基于人臉識別的實驗室上機考試身份驗證

葉青

摘 要：實驗室上機考試在越來越多的領域得到應用，比如注冊會計師考試，銀行業從業資格考試等。大部分考場都采用人工身份驗證的方式。但是人工識別的局限和機房電腦顯示屏的遮擋給替考作弊行為的查找帶來了困難。該文注意到深度學習在人臉驗證領域得到了長足的發展，提出一種新的基于人臉識別的上機考試身份驗證系統。該系統首先通過考生準考證號登陸進系統，再通過人臉檢測方法得到人臉，然后使用深度學習方法比對得到的人臉與系統中保存的人臉，最后使用活體檢測方法排除替考者使用照片驗證的情況。

關鍵詞：深度學習 人臉識別 上機考試 身份驗證

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1672-3791（2017）03（a）-0010-02

很多高校計算機實驗室除了承擔教學任務外，還需要承擔大量的上機考試。上機考試可以自動出題，自動評卷，能極大地減少考務人員的工作量。所以隨著計算機技術的飛速發展，越來越多的考試在計算機上完成。目前大部分上機考試的身份驗證均采用人工驗證的方法，有如下缺點：（1）監考人員基本沒有經過專業的人臉識別訓練，很難根據考試證件和考試人員人臉快速準確地判斷兩者是否匹配。（2）在考試時檢查證件對考試人員也造成一定的影響。

為了應對上述情況，目前已經有一些基于人臉識別的考生身份驗證系統被提出。陳史政[1]提出一種基于LBP的人臉識別技術。朱秀娟[2]提出一種新的人臉識別技術用于考生身份驗證，其中特征提取采用小波變換，分類器使用支持向量機。黎海清[3]使用Gabor特征提取人臉特征用于人臉識別。顯然，以上應用在考試身份驗證的人臉識別技術存在2個缺點：（1）人工選擇特征提取方法，對人臉特征的提取量可能不足。（2）考生使用事先準備好的照片也可能通過系統的驗證。為了克服上述方法中的第1個缺點，該文使用深度學習；為了克服上述方法中的第2個缺點，該文使用活體檢測技術。

1 系統的設計

考生身份驗證系統包含考生信息注冊和考生信息驗證，其中考生信息的注冊在考生報名時執行。考生身份驗證則在考生進入上機考試系時執行，整體流程圖如圖1所示。

從圖1可以看到，身份驗證包含4個步驟。

第1步，考生輸入準考證號和考試密碼執行考生初步驗證。使用初步驗證，可避免考生人臉驗證失敗后拒絕透露自己考生信息的情況發生。

第2步，使用人臉檢測技術檢測攝像頭中的所有人臉，并且判斷人臉大小是否符合規定人臉大小。如果人臉太大或者太小，提示考試者向前靠近攝像頭或者向后遠離攝像頭。

第3步，使用深度學習方法執行人臉驗證。深度學習人臉驗證方法對每個考生來說僅需要一張人臉照片，為考生信息注冊提供了便利性。

第4步，使用一種新的活體檢測方法判斷考生是否在使用照片進行人臉身份驗證。

上述步驟的第1步是一個簡單的賬號、密碼登錄模塊。第2步使用OpenCV中的正面人臉檢測程序。接下來詳細介紹人臉驗證和活體檢測技術。

2 人臉驗證

該文在人臉驗證過程中使用圖2所示的積神經網絡框架，圖中C11，C12，C51，C52表示卷積層，P1，P5表示下采樣層，loss表示損失函數計算。loss層使用損失函數，其中、分別為網絡上、下部分的輸出值。

人臉驗證包括訓練過程和測試過程。在訓練過程中，每次隨機從該數據庫中選取一對人臉數據，得到、。然后使用loss函數反向傳遞優化參數。上述過程持續1 000 000次，得到訓練模型。在測試過程中，根據損失函數得到考生注冊時的人臉與考試時檢測的人臉的相似度。對相似度設定一定的閾值，即可判定這兩張人臉是否屬于同一張人臉，其中閾值可以通過實驗得到。

3 活體檢測

該文活體檢測的流程圖如圖3所示。從圖3中可以看到活體檢測包含4個步驟。因為在考生身份驗證時需要較快的執行速度，該文使用快速AAM檢測人臉特征點。

在子區域截取中，該文將隨機截取一個或者多個子區域用于活體檢測。不使用固定區域可以防止活體檢測模式被提前泄露出來。

在截取到子區域后，人眼區域將歸一化到20×40大小，對于嘴巴區域則歸一化到30×60。為了提高活體檢測效果，為了克服光照變化，對這些區域提取局部二值紋理（LBP）特征。

活體檢測是一個典型的二分類問題，該文將采用支持向量機解決該問題。因為左眼、右眼、嘴巴區域有著明顯不一樣的特征，所以針對這3個區域分別訓練支持向量機。為了避免分類器的分類錯誤對考試造成影響，允許重復執行3次，如果3次均不能通過，則通知監考人員。只有考生通過所有的活體檢測動作，才能開始考試。

4 實驗

實驗將在實驗室上機考試環境中針對10位考生執行。為了適應不同的姿勢，每位同學將更換5次座位；為了適用不同的光照環境，上述操作將在白天和晚上分別執行一次。這樣總共有100個數據。為了避免測試數據與訓練數據相同，人臉驗證閾值和活體檢測需要的訓練數據將另外選擇10名考生執行相關操作獲得。

其中人臉驗證的實驗結果如表1所示，識別率表示兩張人臉匹配程度超過閾值的概率，誤識別率表示兩張屬于不同人的人臉的匹配程度超過閾值的概率。從表1可以看到，通過3次驗證，基本所有情況都能通過人臉驗證驗證出，并且誤識別率為0%。

活體檢測的實驗結果如表2所示，識別率表示隨機活體動作通過檢測的概率，誤識別率表示照片通過活體檢測概率。從表2可以看到1次通過活體檢測概率較高，這樣該驗證系統對考生的影響極小。另外使用照片通過活體驗證檢測的概率為0%，表示考生不能簡單地使用照片通過活體檢測。考生使用照片通過活體驗證的難度非常大。

5 結語

該文提出一種新的基于人臉識別的上機考試身份驗證系統。利用最近提出的基于卷積神經網絡的人臉驗證方法執行人臉驗證，設計一種新的隨機動態活體檢測方法能夠大幅度降低使用照片通過身份驗證的概率。實驗結果證明該文方法能夠很好地應用于日常的實驗室上機考試身份驗證中。

參考文獻

[1] 陳史政.基于LBP的人臉識別技術在考試身份驗證中的應用研究[J].赤峰學院學報：自然版，2014（8）：41-43.

[2] 朱秀娟，盧琳，鐘洪發.人臉識別技術在考試身份驗證中的應用[J].激光雜志，2016（6）：90-93.

[3] 黎海清.基于特征提取的人臉識別考試身份驗證系統的設計與實現[J].信息與電腦，2016（13）.