關于ATM機智能報警裝置開發的探討

長沙理工大學物理與電子科學學院 陳俊霖

隨著我國金融行業迅猛發展，ATM機/自助銀行逐步遍布城鄉。由于銀行涉及大量現金流轉，安全防范一直是重中之重。根據行業調查統計，部分省市區域內大中型銀行部署的監控攝像頭已經達到2萬個左右，面對每時每刻產生的視頻流及報警信息，如何充分利用監控數據信息及時研判警情和異常事件，是銀行監控系統面臨的重大挑戰。

過去，雖然許多傳統的視頻監控已經部署在ATM取款機上，但仍存在許多侵犯ATM安全的行為發生，而且無法在第一時間采取及時、有效的措施制止侵犯行為。當前，算法的迭代優化和安防設備的功能升級，為視頻監控系統性能和功能的創新提供了更佳的解決方案。本文研究的報警系統旨在保持現有功能的基礎上完善ATM的報警功能，著手解決各種可能遇到的特殊事件和突發情況，減少人們使用ATM時出現錢財的損失。

本設計的ATM機是由51單片機驅動，12864顯示屏、4×4獨立按鍵、音樂播放模塊、低音喇叭、卡槽及踏板組成，外封裝為ATM形狀的長方形盒子，具有顯示功能、語音播報功能、按鍵輸入功能。運用算法以及顯示屏模塊完成存取款、輸入密碼、查詢余額等ATM基本操作。

智能報警系統由卡槽、踏板、紅外發射接收模塊、智能監控等模塊組成。當卡槽內有卡插入時，產生信號1，否則為0。踏板由彈簧、木板組成，踏板壓下（模擬人站在ATM前并踩在ATM機前的踏板上），紅外發射接收模塊因被阻擋而無法接收紅外線，輸出信號1。踏板信號為1，卡槽信號為0表示有人進入。當檢測到卡槽信號為1，踏板信號為0時，即認為人離開，卡沒有拔出來，將會觸發報警，當卡拔出后就會跳出循環，回到初始狀態，整個過程中當系統檢測到60s無操作時，顯示屏將自動切換為開始界面。系統利用深度學習和性能優化極大完善報警系統，實現智能報警和事前預警。

1 報警系統的原理

報警系統建立了局部識別技術，捕捉插卡口區域局部視場視頻圖像，識別插卡口區域異常行為；取視場中頂部區域，識別非法安裝頂部攝像頭異常行為；取鍵盤區域，識別加裝偽鍵盤的操作。此外，還可適應不同型號的ATM機。

對三個視頻分區——插卡口處、頂部區域、鍵盤區域，單獨構建深度網絡,識別各自區域的異常行為。對收集到的圖片，先進行預處理，將插卡口區域、頂部區域、鍵盤區域三個部分的監控所拍到的圖像分別進行處理，將圖像去燥，消除疊效、增強圖像，使圖片可視化、自動化，然后識別有無被改裝。

首先，對采集到的視頻進行人臉檢測，采用OpenCV的開源人臉檢測算法。然后，用檢測到的人臉區域圖像作為人臉遮擋偽裝檢測判斷的輸入，也可以根據檢測到人臉后啟動異常行為程序。接著，采用條件設定+識別檢測+警報觸發的視覺智能分析解決方案，結合機器眼監控——觸發視頻監控或圖片抓拍——多通道報警信息傳輸，將目標的特征行為結果與庫里的異常行為比對，從而判斷目標行為是否異常。

在識別到有異常行為后，銀行將針對不同情況將識別到異常信息的監控視頻或圖像送至銀行監控管理平臺或是直接拉動警報器，再根據具體情況人為處理或直接報警。當系統對行為識別有誤而拉動報警器時，監控平臺也能及時關閉報警器。不同于現在先監控錄像，再調監控查找、鎖定嫌疑人并追捕的繁瑣過程，該智能報警系統針對異常行為立馬做出反應，極大降低破案難度、復雜程度。

2 基于Open CV的人臉識別技術

Open CV庫中有大量數字圖像處理類函數，可以實現在不同維度空間對圖像的處理，從最開始的圖像視頻序列采集存儲到對畫面的預處理（分割、增強、濾波等），二值化后進一步用數學方法分析圖像。Open CV使用圖形界面，操作直觀，庫內有隊列、樹、集合等動態數據結構，運算便捷，可以實現運動估算、人臉識別和AR技術等功能。本研究主要應用Open CV技術，通過人臉模型匹配，起到實現人臉識別的作用。

人臉識別技術通過攝取圖像并自動在圖像中實時檢測是否存在人臉，如果存在人臉則進而對檢測到的人臉進行一系列特征獲取和比對。通過對文獻的查閱及分析，可以將人臉識別技術分成3個部分，即人臉檢測、識別訓練和人臉識別。

人臉檢測是計算機視覺領域的一項重要研究內容，其核心是在復雜背景中確定人臉的位置、大小和數量。人臉檢測是人臉學習和識別最基礎的一步，接下來的分析都要在檢測到的人臉上處理。人臉學習顧名思義是對于人臉特征進行學習以形成特征模板庫，主要為接下來的人臉識別服務。人臉識別是指采集圖像后，統計、辨識及對比與人臉特征相符的信息，并實時自動化判斷個性化信息。首先錄入拍攝到的人臉信息，整合軟件訓練庫，再調用庫內的分類檢索器，記錄和整合訓練時檢索的多組數據，一般情況下，Open CV內的識別器調用后將分析和檢索實時提供的圖像信息，完成識別信息確認。如探測到有關人臉信息，將啟用人臉屬性識別和人臉特征提取，對圖像矩陣數據采用由精到細的灰度策略進行多點對比，初步判斷個體情況，再綜合使用時間等信息，多維度交叉判斷個體使用意圖，之后再以無線信號的形式將信息傳輸到網關，網關再根據預設定完成執行相關動作，控制對應產品。最后，在個體使用結束后，記錄并存儲其操作信息。

3 基于深度學習的非法改裝行為識別

深度學習、人工智能領域的理論發展與技術進步推進基于視頻信息的異常行為檢測應用的發展，得到社會的廣泛關注。深度學習大大提高升異常行為檢測的準確率，過去人工難以準確描述的類別特征，現在可以通過機器學習從圖像或視頻中自動提取。

新世紀以來，應用到通過深度學習進行異常行為識別中的基于視頻和圖像特征的方法，高度依賴于設計者的經驗，對特征的精巧設計，以及抽取視頻或圖像光流特征的多輪實驗。有學者對基于此方法的網絡進行深度訓練和測試，識別準確率在75%左右，而異常行為漏檢率和正常行為誤檢率各占18%和28%。除了識別率不高的缺點，此方法通用性差，算法程序難以適應不同視角、分辨率的視頻設備。

全方位視覺智能監控便應運而生。ATM機引入全方位視覺傳感器，可以有效拓展現有系統監控范圍、提升智能化水平，實現圖像信息融合。但如果訓練與測試使用的攝像機分辨率或安放角度不同或ATM機型號、插卡位置存在差異，訓練出來的深度學習網絡將無法應對新情況，甚至無法完成識別。另外，參數越多，運算量成指數級上升，訓練速度、識別速度都會降低。

本設計的系統用人體感應模塊和IC卡槽關聯，實現當取款人取完款后未將插入的卡拔走就離開，將會智能報警，提醒取款人將卡片取走。如圖1所示，利用ATM機配備兩個Open CV攝像頭，攝像頭1進行ATM面板行為識別，攝像頭2進行人臉識別；能基于人工智能和神經網絡的異常行為識別非法行為并智能報警（如：搶劫、蒙面、惡意遮擋、惡意襲擊ATM機等）。采用三維時序卷積網絡分別為ATM監控視頻插卡口處、頂部區域、鍵盤區域建立深度網絡，用以識別各區的異常行為，識別精度大幅提高，訓練、識別時間大幅縮短，對不同分辨率、視角的攝像頭采集兼容良好。若識別出ATM機已被非法改裝，則智能報警。

圖1 ATM報警系統設計方案圖

結語：由于國內的ATM智能監控起步較晚，技術還不夠完善，開發出的產品距離智能化還有一定差距，并且都無法做到提前預警，只能事后取證，在實際的應用中受到很多限制，還有待于進一步的完善。提升ATM機智控水平，保障其可靠運轉，不僅是保護人們的人身財產安全需要，更是銀行服務提質的必做功課。本文設計的智能報警ATM機利用深度學習極大地完善了報警系統，從而實現智能報警和事前預警，與傳統ATM機相比，能夠做到提前預警，防患于未然。