客户预测模型的营商环境优化提升研究[J].微型电脑应用,2020,36(08):23-27.

2. 崔丽群，张平，贺情杰，鲁浩. 对比度和细节增强显著性检测方法研究[J]. 计算机工程与应用, 2019, 55(23): 200-208.

3. 刘巧元,王玉茹,张金玲,等.基于相关滤波器的视频跟踪方法研究进展[J].自动化学报,2019,45(2):265-275. 

4. 周友行,刘汉江,赵晗妘,赵玉.基于像元相互关系的FCM聚类分割算法[J].仪器仪表学报,2019,40(09):124-131.

5. WANG T, YANG J, JI Z, et al. Probabilistic diffusion for interactive image segmentation[J]. IEEE Transactions on Image Processing, 2019, 28(1):330-342.

6. BAMPIS C G, MARAGOS P, BOVIK A C. Graph-driven diffusion and random walk schemes for image segmentation[J]. IEEE Transactions on Image Processing, 2017:26(1):35-50.

7. 高宁，王兴元，王秀坤. 基于多状态分层模型的有表情人脸配准[J]. 计算机工程与应用, 2019, 55(7): 40-47.

8. 张代胜,蒋鹏,陈荣武,王坚强.ATS系统与三维视景仿真系统的结合技术研究[J].大连交通大学学报,2017,38(03):106-111.

9. 杜柏圣.卷积网络的无监督特征提取对人脸识别的研究[J].计算机技术与发展,2018,28(06):17-20.

10. 王燕,王双印.基于卷积神经网络的人脸信息增强识别研究[J].计算机科学,2018,45(08):268-271.

11. 邹国锋,傅桂霞,高明亮,等.基于自学习深度卷积神经网络的姿态变化人脸识别[J].小型微型计算机系统,2018,39(06):1156-1162.

12. 蒋政,程春玲.基于Haar特性的改进HOG的人脸特征提取算法[J].计算机科学,2017,44(1):303-307.

13. 徐伟强, 魏云冰, 路光辉. 电力电缆及隧道在线监测与移动巡检协同策略探讨[J]. 电测与仪表, 2019, 56(19):128-132.

14. 林春荣, 杨晓英, 张志文. 基于物联网+APP的设备状态监管系统[J]. 机械设计与制造, 2020, 350(04):301-304.

15. 胡永红, 张超, 文一帆,等. 智能电网终端融合通信接入网切换策略[J]. 电测与仪表, 2019, 56(23):98-104.

16. 张磊, 姜志博, 王海涛,等. 输电通道移动巡视管控系统构建[J]. 中国电力, 2020, 53(03):35-42.

17. 方国康, 李俊, 王垚儒. 基于深度学习的ARM平台实时人脸识别[J]. 计算机应用, 2019, 39(08):2217-2222.

18. 李梦潇, 姚仕元. 基于PCA的人脸识别系统的设计与改进[J]. 计算机科学, 2019(B06):577-579.

19. 田丽,李颖. 基于IPv6人脸识别考勤管理系统的设计与实现[J]. 深圳大学学报(理工版), 2020, 37(S1):171-174.

20. 安海平, 马行, 穆春阳,等. 人脸识别在远程智能监控系统中的研究与实现[J]. 现代电子技术, 2019, 42(12):184-187.

21. 王琮, 韩骁. 基于百度云AI的自动售检票系统人脸识别应用可行性分析[J]. 城市轨道交通研究, 2020, 23(03):148-151.

22. 周东, 施芒. 图书馆自行开发人脸识别应用系统的实践与思考——以中国计量大学图书馆为例[J]. 图书馆工作与研究, 2020, 287(01):82-89.

23. 吴进, 张伟华, 席萌, 等. 高性能人脸识别加速器优化设计及FPGA实现[J]. 计算机工程与应用, 2020, 56(22):54-60.