传统人脸识别技术能够对静态人脸图像中的特征信息进行快速识别，但是需要在此基础之上，对多姿态融合以及多种生物学特征进行快速识别，其算法复杂度也会越来越高。随着人工智能技术以及深度学习算法的研发，新型多源人脸识别技术能够在众多安检系统中广泛应用。但是在构建人脸数据库等数据集的过程中，需要保护客户隐私信息。

1 人脸识别技术概述

人脸识别技术是人工智能时代非常重要的技术成果之一，因此需要对人类面部特征信息进行快速识别和匹配，才能够将身份验证信息和数据库信息进行对比分析，在得到较高的匹配率结果之后，则可以让用户通过控制闸门，将安检信息同步到后台管理系统之中即可^[1]。常见的人脸识别技术基本涵盖生物特征信息识别算法、主成分分析识别算法、计算机图像处理技术等成果，因此需要对特定人机交互装置、传感器设备采集到的数字图像进行快速扫描和特征信息识别，在较短的时间范围之内给出比对结果即可。众多人脸识别系统主要由算法和硬件设备支撑，因此需要对人脸库中的特征图像进行快速定位和识别分析，还需要对人脸特征模板中的关键特征点进行快速匹配^[2]。民航机场中的两道差异化安检闸机，第一道闸机位于国内安检通道的入口，主要目的是证件真伪判断、人像采集识别、人证合一精准比对、区域核验准入、系统提示分类分流、托运行李开包拦截、无关人员的拦截；第二道闸机是针对于信用高的常旅客，实现刷脸无感准入通行。

2 民航安检系统中的人脸识别技术

2.1 活体检测

人脸识别系统主要是引用人工智能人脸识别技术，在旅客过检时，完成无感身份识别以及人包自动绑定的功能。在人工智能时代中，人类的面部特征信息非常容易被采集，因此需要合理运用活体检测技术和计算机算法，还需要结合生物身份认证系统的具体应用功能进行优化设计，避免出现用户个人信息被篡改等安全风险问题^[3]。但是随着人工智能技术和深度学习技术的不断革新，活体检测系统能够将三维重建算法应用在活体检测和身份认证环节之中，将待检测画面中的生物动态化特征信息进行快速识别，将动态背景和静态背景进行有效分离，因此活体检测算法需要具备一定随机性，避免用户个人信息被篡改。在研发与应用活体检测类产品和软件算法的过程中，需要客观考量人脸图像的检测窗口数值是否科学合理，一般支付类软件会选用圆形活体检测区域，部分安检系统会选用正方形的活体检测区域，避免被较多设备外部环境因素所影响。但是在应用活体检测技术的过程中，需要将不同用户之前的特征信息差值进行对比分析，将用户支付类信息和身份认证信息进行安全审计，确保活体检测结果与相似度运算结果基本一致即可^[4]。

2.2 特征表示和匹配

众多人脸识别系统中的软件算法流程主要涵盖图像采集、人脸区域检测、人脸定位、特征识别以及人脸匹配等关键环节，还能够合理运用支持向量机以及神经网络等人工智能算法，优化和完善特征表示和匹配等环节的准确率^[5]。很多人脸识别技术难以复制，需要与特定的计算机视觉处理方法相结合，人类面部特征信息的相似度运算函数基本是唯一的，还能够将人机交互界面和物联网传感器设备作为图像信息采集手段，将人脸识别算法应用在更为复杂的场景之中。人脸识别算法的主动性特征比较显著，还能与特定的业务流、数据流相结合，构建多姿态以及多源数据融合模式下的人脸识别系统。在进行特征表示和匹配的过程中，可以根据不同分辨率图像的像素点总体数量，对比分析人脸图像中的特征信息，在进行降维处理之后，将关键特征点和时空模型数据进行相似度计算分析即可。随着人工智能系统和深度学习算法的不断创新与社会化应用，很多特征表示和匹配算法都能够呈现更高的相似度计算结果，但是需要节约硬件资源和时间资源，将特征临时存储在数据集之中。

2.3 模式识别算法

模式识别算法，是人工智能时代中非常重要的技术成果之一，也能够与计算机视觉处理方法有机融合，将不同类型的特征信息进行匹配和识别，还能够将结构化数据、非结构化数据以及半结构化数据的识别结果进行对比分析。但是在应用模式识别算法的过程中，需要将单一分类标准和多分类标准进行动态协调，并保障模式识别算法的运算复杂度、时间和空间存储需求在合理范围之内。模式识别算法的二分类结果准确度相对较高，但是若需要进行多分类，则需要及时引入人工神经网络以及深度学习技术，才能够有效减少多分类算法的代码执行时间长度。模式识别算法主要分类为无监督学习、半监督学习以及有监督学习模式下的模式识别技术，因此需要对矢量数据信息进行冗余化存储和分布式运算，保障识别和相似度运算结果的准确性。

2.4 多姿态融合技术

多姿态融合技术，是人脸识别技术领域内的重要成果之一，也能够间接影响到不同测试用户的面部姿态变化条件，很多人脸面部特征信息都属于动态化特征，因此需要对多姿态融合技术、活体检测技术原理进行深度挖掘，确保人脸面部特征信息的识别准确性。多姿态融合技术的识别对象在于人脸外部轮廓、五官间距、瞳孔定位信息等相关识别要素，因此需要及时调整识别尺度，将人类常见的面部表情和定位点移动变化条件进行严格设定，还能够融合模板和几何特征等常见识别信息源，在众多商业化场景之中广泛应用。根据多姿态融合技术的各项特征信息，需要对光照角度、多个图像拍摄角度对应的人物姿态进行快速识别，并及时构建三维统计分析模型，将人脸识别结果和相似度指标同步在识别区域之中。

3 人脸识别技术在民航安检系统中的应用要点

3.1 深度学习算法与旅客自动安检

智能旅客安检系统由自助验证分系统、人脸识别分系统、自动传输分系统、信息分系统四个分系统构成。在民航安检系统中，基于深度学习的人脸识别技术应用比较广泛，传感器设备的图像数据采集精度非常关键，更需要根据环境与人脸识别系统中的亮度差值进行亮度补偿运算，将人脸外廓线和五官进行精准定位，才能够执行后续识别操作和相似度运算操作。基于深度学习的民航安检人脸识别系统，需要在完成人脸裁剪操作之后，对人脸数据库中的特征模型进行快速构建，将特征提取结果融入到信息验证环节之中，将识别结果同步到后台管理系统之中，并将身份信息同步到人机交互屏幕上即可。在构建深度学习框架的过程中，需要根据待检测图像信息的尺度和姿态特征，对人脸轮廓和五官定位精度进行适度调整，将图像检测窗口进行快速过滤，减少识别和运算时间，还能够降低算法复杂度。但是在更新深度学习计算框架和硬件资源的过程中，民航安检系统中的软件资源需要与面部特征库进行同步识别处理。

3.2 模板匹配与面部特征识别

基于模板匹配的民航安检人脸识别系统，需要与特定特征模板进行有效衔接，因此比较耗费后台数据集的信息查询时间，人脸模板中的特征信息相对比较全面，比较适用于客户量比较有限的民航安检系统，其数据量和识别精度成正比，但是会耗费较多时间资源。基于模板匹配的人脸识别系统，其算法并不能有效识别较多尺度特征信息以及面部动态姿势信息等内容，人脸模板的识别系统在商业领域内的应用也会严重受限。人脸识别系统中的特征模板，基本属于全局特征信息，其量化尺度相对较高，被识别对象所处环境的变化并不显著的条件下，识别速度和精度都比较高，人脸模板中的特征信息也容易被系统泄漏，并不能快速识别人脸上的蒙版以及虚假伪装措施。很多人脸识别系统中也会引入局部特征模板信息，起到加速识别的作用，但是需要客观考量人脸识别系统的具体应用场合，避免泄漏用户隐私信息。

3.3 几何特征与统计学分析

基于几何特征的人脸识别系统，普遍应用在众多安防系统和安检系统之中，但是其识别精度比较有限，只依赖于有限的人脸数据集，能够客观评估人脸外部形态特征和轮廓线等几何位置关系之间存在的差异，应用场合也比较少。但是在统一识别人脸面部图像中的多种特征信息过程中，几何特征和纹理特征的组合方式比较常见，因此需要将人脸面部轮廓以及五官定位间距等相关数据指标进行对比分析，还需要结合肤色的过渡变化特征，提高人脸识别结果的精确度即可。根据几何特征信息得出的人脸面部特征图像，其亮度并不集中，像素点的数量也比较有限，比较适用于简单和中小型安防安检系统。此类识别技术不受光照条件的影响，不需考虑光照条件，在强光、弱光中都能实现。但是在众多民航安检系统中，周边环境的光照和反射角变化条件比较复杂，人脸检测和识别定位区域比较有限，需要对动态变化的显著性图像区域进行详细划分，结合几何特征的识别运算结果，将特征图像与数据库进行对比分析，快速筛选几何特征相似度较高的备选用户身份信息，才能够进一步提高人脸识别算法的鲁棒性和相似度运算速度。

3.4 主成分分析与智能安检流程

基于主成分分析的民航安检人脸识别系统，能够显著提升人脸图像的特征提取速度，将统计特征和面部纹理特征信息相结合，投影到向量矩阵空间之中进行降维运算，将较高特征维度转换成归一化数据模型，还能够将人脸面部特征信息对应的灰度图进行对比分析，将高特征值的图像像素点凸显出来即可。在众多民航安检系统中，面部识别速度更加关键，因此需要合理运用PCA特征分析方法，减少无关样本数量，还需要将统计性特征子进行快速识别和对比分析。在众多民航安检系统中，人机交互界面和传感器设备采集到的人脸图像数据信息比较复杂，其拍摄角度和光照强度都比较关键，因此在引入PCA分析方法的过程中，需要结合特征信息种类，快速识别和对比分析用户面部特征是否一致。民航安检系统中的人脸识别算法，其生物学特征信息和统计结果基本一致，但是需要严格限定摄像机的拍摄距离和角度，避免出现多尺度和多姿态变化因素，还需要对人脸特征信息中的噪声点进行图像学处理。

3.5 交互式面部动作监测

在众多民航机场中，安检系统的人脸识别速度和精准度非常关键，因此需要在认证静态身份信息的基础之上，融合多姿态识别技术，构建基于交互式面部动作监测的人脸识别框架，才能够有效替代传统的人脸识别算法，保护客户的个人隐私信息。民航机场中的自动验证识别闸机和人工核验通道都能够依照机器设备抓取的面部图像信息，将面部动作特征点进行重点监测，将其相对位置关系进行快速识别，提高人脸面部特征信息的整体识别和匹配速度。但是民航部门需要根据目标用户的面部肤色变化阈值，合理运用多姿态融合识别算法，但是需要将人机交互页面抓取到的面部动作特征点进行统计特征匹配和识别分析，若选择人工核验通道，用户还需要与身份证上的图像信息进行对比分析，避免出现冗余数据特征值。基于交互式面部动作监测的人脸识别系统，需要与民航安检系统的后端数据库进行网络连接，并确保身份识别结果能够同步存储在数据库表之中。

3.6 身份信息认证与旅客关联

基于身份信息认证的人脸识别技术，需要与特定民航安检数据库进行有效连接，并在识别人脸面部特征的过程中，同步身份信息的备选方案，并将相似度计算结果较高的身份信息进行排序，辅助安检人员进行快速筛选。很多深度学习算法和人工智能系统都能够提升人脸识别速度和效率，但是也需要客观考量硬件设备的整体投入比例，因此需要合理运用基于身份信息认证的人脸识别技术，将身份证识别信息录入到后台数据库之中，形成历史数据文件，并将历史图像中的特征值与目标检测区域采集到的图像信息进行对比分析，还能够有效缩短身份识别时间，但是需要将民航安检系统中的面部识别特征库进行有效扩充。在对身份信息进行快速识别和认证的过程中，智能旅客安检系统对旅客干扰少，旅客配合需要度低，大大降低了旅客通行时间，通道运行更加快捷顺畅。

结束语

综上所述，在众多民航机场的安检系统中，自动识别通道和人工辅助通道所适用的人脸识别技术存在较多差异，因此需要合理运用计算机图形学、模式识别算法、计算机视觉以及深度学习算法，构建人脸识别与训练学习框架。民航安检系统中的人脸识别结果需要及时同步到该客户的历史数据文件和表格之中。

参考文献

[1]林思含.人脸识别的安全风险与刑法保障[J].河北公安警察职业学院学报,2021,21(04):39-42+54.

[2]刘涛,宋桂祥,张明,徐沛,刘浩宇.基于人脸识别技术应用的安全性研究与实践[J].电信工程技术与标准化,2021,34(12):40-45.

[3]张欣,李小波.人脸识别技术嵌入社会治安治理的实践与反思[J].北京警察学院学报,2021(06):60-65.

[4]刘雯昕.基于深度学习的人脸识别技术应用场景分析[J].中国高新科技,2021(22):10-11.

[5]金朗.人脸识别应用与保护路径研究[J].齐齐哈尔大学学报(哲学社会科学版),2021(11):88-91.