基于人脸特征比对的自动身份验证系统

基于人脸特征比对的自动身份验证系统

0基于人脸比对技术的自动闸机身份验证系统随着交通的发展，人们的社会活动越来越频繁，安全问题越来越受到重视。尤其是火车站、机场这样人群频繁出入场所,对身份的验证尤为重要。目前机场和车站的安检通常都是将身份证和车票交由工作人员,工作人员只能判断身份证与车票具有关联性,并不能对身份证和身份证持有者的一致性进行精准判别。因此在安检过程中,增加人证合一判断,构建自动化身份验证系统成为迫切的需要。由于人的面部特征具有乘客身份验证的良好特性,可利用二代身份证图像信息,将人脸识别人脸识别属于计算机视觉的范畴,特指计算机利用分析比较人脸视觉特征信息自动进行身份鉴别的“智能”技术本文针对当前机场和车站安检流程存在的缺陷和安全隐患,提出了基于人脸比对技术的自动闸机身份验证系统。首先在安检区域获取视频人脸图像和二代身份证的肖像信息,经人脸识别模块比对面部特征完成身份认证,最后将认证结果通过串口协议下发至闸机,决定闸门是否开启。1自动闸机人证合一验证本文提出的人证合一系统在进站安检区域采集乘客人脸图像,验证二代身份证持有者与其证件的一致性,经闸机自动判断是否允许通行,提升了身份核验的效率,同时也避免了人群在安检区域的拥挤情况。系统模块设计如图1。本文设计的身份核验系统主要包括信息采集、人证比对及辅助模块三大模块。通过usb读卡器获取旅客身份证信息后将证件肖像信息与视频中的人脸进行特征比对,比对结果通过串口将信号发送到闸机。当旅客在安检区完成车票和身份证的核验后,持身份证进行自动闸机人证合一验证。首先对人脸实时图像采集,为保证人脸尺寸大小符合识别的要求,需将摄像头进行合理角度架设。显示屏显示实时视频和预设的人脸大小框,以便旅客在图像采集过程中调整姿态、角度和与摄像头之间的距离。系统运行时,一般处于自动工作状态,不需要人工干预。当有旅客进行身份证刷卡时,会自动触发图像采集。对采集到的身份证证件图片和实时视频截取的视频图像分别进行人脸特征检测和特征提取,并基于特征向量比对得到相似度,若相似度大于设定的阈值,则认为旅客与身份证证具有同一性;如果小于设定阈值,则认为旅客所持证件非本人证件。考虑到人证比对的实时性和高效性,设置人脸比对过程的最大时间。在比对时间容许的条件下,对首次验证未通过的旅客进行多次实时人脸图像采集、检测、特征提取和比对,而身份证图像特征只进行一次性提取。对于在指定时间内身份认证失败的旅客,可重新刷卡比对,若比对结果仍然小于所设阈值,闸机始终不开启。身份验证过程中,自动存储证件图像、多帧实时图像及证件人员信息,形成日志数据库。软件流程图如图2。2软件方案的设计2.1身份证安全控制信息采集模块包括身份证信息采集和实时图像信息采集两大部分。本文选用的读卡器是新中新身份证阅读器,采集帧率为20f/s,读卡时间低于1s,采用TypeB非接触式IC卡阅读技术,通过内嵌在读卡器里的身份证安全控制模块以无线传输方式对第二代居民身份证内的芯片进行安全认证后,读取芯片内的个人信息后将信息存储和利用。用一种高分辨率的摄像机完成视频采集功能,将摄像机通过网口与服务器相连,通过RTSP2.1基于卷积神经网络的学习特征表征人脸识别主要包括人脸检测、特征提取和特征比对三个步骤。人脸检测即在给定的图像画面中找出人脸并标定人脸所在的区域。本系统采用传统的人脸检测技术,利用输入图像Haar特征,采用Adaboost算法进行训练。Adaboost算法是目前最常用的人脸检测算法之一,它与Haar特征相结合,可以将一个弱学习算法提升为一个强学习算法DeepID之所以有效,首先在于卷积神经网络学习到的特征的区分能力比较强。卷积神经网络在DeepID中的作用是学习特征表征方式,对输入的目标图像,通过训练优化,网络可以自动生成有效表征目标属性的特征向量。DeepID的数据集构建采取了目前最常用的方法——数据增广,目的是为了提高网络对旋转、多尺度等变换的适应性。在训练好的CelebFaces数据集中的引入自己采集的数据集,并将图片多尺度多通道多区域的切分,分别进行训练。通过训练好的人脸网络模型,分别对身份证图片和实时采集图片进行特征提取,得到两组特征向量,向量夹角的余弦值作为衡量两个个体间差异的大小的度量,即计算两组向量的余弦相似度。余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似,身份证图片和实时采集图像越接近同一个人。2.3与工控机的通信辅助模块包括闸机控制、日志管理两大部分。翼闸控制串口采用232转485形式。通过RS232-RS485转换器,把232接口的闸机设备的232信号转换成485信号,然后再与485接口的工控机设备进行通信。当翼闸主控板接收到来自工控机的串口信号,并对这些信号进行逻辑判断和处理后,再向方向指示器、电机、计数器等发出执行命令,控制闸机开闭,并通过红外线传感器检测行人位置和起到安全保护作用,当行人通过后,闸机自动关闭,等待下次检测识别。日志管理模块连接Mysql数据库,存储字段为旅客刷卡时读取的身份证证件信息和以身份证证件照片及实时采集的人脸识别照片的本地路径。另外,为对每次验证结果作区分,设置标识字段以Y和N分别存储比对通过和不通过的结果。3变动控制模型人脸网络模型采用DeepID网络结构进行训练。DeepID包含四个卷积层来逐层提取特征,全连接DeepID层和softmax输出层进行分类。本文只需要学习特征,在DeepID层得到人脸特征向量。输入为39×31×k的矩形图像或者31×31×k的正方形图像,k=1时为灰度图,k=3时为彩图。当输入的尺寸改变时,后面层的特征图的宽和高将依次改变。DeepID层的维度固定为160维,而输出层的维度由预测的种类决定。随着逐层的特征提取及特征降维,生成了可鲁棒表征人脸的卷积特征,能够通过少数特征的非线性组合预测不同的人脸。其中,卷积运算表达式如下:其中,和分别表示第i层的输入特征图和第j层的输出特征图,*表示进行卷积计算。b特征图经过卷积计算之后,为了防止训练优化中梯度弥散现象的发生,采用ReLU非线性函数y=max(0,x)激活隐藏神经元,并通过共享较高卷积层中的权重用来学习不同区域中的不同特征。池化层采用最大池化方式,最大池化公式如下:其中,s为设定的最大池化窗口边长。最后一个DeepID层全连接到第三个和第四个卷积层以便可以感知到多尺度特征。第四个卷积层中的特征比第三个卷积层更具备全局性。这对于特征学习至关重要,第四个卷积层包含较少的神经元,这成为了信息传播的瓶颈。在第三个卷积层和最后的DeepID层中增加了连接减少了仅使用第四个卷积层可能出现的信息损失。DeepID层采用的公式如下:其中x4系统验证实验实验准备800组样本,每组样本里面包含同一人的两张不同照片,每组为一类,类内比对为正样本的比对,类间比对为负样本比对。TPR表示正确识别率,FPR表示错误识别率。为满足应用场景下的人证合一的要求,应在错误识别率尽可能的低的情况下,保证较高的正确识别率,根据实验设置阈值为0.39。TP表示将正类预测为正类数,TN表示将负类预测为负类数,FP表示将负类预测为正类数,FN表示将正类预测为负类数。理论情况下,来源于一类的两张图片比对应为正样本比对,比对次数为800次,负样本比对次数为800次。实验表明,当阈值为0.39时,38组的正样本比对被预测为负样本,FN=38/800=4.75%,TP=762/800=95.25%,35组负样本比对被预测为正样本,因此FP=35/800=4.38%,TN=793/800=95.62%。TPR=TP/(TP+FN)=95.25%,FPR=FP/(FP+TN)=4.38%。模拟应用场景,使用硬件环境CPU为Intel(R)Core(TM)i5-3470,主频为3.20GHZ,操作系统为Windows10,64位的计算机进行测试,系统现场测试1263人,1263人所持身份证均为本人身份证,设置阈值为0.39。其中,1263人中比对通过1189人,未通过74人,通过率为94.14%。从刷卡到通过闸机的整个过程,共耗时1.5s左右。启动人证合一自动验证系统后内存占用率基本保持稳定,未产生内存溢出问题,刷身份证后进行人脸检测识别,当持卡人员与卡片信息不一致时,会在设置时间范围内完成多次比对识别,系统在持续运行的情况下CPU占比能够保持稳定。该系统能够全天候无间断稳定运行,满足