物聯感知和生物識別在實名制票務中的研究

錢 玥，李云飛，陳 良

1.蘇州大學 計算機科學與技術學院，江蘇 蘇州 215006

2.蘇州大學 機電工程學院，江蘇 蘇州 215006

1 引言

車票實名制是指公民在購買火車票和乘坐火車時，需要登記、核查個人身份的一種制度。車票實名制是保障乘車安全，防范恐怖襲擊，杜絕“黃牛”倒票，解決“一票難求”等社會頑疾的有效措施。

自2011年6月1日起，全國動車組列車全面推行了購票實名制度。旅客憑有效身份證件購買火車票，車票票面上增印有旅客身份信息，旅客進站時需持購票時所用的身份證件和車票，經車站核對相符后，方可進站。這一技術方案存在以下三點不足：（1）現有的實名制票務依賴于身份證，導致購票時間長且丟失后難以補票，給乘客帶來不便；（2）印有個人信息的實名制車票存在隱私泄漏的風險；（3）實名制車票依賴人工進行檢票，檢票效率低，當前實名制系統只能保證5%的抽檢率，檢票實名制難以保證，嚴重影響了實名制票務系統應用的實際效果。

本文針對現有的實名制票務方案的缺陷，提出了基于物聯感知和生物信息識別的實名制票務系統。系統采用2.4 GHz RFID標簽取代普通車票，并創新性地引入生物識別技術，可實現一種全自動的實名制售檢票流程。目前國內尚無這一方面的研究。

2 系統設計

系統采用最新的物聯網層次模型并集成于現有的軌道交通AFC系統，由前端的檢票系統和后端的售票系統組成。售票可通過網絡售票、手機售票和站臺售票三種方式進行，在售票時錄入乘客的生物信息。檢票系統在保留原有AFC接口的基礎上，通過RFID閱讀器和視頻采集模塊采集乘客的生物信息進行比對，自動完成檢票流程。實名制票務系統框等如圖1所示。

圖1 實名制票務系統框架圖

該系統具有以下優點：（1）以生物信息取代身份證信息，具有普遍性、典型性和代表性；（2）克服紙質車票沒有存儲空間的缺陷，存儲乘客信息和車票信息，實現雙重認證；（3）通過射頻識別實現“非示出型”檢票，極大地提高通行效率。

下面分別對售票模塊和檢票模塊予以闡述。

售票模塊：采用RFID電子標簽作為車票的載體。售票模塊通過購票者上傳照片或者現場照相采集購票者的人臉信息。人臉圖像采集完成后，系統利用人臉特征提取算法提取購票者的人臉特征信息，并將特征信息、車次信息以及標簽ID號上傳到服務器。

檢票模塊：檢票模塊的總體框圖如圖2所示。

圖2 檢票模塊框圖

檢票模塊安裝于閘機設備上，對乘客身份進行校驗。核心微處理器通過UART與RFID閱讀器連接，控制閱讀器的讀寫和操作頻率；通過I2C總線與RTC連接，讀取當前的時間信息；通過SPI總線與片外Flash相連，該Flash存放閘機放行的合法車次信息；通過網絡接口與服務器相連接，根據ID號查詢下載乘客的生物信息與車次信息；通過UART與人臉識別模塊相連，人臉識別模塊提取視頻采集圖像的特征信息，并將提取到的信息發送給微處理器進行比對，通過距離測量比較圖像中人臉特征與數據庫中存儲的人臉特征之間的相似性[1-2]，判定兩幅圖像是否為同一人。

模塊的工作流程見圖3。當乘客進入RFID讀寫器問詢范圍內時，標簽被讀寫器發射的信號喚醒，其ID號被讀取。微處理器產生一個中斷，從服務器中查詢車票ID所對應的車次信息和乘客身份信息，將車次數據與Flash中存儲的車次數據進行比較，如果不符則報警；如相符則微處理器發送命令驅動攝像頭獲取一幀圖像，并運行人臉檢測算法，如果采集到的圖像中不含人臉，則驅動攝像頭再次獲取視頻圖像；反之，則對檢測得到的人臉圖像進行預處理，提取其特征信息，并與車票對應的人臉特征信息進行比對。如果匹配成功，則閘機放行乘客通過；反之，則說明乘客未攜帶合法車票，閘機口關閉。至此，完成車次和身份的雙重校驗。在此流程中，乘客無需出示車票，無需提交身份證明，單人通關時間可控制在1 s左右。

圖3 檢票模塊工作流程圖

由上文可見，實名制票務系統的兩個關鍵技術為射頻識別技術與生物特征識別技術。考慮到RFID及其讀寫器已經相當成熟，因此，本文研究重點主要集中在乘客生物特征尤其是人臉特征的識別與提取上。人臉檢測和人臉特征提取是人臉識別過程中的兩個關鍵步驟，兩者選用的核心算法很大程度上決定了實名制系統的性能，特別是實時性。本文研究表明，現有標準Viola-Jones算法和Fisher臉算法在人臉檢測和識別速度方面有待改進，無法滿足大批量乘客同時進行實名制檢票的實時性要求。因此，本文對相應算法進行了一些優化和改進，并引入了遺傳算法以期縮短人臉檢測及識別時間。

3 關鍵技術

3.1 人臉檢測

人臉檢測是指在圖像中確定人臉是否存在并對其進行定位的過程。實名制售檢票系統所采集的視頻圖像中人臉位置未知，因此，從圖像中找到人臉并將其從背景中分離開來是進行下一步特征提取工作的前提。考慮到檢票模塊的實時性和準確性要求，人臉檢測算法應滿足檢測率高、計算復雜度低的要求。

2001年，劍橋大學的Pual Viola和Michael Jones提出Cascade-Adaboost人臉檢測方法[3]，該算法基于Adaboost算法[4]，引入了“積分圖像”的概念以加快人臉檢測的計算速度，具有實時性好、誤檢率低的優點。但該算法對光照較為敏感[5]，考慮到實名制票務系統應用的環境光照條件穩定良好，因此，本系統選擇Cascade-Adaboost算法進行人臉檢測。分類器的訓練過程如下：

（1）從i=1開始，訓練第i級的強分類器（共有強分類器Ng個）：

①初始化樣本的誤差權重。

②進行T次迭代，每次迭代執行以下操作：

（a）權重歸一化；

（b）計算矩形特征j在訓練樣本集上的特征值cj(x),并構造弱分類器函數如下：

其中 p指示不等式方向，θ為閾值；

（c）計算當前權重誤差，選擇本輪訓練中具有最小訓練誤差的分類器；

（d）更新樣本對應的權值，增加被誤分類的樣本權值。

③將選出的弱分類器加權累加形成強分類器。

（2）將Ng個強分類器串聯形成級聯分類器。構造級聯分類器時存在兩個矛盾[6]：

①降低強分類器的閾值在增加檢測率的同時也增加了誤檢率；

②增加弱分類器個數在降低誤檢率的同時也增加了計算時間。

實際應用中，實名制檢票系統對實時性有極高的要求。一旦出現對誤檢人臉的情況，系統將重新獲取人臉圖像并運行檢測程序對圖像中的人臉進行二次檢測，大大增加了系統的通行時間。因此，為滿足系統的實時性和準確性要求，本文在以下兩個方面改進了算法，以在保證檢測率的前提下最小化誤檢率和檢測時間。

首先，對強分類器的最大誤檢率 fmax和最小檢測率dmin的選擇進行優化。Viloa-Jones算法采用預先設定 fmax及dmin值的方式訓練每一層的強分類器，當第i層分類器滿足誤檢率 fi≤fmax且檢測率di≥dmin時，第i層分類器訓練完成。本文采用了一個動態的方法[7]來決定每一層分類器的 fmax、dmin以及閾值θi,算法過程如下：

（1）找出ROC（Receiver Operating Characteristic）曲線上所有的點(fi1,di1),(fi2,di2),…,(fin,din)。

（2）求解以下優化問題，以得到解xk：

其中，Fi和Di分別為1至i-1層分類器所達到的誤檢率，Fg為系統所允許的最大誤檢率，Ng為級聯分類器的層數。

（3）令 xa、xb為上式兩個非零解，以滿足 fa＜fb。

（4）如 xb≥1，則返回 (fib,dib)對應的閾值 θb；反之，則返回(fia,dia)對應的閾值θa。

其次，利用遺傳算法[8]對強分類器訓練過程中的特征選擇進行優化。算法將每個染色體定義為一個包含ni個弱分類器的第i級強分類器，ni的值可由θi確定。染色體的適應度定義為分類器的誤檢率。算法過程如下：

（1）初始化，利用貪心法訓練S個染色體。

（2）對每一代染色體種群進行進化迭代：

①雜交和變異。定義雜交系數Pc=0.5,變異系數Pm=0.1。

②Adaboost學習，確定染色體的適應度參數。

③將適應度分數小于平均適應度的k個染色體淘汰，將適應度分數最高的k個染色體加入到染色體種群。

（3）進化迭代完成后，選擇適應度最高的染色體作為第i級分類器。

經過以上優化，系統通過訓練得到25層級聯分類器，與傳統的Viloa-Jones算法相比，檢測速度提高約50%。此外，檢測過程中可舍棄對待檢圖像進行圖像金字塔操作的步驟。由于人臉在待檢圖像中的大小可以被確定，因此無須對待檢圖像進行縮放處理，進一步加快了檢測速度，可滿足實名制售檢票的應用要求。

3.2 特征提取

任何圖像都可看成是高維空間的元素，在利用統計方法對人臉圖像進行處理、分析和識別時，可采用線性或非線性的處理方法將它們投影到低維的空間上。線性投影處理包括PCA、ICA和LDA等方法，而非線性投影處理則有傅里葉變換、小波變換和濾波算子等方法[2，9]。本系統所研究的人臉識別任務屬于認證任務，即判斷某人的臉相是否符合非圖像信息（RFID車票）所聲稱的身份，為一種一對一的識別任務，計算量相對較小。在保證實時性的前提下綜合考慮魯棒性、認證率及錯誤接受率是算法所需考慮的主要性能評估指標。Fisher臉方法[10]結合了PCA和LDA算法，強調了不同人臉之間的差別，對于光照、姿態及視角變化具有較強的魯棒性；同時，Fisher臉方法克服了LDA方法計算矩陣維數過大、求解困難的問題。然而在實踐中，Fisher臉方法得到的特征子空間存在冗余的現象，去除特征空間中的冗余信息。不僅可以加快識別速度，而且可以提高識別的準確度。人臉特征選擇是從一組數量為D的原始特征中選出數量為d(D＜d)的一組最優特征，消除冗余信息。因此，本文采用一種改進遺傳算法（OGA）[11]來對人臉特征提取進行優化。改進的Fisher臉算法步驟如下：

（1）計算訓練集圖像的PCA子空間。

（2）將所有中心化后的圖像，中心化后的類內平均圖像和總體平均圖像投影到PCA子空間。

（3）求解第i類的類內散布矩陣Si和總的類內散布矩陣Sw。

（4）計算類間散布矩陣SB。

（5）計算Sw和SB的廣義特征值和特征向量，得最佳分類子空間WLDA。

（6）組合PCA和LDA的子空間，得最優人臉投影子空間。

為消除冗余，在得到投影子空間后，用OGA方法對子空間進行優化：

（1）初始化群體規模為n,均勻設計初始化群體，將染色體定義為一個人臉特征子集。

（2）計算染色體的適應度（人臉識別正確率），對染色體進行混合選擇。

①雜交和變異，定義雜交系數Pc=0.5,變異系數Pm=0.1。

②淘汰適應度低于設定閾值的染色體，剩下m個個體。

③如果m≠n,則動態補充新子代：將上一代的a×n(a=0.2-0.4)個個體進行3～5次隨機變異，生成n-m個新個體投入子代，繼續循環；反之，則跳出循環。

（3）判斷人臉特征子集的適應度是否達到預設值，如果達到，則退出循環；反之，繼續搜索特征子集的優化解。

經過OGA方法的優化，本文算法較之Fisher臉方法，其運行速度約提高10%，識別率約提高8%左右。

4 實驗結果

為驗證實名制票務系統的可行性與穩定性，搭建了檢票模塊的實驗平臺（參見圖1的檢票系統），并招募了79名志愿者模擬檢票進站的乘客。實驗平臺包括檢票用閘機一臺、RFID讀寫器、RFID車票、攝像機、圖像處理模塊及運行數據庫程序的服務器。人臉檢測及識別程序運行在實驗平臺上用于乘客生物特征的識別與校驗，以實現實名制功能。

實驗過程中，光照條件及采集圖像時乘客與攝像機間的距離受到嚴格控制。實驗過程模擬單一通道檢票過程，79名志愿者模擬乘客攜帶（無需出示）RFID車票依次通過閘機。任意RFID車票具有唯一的標簽ID號，及其所對應的車次和乘客人臉特征信息（在購票環節記錄于服務器的數據庫中）。在檢票時，經攝像機拍攝的人臉圖像，其特征信息如車票ID對應的人臉特征一致，則該車票定義為“合法車票”；反之，則為“非法車票”。

通過在這一單通道實驗平臺上進行多次實驗，得到包括識別率、檢測及識別時間在內的多項實驗數據，以得到該平臺的性能指標。

首先，給出以下指標定義以表征人臉檢測實驗結果：

PASS，合法車票持有者被閘機正確放行；

FAIL，合法車票持有者被閘機錯誤拒絕；

FIND，非法車票持有者被閘機正確拒絕；

MISS，非法車票持有者被閘機錯誤放行。

考慮到系統運行的實時性要求，可適當降低錯誤接受率即MISS值的要求，以加快識別速度。實驗中，當MISS值控制為1%時，系統的正確通行率可達99.5%。具體數據如表1所示。

表1 系統識別率指標（MISS=1%）

其次，通過在程序中加入計時函數，統計系統從獲取圖像到得出識別結果之間的運行時間。通過多次實驗，得到實驗結果如表2所示。

表2 人臉檢測及識別時間實驗結果

最后，實驗還對79名志愿者依次通過檢票口的總時間進行了統計，共進行了10次重復實驗，每次的通關時間及總體平均時間等數據，如圖4所示。

圖4 通關時間（平均時間T=75.6 s）

根據以上數據，可得實名制票務系統的具體性能指標如表3所示。可見，RFID車票可以在0.1～1.0 m的距離范圍內可以被精確射頻識別，實現“非示出型”檢票，同時人臉檢測和特征識別速度控制在0.2 s以內，檢票環節的整體通關時間可以控制在1 s之內，是現有手工實名制查驗效率的30倍。

最后，考慮一個實際應用案例。目前，停靠及始發高鐵、動車的火車站通常為列車開設A、B兩個檢票口，每個檢票口安裝有4臺檢票閘機。假定列車停靠某站時，等待檢票上車的乘客有300人，則每個通道平均需要檢票37.5人次。在實際檢票過程中，乘客往往隨身攜帶行李，較之理想的實驗條件下的通關過程，速度應略有下降。以實際通關速度為2 s來計算，則完成檢票需要75 s可以滿足實際應用的需要。

表3 系統性能指標

5 結語

實名制是軌道交通產業的熱點問題。由于生物特征具有普遍性、唯一性、可測量性和穩定性的特點，生物識別技術為實名制車票提供了一個可行的解決方案。本文的創新之處在于：（1）利用RFID技術實現了閘機對乘客身份信息的主動感知；（2）改進了Viola-Jones人臉檢測算法，并且利用基于OGA方法改進的Fisher臉方法對乘客身份進行認證，對姿態、視角變化有較強的魯棒性，提高了識別率和運行速度；（3）利用物聯感知和生物識別技術，對車票和乘客身份實現雙重認證。實驗證明系統具有較高的可行性及廣泛的應用前景。

[1]周輝.基于嵌入式Linux的人臉識別系統的研究[D].西安：長安大學，2009.

[2]李武軍，王崇駿，張煒，等.人臉識別研究綜述[J].模式識別與人工智能，2006，19（1）：58-66.

[3]Viola P，Jones M J.Robust real-time face detecion[J].International Journal of Computer Vistion，2004，57（2）：137-154.

[4]Freund Y，Schapire R E.A decision-theoretic generalization of on-line learning and an application to boosting[J].Journal of Computer and System Sciences，1995，55（1）：119-139.

[5]李外云.基于ARM架構的嵌入式人臉識別技術研究[D].上海：華東師范大學，2008.

[6]塔娜.基于ARM的人臉識別系統設計與實現[D].長春：東北師范大學，2009.

[7]Brubaker S C，Wu J，Sun J，et al.On the design of cascade ofboosted ensembles forface detection[J].International Computer Vision，2008，77（1）：65-86.

[8]YangM，Crenshaw J，AugustineB，etal.AdaBoost-based face detection forembedded systems[J].ComputerVision and Image Understanding，2010，114（11）：1116-1125.

[9]李江.紅外圖像人臉識別方法研究[D].長沙：國防科技大學，2005.

[10]Belhumeur P N，Hespanha J P，Kriegman D J.Eigenfacas vs fisherfaces：recognition using class specific linear projection[J].IEEE Transactions on Pattern Analysis and Machine Intellicgence，1997，19（7）：711-720.

[11]吳建龍，羅海兵.遺傳算法在人臉識別中的應用研究[J].計算機仿真，2010，27（12）：283-292.