銀行運鈔安全管理系統中身份識別的實現?

郭運堯楊培相張麗平

（1.公安部第三研究所 上海201620）（2.東華大學信息科學與技術學院 上海201620）

1 引言

在銀行業的常態運營和管理工作中，作為對安全性指數要求極高、危險系數高的現金運輸工作，無論任意一種押運途徑，都一定要嚴格遵循嚴明的管理規范制度來完成日常的押運任務［1］。隨著人工智能的快速發展，視頻監控在大環境中的廣泛應用，隱私泄露，信息被盜取等現象也時有發生，金融業的從業人員的身份認證工作更是關系到國家和金融行業的運營安全。至今，在常見的押運方法中，仍舊是通過押運人員手動記錄、靠人力識別以及人員之間憑借自覺性互相督促的方式來執行的［2］。押運任務實施過程中，一旦發生危險反常事件，在現場無法在黃金時間內及時尋找到有用線索，只能完全憑借公安人員的專業偵察能力才能處理事情［3］。所以急需一個應用于銀行業的安全系數高，識別速度快的身份識別系統。

在現實的運用環境下，受傳感器性能與現有生物特征識別算法本身的局限性限制，僅僅依靠單特征的人臉識別技術，在現實場景中已經不能滿足銀行業對運營安全指數的要求［4~5］。故本文引入多生物特征融合策略，建設一個將指紋識別與人臉識別技術相結合的雙生物特征融合的身份識別平臺。本文提出在傳統人臉識別的SIFT算法基礎上，對描述子向量進行降維形成了改進后的pca-sift人臉特征分析匹配算法，提升識別速度和識別準確率。

2 人臉特征分析算法

2.1 主成分分析（Principal Component Analysis）

PCA側重于分析主要因素主要特征，從而達到降低分析維度的效果［6］。因此在統計學上，PCA被認為是掌握主要矛盾的降維方法。PCA在人臉識別領域應用頻率較高，因其對子空間改進識別效果好、降低維度、提取特征準確。K-L變換（Kar?hunen-Loeve變換）是PCA的主要原理，要測試的圖像被投影到由面部特征構成的空間中，獲得一組投影參數，然后比較面部數據庫數據以實現分類［7］。

PCA降維算法一般過程：構建特征人臉空間，構建訓練投影空間，通過比對實現人臉識別。

PCA實現流程如圖1所示。則PCA特征提取步驟如下。

圖1 主成分分析實現流程

有N個n維特征向量x，x（i），i=1，2，…，N

1）求均值向量m和協方差矩陣：

2）按照從小到大排列特征值、特征向量：

3）選取前m個特征值對應特征向量組成變換矩陣A：

4）樣本向量投影到以選取的特征向量為基的特征空間：

A的列向量φ看作低維空間的基，常量m不影響分布特性，故而將基向量的系數看作主成分yi=(y1y2…ym)，就是原樣本在低維空間的表示。

2.2 SIFT算 法（Scale-Invariant Feature Trans?form）

SIFT算法主要關注局部特征點，不注重整體特征。構造的尺度空間是局部點的特征描述，并且選擇適當的尺度以適應圖像尺寸的變化［8~9］。然后重新使用到關鍵點指定方向信息使得描述子特征的特征也高度適應旋轉。特征描述符具有描述尺度空間中圖像的旋轉、縮放、亮度和仿射變換的特性，并且抗噪性也很好［10~11］。

應用SIFT算法進行人臉識別分為兩個步驟如下：1）特征點提取；2）生成特征描述子，如圖2所示。

圖2 SIFT算法實現流程

特征點提取包含以下幾個步驟：構建高斯差分、構建DOG尺度空間、尋找極值點、選取特征點、確定特征點方向。

1）生成高斯差分。高斯差分（Difference of Gaussians，DOG）是用于在計算機視覺中從另一灰度圖像增強原始灰度圖模糊圖像的算法，DOG是一個空總額的小波母函數，是墨西哥帽子小波的近似值。一維情況下它的定義公式如下：

在二維的情況下：

2）生成DOG尺度空間。通過將高斯函數與圖像卷積來獲得尺度空間，設I（x，y）是原圖，G（x，y）則一個圖像的尺度空間可以定義為

高斯平滑核函數，其表達式為

在SIFT算法中使用了高斯差分（DOG）函數D（x，y，σ），定義為

3）尋找局部極值點。先掃描到的采樣點和周邊18個像素點逐個進行對比，用這種方法尋找到的局部極值點也可以視作關鍵點［12］。

4）選取特征點。確定關鍵點之后，再確定關鍵點的方向尺度，刪除對比度較低的極值點并優化特征點。

5）確定特征點方向。向量坐標值和方向值都需要確定。

6）生成局部描述子。

2.3 改進的SIFT算法

PCA-SIFT算法在描述子構建上作了創新，主要是使用PCA對描述子向量降維，已達到減少干擾因素和計算量的目的，需要對篩選算法進行一些改進以節省計算時間并降低失配率［13~14］。許多研究人員提出了諸如使用樹搜索最近鄰點并使用主成分分析來減少操作維度［15］。

為了確保可行性，本文使用基于PCA-SIFT算法的優化算法。典型的SIFT改進算法是PCASIFT，該算法使用PCA來減小算法的維數并將高維數據投影到低維空間，從而改變描述符的生成方式。其主要實施步驟如圖3所示。

圖3 PCA-SIFT描述子的構建

兩種算子優缺點對比如表1所示。

表1 SIFT、PCA-SIFT算子優缺點比較

3 系統框架

系統總體框架包括人臉識別和指紋識別兩個部分，框架圖如圖4所示。

圖4 系統框架圖

人臉識別軟件算法主要包括訓練過程和識別過程。通過訓練獲得的面部數據庫被用作識別過程的最終分類的參考文件。人臉識別的一般步驟是人臉圖像采集，圖像預處理，人臉檢測，人臉特征分析，人臉特征匹配。其中在人臉特征分析部分本文采用pca、sift、pca-sift三種算法進行實驗驗證比較，從而選出最優化方案；指紋識別的一般步驟是指紋采集、預處理、特征點提取、特征點匹配。

4 實驗結果及分析

本文通過比較不同算法下人臉識別結果選取最優算法，通過實驗驗證了識別效果，從識別準確率、識別速度、識別效率三個角度進行對比分析。

4.1 人臉識別改進算法實驗結果

4.1.1 人臉識別PCA算法實驗結果

PCA算法是可以利用降維技術通過幾個具有代表性的變量來取代原來多個變量，它側重于對應用中信息貢獻影響的綜合評估，使結果易于理解。缺點是主成分的因子符號具有正負點，并且命名清晰度低。如圖5所示，使用PCA算法進行人臉識別，測試用圖120張，準確113張，準確率94.17%，測試用時1108ms。

圖5 PCA算法人臉識別準確率及用時

4.1.2 人臉識別SIFT算法實驗結果

不強制限定特征點有效點比例的SIFT算法，在特征點不是特別多的情況下，SIFT匹配算法通過優化可以做到實時，且易聯合其他特征向量。當對紋理數量要求多時，而采集到的圖像不能達到要求，構造的矢量就相似度高，不匹配情況就會時有發生。識別結果如圖6所示，使用SIFT算法進行人臉識別，測試用圖120張，準確117張，準確率97.50%，測試用時53196ms。準確率比PCA高，但耗費時間幾乎是PCA的48倍，可見該算法計算緩慢。

圖6 SIFT算法人臉識別準確率及用時

4.1.3 人臉識別PCA-SIFT算法實驗結果

考慮到PCA、SIFT算法的局限性，本文特提出傳統SIFT算法的改進算法PCA-SIFT，改進方法是在SIFT基礎上，在生成的特征描述子上運用PCA降維，如圖7所示。

圖7 改進后的PCA-SIFT算法

如圖8所示，采用PCA-SIFT算法進行識別，測試用圖120張，準確118張，準確高達率98.33%，測試用時46036ms。

圖8 PCA-SIFT算法人臉識別準確率及用時

如表2所示，三種人臉識別算法在用時和準確率上的對比。

表2 三種算法人臉識別對比分析

人臉識別研究早于AI應用，實現方法有多樣，本文采用基于子空間分析的人臉識別，并在人臉檢測時候結合人臉多特征進行確定，降低了識別過程中誤判情況發生的頻率，提升算法的魯棒性。PCA算法的核心思想是降維，減少計算量；SIFT算法的實質是確定特征點及其方向，實時性優勢突出。實驗結果表明，改進后的PCA-SIFT算法汲取了二者的突出優勢，識別速度和準確率優勢愈加突出，均優于傳統算法。

4.2 銀行運鈔安全管理系統中身份識別實驗結果

當有多人人臉入鏡時，系統會根據指紋特征來判斷用戶身份，識別結果如圖9（a）所示，圖9（b）所示為識別結果。

圖9 多人臉入鏡檢測結果

用人臉圖片代替活體人臉進入系統的人臉采集模塊，仍采用真人指紋進行實驗驗證，以證明單因子人臉識別存在的風險系數，該系統中加入指紋識別的重要性和必要性。使用用戶的人臉照片和該用戶實時采集的指紋特征，也可以成功完成身份認證。由此可見，單一的人臉識別的局限性，引入指紋特征，可有效提高身份識別系統的準確率和可靠性。當他人拿著用戶的照片進行人臉識別，用自己的指紋進行指紋識別，試圖蒙混過關通過驗證時，采集場景如圖10（a）所示，實驗結果如圖10（b）所示。由此證明本系統中指紋識別的準確和對人臉識別缺陷的彌補，對身份認證系統的研究有借鑒參考意義。

圖10 偽造活體人臉檢測

5 結語

本文引入多生物特征融合策略，在現有傳統人臉識別SIFT算法、PCA算法的基礎上，進行改進形成了PCA-SIFT人臉特征分析匹配算法，同時引進了高性能指紋采集器，準確高效收集人體指紋特征，在決策層選用并行方式進行人臉指紋生物特征融合匹配，識別準確率較傳統算法的94.17%提高了4.16%。改進后的身份識別平臺具有實時性較好，識別速度快，穩定性高的特點。從而保障銀行營業網點的正常運行和資金的安全，進一步提升金融服務質量和銀行運營安全防范指數。本系統成本小，應用空間廣，可在對身份信息驗證嚴格的區域投入使用。