基于嵌入式人臉識別的駕校學習防作弊系統

盧曉龍， 彭 力， 靳海偉

(江南大學物聯網工程學院，江蘇無錫214122)

近年來，隨著我國城鄉居民生活水平的不斷提高，私家車急速增多，對駕駛培訓的需求也越來越大。在這種情況下，駕校數量和學員數量不斷攀升，然而實際的駕駛培訓的效果卻不盡人意。許多拿到駕照的新學員駕駛技能和道路安全意識嚴重匱乏，給道路安全帶來了極大隱患，這在很大程度上是由于學員在駕校培訓時學時未達到實際規定標準所造成的［1-2］。

現階段，指紋識別的身份認證技術已經成熟完善，認證準確率已經達到了99．99% 以上［3］。為了保證學員能按照國家規定完成駕駛訓練學時，目前絕大部分教練車上都安裝了基于指紋識別的計時培訓系統，學員上車學習時和學車結束時需進行IC卡打卡和指紋識別認證，以兩次打卡和認證時間計算學員練車時間。與單一刷卡簽到相比，指紋識別認證理論上能夠避免代打卡、逃避練車的現象。然而，在指紋識別認證的實施過程中，許多駕校為了節省成本，或者許多學員不愿意花時間參加學習，普遍采用了一些類似于“指?！钡淖鞅坠ぞ邚椭茖W員指紋在駕駛學時造假，使得學員實際學時嚴重縮水。這樣即使僥幸通過考試，也會成為潛在的“馬路殺手”。

目前，針對學習駕駛的過程中大量利用假指模作弊的情況已提出了許多解決方案。但這些解方案中大多是著眼于“指紋識別認證”這一環節，如采用三維指紋識別［4］、活體指紋識別［5］等技術代替當前的光學式指紋識別技術。其中較為先進的是采用活體指紋識別技術進行指紋認證，即通過電容傳感理論，讓電子信號直接捕捉真皮指紋。由于采集的是指紋真皮(活體)信息，因此驗證時不受指紋表皮干濕、破損等狀況的影響，并且對沒有真皮層的硅膠指紋套不識別，能夠較好地解決使用“指紋膜”進行造假的行為［5］。然而這些新型的指紋識別技術硬件成本較高，在現階段不易普及。

隨著人臉識別技術的不斷成熟以及嵌入式硬件的迅速發展，如今基于嵌入式的人臉識別技術已廣泛應用。針對駕校使用假指紋打卡作弊的行為，文中將人臉識別引入到了駕駛學習培訓系統中，設計了一種新型的雙重識別防作弊系統。該系統采用指紋識別與基于實時人臉識別認證相結合的技術進行身份驗證，杜絕了采用“指?！睈阂馑⑷W時的作弊行為。系統還可通過GSM網絡與后臺總的學員數據庫進行交互，并向學員發出防作弊的警示信息。

為提高人臉認證的準確性以及保持人臉認證的連續性，在單次人臉識別的基礎上，本系統設計了一套基于多次識別的統計認證策略，最后基于實驗室人臉數據庫、ORL人臉數據庫和Yale人臉數據庫進行了模擬測試。

1 系統功能模塊與主流程圖

本系統采用了友善之臂的Tiny6410核心板，基于嵌入式Linux開發環境，使用Qt進行界面(UI)設計，主要分為指紋識別、基于實時視頻監控的人臉識別和防作弊警報信息處理3個部分。其中，人臉識別部分是在Tiny6410平臺上利用OpenCV視覺庫進行開發的。系統功能模塊如圖1所示。

圖1 系統功能模塊Fig．1 Block diagram of the system modules

系統主流程如圖2所示。

圖2 系統主流程Fig．2 Main flowchart of the system

2 指紋模塊與GSM模塊

本系統中指紋識別模塊采用的是TFS-M61指紋開發模塊(見圖3)，指紋采集器通過UART接口連接。該指紋模塊是以美國德州儀器公司的LM3S2B93高速數字處理器為核心，結合具有公司自主知識產權的商用指紋算法(TFS-9)，高精度光學傳感器(TFS-D0307)，并具有指紋錄入、圖像處理、特征值提取、模板生成、模板儲存、指紋比對和搜索等功能的智能型模塊［6］。TFS-M61指紋開發模塊的認假率 ＜0．001%，拒真率 ＜0．1%，識別率相當高，可以認為是當前學員身份認證的標識。

圖3 指紋模塊Fig．3 Fingerprint module

在駕校學習駕駛過程中，每位學員在上車訓練之前都要進行指紋信息的采集，指紋信息是每個學員進行駕駛學習課時記錄的唯一憑證。傳統方式的學員課時統計只以單一的指紋信息作為憑證，而指紋很容易被復制下來(見圖4)，因此駕校可以在學員缺席的情況下利用復制的指紋信息進行課時累計，從而達到了縮減短學員課時的目的。

圖4 指模作弊工具Fig．4 Fingerprints cheating tool

文中提出的“駕校學習防作弊系統”是在學員指紋信息錄入之后繼續采集學員的臉部信息，拍照存儲后進行訓練。在學員進行指紋認證并開始進行課時累計時，攝像頭會對學員進行實時視頻監控，通過人臉圖像的提取和識別確認是否為學員本人，從而防止駕校利用指紋造假縮短學員課時的作弊行為。

本系統的GSM模塊采用的是中興的MF210(見圖 5)。MF210是一款支持 GSM/GPRS/EDGE，850/900/1800/1900多頻段HSUPA的3G模塊，可以提供移動環境下的 WCDMA，GSM/GPRS，EDGE(EGPRS)和HSUPA高速數據接入服務。MF210與S3C6410之間采用PCI Express Mini Card接口。本系統只需要簡單的短信功能，采用3G模塊是為了方便以后的功能擴展和升級［7］。

圖5 GSM模塊Fig．5 GSM module

3 基于實時的人臉識別認證

為保證每位學習駕駛的學員學時完整性，本系統采用基于實時的人臉識別認證，這樣就要求經過指紋認證的學員要一直處于駕駛學習狀態，杜絕了駕?？s短學時進行作弊的可能性。

3．1 基于實時的人臉檢測

目前有許多比較成熟的人臉檢測算法，如基于人工神經網絡(ANN)的方法、基于隱馬爾科夫模型(HMM)的方法、基于Adaboost的方法等。其中，Adaboost方法是目前人臉檢測正確率最高的算法之一，并且在速度上要遠快于所有其他方法。本系統為嵌入式開發，所以選擇了基于Adaboost的方法進行人臉識別［8-9］。

2001年Paul Viola和Michael Jones提出了一種基于 Haar-like特征、積分圖、級聯分類器的Adaboost算法的方法，方法主要可分為3個步驟:

1)用Haar-like特征表示人臉，通過“積分圖”實現對特征數值的快速計算。

2)使用Adaboost算法訓練迭代并挑選出最優弱分類器(最能代表人臉的矩形特征)，將這些弱分類器按照加權投票方式組合成一些性能較好的強分類器。

3)將得到的若干強分類器串聯，組成一個級聯結構的層疊分類器，訓練得到的強級聯結構能有效提高分類器的檢測速度。

OpenCV中有很多關于人臉檢測的級聯分類器，如:haarcascade_frontalface_alt．xml，haarcascade_frontalface_alt_tree．xml，haarcascade_frontalface_alt2．xml，haarcascade_frontalface_default．xml等，本系統人臉檢測部分采用的是“haarcascade-frontalface-alt．xml”分類器，因為該分類器在嵌入式平臺上檢測速度快且準確率高。程序中具體實現過程是:先使用cvLoad()加載級聯分類器，再使用cvHaarDetectObjects()進行檢測，人臉檢測流程及相關函數如圖6所示。

圖6 人臉檢測流程Fig．6 Flow chart of the face detection

3．2 人臉識別

本系統在人臉識別階段采用的是PCA算法。PCA方法的目的是利用K-L變換提取人臉主要成分，即通過對訓練圖片構成的協方差矩陣計算處理得到其特征值和特征向量，然后根據特征值和對應特征向量貢獻率的大小，保留主要成分。其主要原理與分析過程如下［10］。

假設訓練集中有N張歸一化人臉圖像，表示為A=(A1，A2，…，AN)i=1，2，…，N，圖片的像素數為n。則所有訓練樣本的均值可以表示為

訓練集的總體散布矩陣St表示為

求出St的特征值與特征向量，分別記作λk和uk，將特征值按照從大到小的順序排列，選取前d個最大的特征值和對應的特征向量，使得

其中，φ為貢獻率。若令α=95%，則意味著保留了95%的訓練樣本能量。特征向量μk即為所謂的特征臉，當特征值λk很小時，它對應的特征臉μk包含的大部分與人臉無關的信息(噪聲)［11-12］。以劍橋大學ORL人臉庫為訓練集得到如圖7所示的部分特征臉圖像(按其特征值從大到小排列)。

圖7 ORL人臉數據庫的部分特征臉圖像Fig．7 Some eigenfaces of the ORL database

所有特征臉形成的特征臉子空間記作W=(u1，u2，…，ud)，將每一幅人臉與平均臉的差值矢量投影到特征臉子空間，得到人臉圖像的降維向量

對經過人臉檢測階段得到的人臉圖像X，將其與平均臉μ0的差值投影到特征子空間W上得到降維向量 q，即

計算待識別圖像X與每一個訓練圖像Ai在特征臉子空間W上的投影

最后，按照最近鄰法可以判斷待檢測圖像的類別。單次識別過程在程序中的具體實現流程如圖8所示。

圖8 人臉識別流程Fig．8 Flow chart of the face recognition

4 基于多次結果統計的人臉識別策略

傳統基于PCA人臉識別的方法是以將人臉圖像向特征臉子空間進行映射的方式降維處理，提高了人臉識別的速度，但在降維過程中也會丟失一些有用的人臉信息，使得識別率降低。在實際的環境中，特別是駕駛車輛時，由于環境因素(如光照強度變化過大或者學員臉部扭動幅度過大等)影響了實際的識別結果，造成人臉識別結果不理想?；谝陨戏治?，本系統提出了一套基于多幀人臉圖像識別的統計識別策略。

該策略以連續的100次人臉檢測與識別的結果為依據，設置可信閾值T=0．75，即:當100次識別結果中有大于等于75次認證學員成功，完成一次認證，則認為訓練者是指紋對應的學員，可以開始進行課時計時;而如果連續3次認證低于閾值T，就認為是在利用假指紋作弊，將停止課時計時。如果一天內發生多次這種情況，系統將向學員發送報警短信，提示其訓練學時正在被占用。

具體的判別流程如圖9所示。

5 基于硬件系統的測試與數據分析

本系統在以三星S3C6410作為主處理器的Tiny6410嵌入式核心板的基礎上進行開發。為了對防作弊系統進行測試，收集了實驗室18個同學的人臉數據建立人臉庫(見圖10)。其中男生15人，女生3人，采集每人10張不同角度的人臉圖片建立人臉庫。

為檢驗本防作弊系統的實際效果，從指紋認證結束開始，對學員人臉圖像進行實時認證。從18個人中隨機選取10個同學進行測試，每個同學測試3次，每次100幀人臉圖像，識別結果見表1。

圖9 人臉認證策略流程Fig．9 Flow chart of the authentication method

圖10 實驗室人臉數據庫Fig．10 Laboratory's face database

表1 PCA人臉識別Tab．1 PCA face recognition:10 people of the 3 round of testing data

由表1中可以看出，PCA方法的實際檢測結果并不是很理想，10名學員的平均識別率只有82．47%。而采用文中提出的策略進行識別，同樣10個人進行10輪測試，每輪100次人臉識別，閾值取T=0．75，如果連續3次100幀人臉識別率低于T，則給予防作弊警告處理，識別結果見表2。

表2 基于統計策略的識別Tab．2 Face recognition based on the proposed method:10 people of the 10 round of testing data

表2的測試均是在實際環境中模擬駕駛姿態進行。其中有些人臉是由光照過強或者學員姿態過于扭曲(學員9姿態過于扭曲)造成認證失敗，給予了警告的信息通知。

在當前練車學員并非實際打卡學員的情況下，認為是在進行學時作弊。其測試結果見表3。

表3 指紋作弊的情況Tab．3 10 people's testing data in the case of fingerprints cheating

表3的10輪測試結果證明，如果駕校使用指紋膜的方式刷學時，而不讓對應學員練車，則每次均被防作弊系統通過人臉認證察覺，學時將不予計算，多次之后將會通過GSM網絡向學員發送報警短信，通知其學時正在被惡意刷取。

由于實驗室人臉庫所包含樣本較少，為了更全面地驗證文中所提出策略的準確性，分別將實驗室人臉數據庫與ORL人臉數據庫和Yale人臉數據庫分別進行合并，形成了Lab-ORL和Lab-Yale兩個聯合人臉庫。其中Lab-ORL庫包含58個人，每人10張人臉圖片;Lab-Yale庫包含33個人，每人10張圖片(原始Yale每人11張人臉圖，文中刪減成每人10張)。同理，在這兩個聯合數據庫上進行單次識別認證測試和基于統計策略的人臉認證測試，測試結果如圖11和圖12所示。

圖11 在聯合人臉庫上的PCA人臉識別Fig．11 PCA face recognition on combined face database

圖11中，基于Lab-ORL人臉庫的10名學員的平均每識別率為84．9%，基于Lab-Yale人臉庫的學員平均識別率為83．8%，在兩個聯合人臉庫中均有學員的識別率低于80%，誤差較大。

圖12 基于統計策略的識別:聯合數據庫Fig．12 Face recognition using our method:based on combined face database

圖12中三角形的代表基于Lab-ORL人臉庫的認證，圓形的代表基于Lab-Yale人臉庫的認證。從圖12可以看出，在兩個聯合人臉數據庫的10輪認證沒有出現連續3次認證失敗的情況，即沒有出現警告事件，展現出了較好的測試結果。圖13為防作弊實際測試圖。

圖13 實際測試結果Fig．13 Actual test diagram

圖14為防作弊你系統進行人臉識別認證時的串口輸出信息。在Tiny6410嵌入式平臺上，采用PCA算法進行人臉識別，單次檢測 +識別所需要的時間約為300～450 ms，進行3輪認證(每輪100幀人臉圖像認證)耗時2 min左右，和學員學習駕駛的課時時間相比很短，實用性較好。

圖14 人臉識別認證所需時間Fig．14 Time used for the face authentication

圖15為硬件平臺的實物展示圖。

圖15 實際的硬件平臺Fig．15 Hardware platform

6 結語

針對目前駕校普遍存在的以指紋造假作弊縮短學員駕駛學時的行為，文中設計并實現了一種基于嵌入式人臉識別的駕校學習防作弊系統，將人臉識別引入駕校學習考勤領域。系統采用Tiny6410核心板與linux系統進行開發，擁有指紋識別、實時人臉認證和GSM短信發送等功能。針對單次人臉識別誤差率較大且不具備實時人臉認證的缺點，提出了一種基于多次結果統計的人臉識別策略，并在實際的硬件平臺上經過多輪模擬測試驗證了策略的可行性。最后通過多次認證分析，說明了系統具有較好的實用性。

［1］孫勁松．淮安機動車駕駛培訓管理信息系統分析與設計［D］．南京:東南大學，2007．

［2］欒興國．基于指紋識別的駕?？记谙到y設計與實現［D］．成都:電子科技大學，2011．

［3］黃磊，陳丙根．基于指紋識別技術的駕校計時培訓系統［J］．現代電子技術，2011，34(9):209-210．HUANG Lei，CHEN Binggen．Timing and training systems of driving school based on fingerprint identification technology［J］．Modern Electronics Technique，2011，34(9):209-210．(in Chinese)

［4］張乃文．基于結構光的3D指紋信息采集系統的設計與實現［D］．哈爾濱:哈爾濱工業大學，2011．

［5］廖玉玲．華本國際專注3D活體指紋識別技術開發及應用［J］．中國公共安全，2013(24):257-257．LIAO Yuling．HWABO Int＇l focus on the development and application of 3D live fingerprint recognition［J］．China Public Security，2013(24):257-257．(in Chinese)

［6］吳成楓，趙振華．基于指紋識別技術的智能門禁系統研究［J］．微型電腦應用，2012，28(6):45-47．WU Chengfeng，ZHAO Zhenhua．Reaserch of intelligent access system based on fingerprint recognition［J］．Microcomputer Applications，2012，28(6):45-47．(in Chinese)

［7］楊彥格．3G移動終端軟硬件技術發展趨勢［J］．移動通信，2012，36(3):74-78．YANG Yange．The development trend of mobile terminal software and hardware technology of 3G［J］．Mobile Communications，2012，36(3):74-78．(in Chinese)

［8］張建明，汪大慶．基于Adaboost算法的多姿態人臉實時視頻檢測［J］．計算機工程與設計，2010(18):4065-4067．ZHANG Jianming，WANG Daqing．Building multi-view real-time video face detection system based on Adaboost algorithm［J］．Computer Engineering and Design，2010(18):4065-4067．(in Chinese)

［9］黃興，王小濤，陸麗華．一種快速高效的人臉檢測方法［J］．計算機工程與應用，2013，49(3):198-201．HUANG Xing，WANG Xiaotao，LU Lihua．Fast and efficient method of human face detection［J］．Computer Engineering and Applications，2013，49(3):198-201．(in Chinese)

［10］ZHOU C，WANG L，ZHANG Q，et al．Face recognition based on PCA image reconstruction and LDA［J］．Optik-International Journal for Light and Electron Optics，2013，124(22):5599-5603．

［11］孔令釗，唐文靜．基于PCA的人臉識別系統的研究與實現［J］．計算機仿真，2012，29(6):27-29．KONG Lingzhao，TANG Wenjing．Research and realization of face recognition based on PCA［J］．Computer Simulation，2012，29(6):27-29．(in Chinese)

［12］Luh G C，LIN C Y．PCA based immune networks for human face recognition［J］．Applied Soft Computing，2011，11(2):1743-1752．