基于人臉識別的快速公交云支付系統的構建

文/謝振東 蔡梓超 顧裕波 鄒大畢

隨著“互聯網+交通”模式的深入，創新的支付和出行方式一直被積極地探索著。近年來，隨著生物識別技術在智能手機端的廣泛應用，人臉等生物識別技術也逐漸在零售、餐飲、醫療等大型消費環境試點應用起來，人臉識別技術在交通領域有著非常廣闊的想象。

城市公共交通電子支付以非接觸式IC 卡為主，近年來陸續出現云閃付、二維碼支付、手機支付等新興支付方式，但相關支付技術都需要借助額外的安全認證模塊（IC 卡或手機）實現。隨著“互聯網+交通”模式的深入，公眾對交通信息化服務的需求正發生著結構性變化，他們不再滿足于“能用”，而更加注重便捷安全、個性化、經濟高效等高層次需求。人工智能技術的應用，使得人臉識別、虹膜識別、靜脈識別等一批生物特征識別的技術進入視野，公眾迫切期盼相關技術與交通電子支付的融合，在電子支付“從實體卡到虛擬卡到無感支付”的進程中，為公眾提供更多多樣化、智能化的支付選擇。

刷臉支付無疑是未來支付領域的一大趨勢，目前人臉識別技術已經發展得比較成熟，具備了正式商用的基礎，但是交通支付領域不同于普通消費領域，其天然的交易環境和特點為人臉識別的落地提供了一定的難度和要求。本文基于人臉識別，對云支付技術在公交出行場景方面展開研究，解決快速出行的問題。

圖1：系統總架構圖

1 背景

與其他生物識別技術相比，人臉識別技術具有易用程度高、接受程度高、和準確度高的優勢，主要應用于互聯網和安全方面。人臉識別（Face Recognition）是一門復雜的交叉學科，涉及圖像處理、機器學習等技術，是人工智能的重要研究領域。人臉識別技術作為生物特征識別領域中一種基于生理特征的識別，是通過計算機提取人臉特征，并根據這些特征進行身份驗證的一種技術。隨著高效圖像算法的出現和計算機性能的進步，自動人臉識別技術已經取得快速發展。

2018年6月，由廣州公交集團牽頭，羊城通公司、交通投資公司、廣州電信公司、BRT 管理公司等一起合作，在BRT 體育中心站及石牌橋兩個站點進行人臉識別支付乘車的試點開發應用。

2 人臉識別云支付需求分析

目前，人臉識別技術已經發展得比較成熟，具備了正式商用的基礎，各地公共交通人臉識別方案陸續亮相，但卻遲遲未見真正落地商用，因此刷臉乘車仍有許多需要解決的難點。一是在公共交通領域要求支付速度快，傳統的交通刷卡的速度需要保證在毫秒之間，而刷臉支付雖然不能達到那么高的要求，但仍然需要較快的速度，以滿足交通快速通行的環境。二是公共交通領域環境特殊，需要人臉識別的軟硬件量身定制。白天強光照射、夜晚光線暗淡、部分環境網絡不好、高峰時期流量大等等。三是人臉識別應用于交通支付，隨著交通流量的日益增加，需要從數據庫中的N 張人臉中識別出個人的身份，數據庫的大小是影響識別速度和準確率的重要因素之一。面對著如此龐大的圖片集，采用有效地存儲方式和優化處理也迫切需要。這些都是快速公交出行需要解決的問題。

3 廣州BRT羊城通實施方案

在BRT 公交站臺閘機處，安裝人臉識別設備，用來對人臉進行抓拍，并連接前端系統服務器，新建一套人臉識別系統，包括人臉識別比對系統、人臉識別人臉庫，在羊城通現有APP 新增一項目人臉識別通道，羊城通支付系統開通人臉識別支付模塊。系統總架構圖如圖1所示。

3.1 開通人臉識別支付功能

乘客通過羊城通手機APP 開通人臉識別功能，通過APP 啟動手機相機自拍一張照片，并綁定用戶的ID 信息，錄入到人臉識別人臉庫里。APP 同時通知羊城通支付服務器，該用戶已啟用人臉識別支付功能，并在APP 人臉識別功能狀態顯示出顯示為：已開通。

3.2 前端抓拍人臉

要做到人臉識別的準確和可靠，算法和硬件的優化不可缺少。對人臉識別設備進行定制化設定，紅外補光、同畫面多人像連續抓取、80cm 有效識別距離等，保證乘客人員通過人臉識別通道時，人臉識別設備自動抓拍到高質量的人臉照片，并推送到前端系統，系統照片篩選，選用質量好的照片推送給人臉識別比對系統。

3.3 人臉識別比對系統

3.3.1 人臉姿態識別

在實際復雜的環境中，因為人臉多姿態變化，會導致人臉的特征發生變化，影響人臉識別的準確性，因此采用一種基于多姿態的人臉識別算法。人臉姿態估計可以分為訓練和估計兩個部分。

在訓練的過程中對人臉識別人臉庫的人臉圖片進行剪裁、光照歸一化、灰度化處理，然后采用梯度方向直方圖（HOG）方法來提取人臉圖像特征，提取圖像特征作為訓練特征的數據集，并使用類內協方差規整（WCCN）方法對對訓練集中的人臉圖像進行處理，降低人臉姿態信息對人臉識別的影響。使用線性核SVM 分類器對處理后的人臉圖像進行分類，并且根據分類結果的反饋對SVM 分類器進行優化。

在人臉姿態估計的過程中，與訓練階段相似，采取同樣的方法對提取圖像特征，然后將訓練好的分類器對在BRT 人臉識別設備前端抓拍上傳的圖像進行分類，分類的結果就是人臉姿態評估結果。最終實現了對人臉姿態的估計和人臉識別。如圖2所示。

3.3.2 基于Hadoop 的分布式人臉識別

考慮到隨著交通流量的日益增加，將當前大數據技術中主流框架Hadoop 與多姿態人臉識別算法相結合，從而提出一種對大量人臉數據進行處理的解決方案。

（1）可以將人臉識別的數據劃分到集群中的每個節點上，存儲到HDFS 中，作為人臉識別人臉庫，實現高并發性，大大提高人臉識別圖像的速度。同時還可以將人臉庫縮小，將其拆分成多個人臉庫來提高檢索效率。

（2）對Hadoop 框架的人臉數據類型接口和輸入/輸出格式接口進行擴展。因為Hadoop 使用的是分布式集群體系結構，遠程調用協議實現了集群節點之間的通信。遠程調用協議通過將數據信息串化為二進制來實現節點間的通信。對接口的擴展，可以讓Hadoop中的Map 和Reduce 階段的數據可以高效傳輸、處理。

（3）將多姿態人臉識別算法和Hadoop框架結合，對通過姿態評估的結果進行分布式計算處理，從而比對到對應的人臉和環境信息。

（4）通過緩存技術，將辨認出的人臉和環境信息保存到緩存中，并標記該人臉乘客是常坐公交的乘客。運用緩存技術后，就不需要每次識別都要去服務器進行處理，在緩存中處理和檢索的速度比在數據庫的硬盤上的快。當乘客第一次進行人臉識別時，去人臉庫中檢索進行識別，比對到的結果保存到緩存中，當該乘客第二次進行時，直接去緩存中處理。

如果上傳照片不符合比對要求，則立馬反饋給前端系統，要求重新再推送照片進行比對，比對完成后輸入結果，如能識別到為人臉庫里的人員，則將成功提醒信息和乘客的ID 一并返回給前端系統。如不能識別到為人臉庫里的人員是，則將失敗提醒信息和錯誤代碼返回給前端系統。

3.4 支付扣款

前端系統收到人臉識別系統返回信息，如成功比對，收到乘客ID 后，立馬將乘客的ID通知羊城通支付系統扣款，扣款成功后，羊城通支付系統返回乘客ID 信息、扣款金額、時間等信息給到前端系統。如扣款不成功，則返回錯誤信息和錯誤代碼給到前端系統。

3.5 開閘

前端系統收到羊城通支付系統返回的扣款成功后，通知閘機開閘。為了避免乘客在刷臉支付同時又刷卡支付，前端做以下功能設計：

（1）前端支持延遲扣款；

（2）通過閘機開門信號反饋來控制是否刷臉扣款，避免同時出現刷卡支付和刷臉支付。

4 結束語

隨著“互聯網+交通”模式的深入，基于公共交通行業的“刷臉支付”應用研究和推廣是十分必要和迫切的，同時這也是人工智能技術在交通領域推廣的最好的方法之一。對于人臉支付，我們暫且不去指望人臉能去顛覆其它支付方式、替代二維碼甚至刷卡，但是它至少會是未來支付領域一個很好的補充。

圖2：基于HOG 和WCCN 的人臉識別流程圖