身份認證服務云平臺設計與開發

張欣怡 龔迅煒 方文卿

摘要：本文旨在開發一款基于云平臺下的身份認證系統。擬采用基于MTCNN人臉檢測、人臉矯正、人臉動作活體檢測、人臉特征提取、相似度計算以及用戶習慣算法，綜合一套身份認證服務器平臺。本文通過提出活體人臉認證與用戶行為習慣算法進行身份認證，防范非賬戶用戶或是欺騙行為。

關鍵詞：人臉檢測;深度學習;MTCNN人臉檢測;活體檢測;用戶習慣算法

中圖分類號：TP18 ? ? ?文獻標識碼：A

文章編號：1009-3044（2022）13-0091-03

近年來，游戲、直播的行業不斷發展，其涉及到充值、打賞、轉賬等操作更加快速便捷，在面對誘導消費時，心智不成熟的兒童極易沖動消費，導致未成年人網絡娛樂性消費糾紛頻發。為減少這一負面結果，本文旨在開發一款活體人臉認證云平臺系統，利用在線平臺刷臉識別，在支付前判斷是否為本人操作。

許多場合中人臉識別認證身份的技術存在過多缺陷，比如光照問題、姿態問題等;用戶變化姿態就可能存在識別不出的問題，或有采用圖片或者3D建模可繞開人臉識別檢測。早期人臉識別應用中，主要采用機器學習技術和人工設計局部特征的組合，將人工設計的紋理和特征描述量作為訓練數據，通過尋找底層特征與算法分析，得到相應的判別結果。本文采用MTCNN[1]人臉檢測加以矯正算法、動作活體檢測算法[2]、進行相似度比對并融合用戶習慣算法，形成了一套較為完整的身份認證服務系統。

1系統構架與設計

身份認證服務云平臺是由建立在終端設備、云平臺的服務端和供用戶點擊交互的App端組成。系統分為三層，包括數據采集層、云端處理層和數據持久化層。系統硬件部分實現人臉檢測、活體檢測和人臉特征提取的功能。服務器端包括云端數據控制、人臉認證服務以及用戶習慣記錄等內容。App端負責采集信息認證以及與用戶之間的交互顯示。核心技術分別為基于深度學習的人臉體征提取和識別模型、人臉動作活體檢測算法、MTCNN人臉檢測算法以及識別非法攻擊方法。

1.1終端技術實現

終端設備基于深度學習的人臉活體檢測和用戶習慣算法，識別是否為本人操作，反饋是否允許繼續當前用戶操作的指令。

終端運行流程如下：

1）終端開啟后，硬件完成初始化，從服務器獲取設置;

2）通過攝像頭采集數據，將視頻傳輸給服務器端;

3）通過檢測算法識別是否為本人操作，根據用戶習慣判斷風險;

4）若登錄風險大，反饋非本人操作不允許繼續操作的信息。

處理流程圖如圖2所示。從App端獲取視頻數據，關鍵幀提取后繼續人臉檢測判斷是否有人，判斷該時刻設備是否為習慣設備，判斷是否為本人操作而非其他欺騙手段，最后反饋到App端，是否允許繼續操作。

1.2 數據庫設計

本身份認證云平臺所管理的信息為：賬號信息、身份信息、人臉特征信息、用戶登錄習慣信息。用戶在App端注冊賬號時，填寫真實身份信息，進行人臉錄入，交互信息將傳給服務器端。計入基本信息后，存儲相應的賬號信息，代表身份的人臉特征以及登錄設備與地址等初始用戶習慣到相應表中。

1.3 服務端實現

服務器端主要使用Web、Java和Mysql等技術共同開發完成，服務端和App端之間通過HTTP建立連接，進行通信。服務器端記錄用戶和設備信息，并將記錄上傳到服務器的終端設置、識別數據、特殊情況記錄等，用戶可以隨時在App端查看這些數據信息。

2系統功能實現

2.1 系統功能流程

本系統功能算法流程圖如圖3所示，首先抽取目標視頻的關鍵幀，通過MTCNN算法進行人臉檢測實現動作活體檢測并抓取最優人臉;判定為活體后再通過MTCNN算法進行人臉檢測并進行矯正;通過face_recognition[3]提取人臉特征得到512維的特征向量;再對人臉特征進行相似度計算，與相似度閾值對比，最后得到結果輸出是否為本人操作。

2.2 基于MTCNN人臉采集算法

本文采用將MTCNN集成的人臉檢測算法，該算法將面部檢測與對準集成，輕便快捷、精度更高。本文所用模型通過在較大規模的數據集上進行訓練，對人臉信息進行重復學習，泛化能力強、魯棒性好，減少了因復雜背景干擾的影響。

MTCNN總體為三層網絡結構，其算法原理為：先在輕量級的CNN框架下快速生成候選窗口，再優化候選對象，最后生成最終的邊界框確認人臉。對其所確定的5個臉部特征關鍵點進行仿射變化，通過兩眼距離計算角度做矯正，得到一個人臉姿勢正確的圖像。

2.3 基于動作活體人臉檢測

普通的靜默人臉識別系統容易被具有欺騙性的情況所偽造通過檢測，易受外部欺騙[4]。本文所用的基于動作活體人臉檢測技術，基于啟發式的算法模型，如通過眨眼、搖頭的組合動作的檢測，可以在用戶無感的情況下進行，有著更好的用戶體驗。既兼顧了本系統輕便快捷的優點，防止了部分用戶欺騙性手段，提高了不同環境下識別準確率，增強用戶體驗感。

本系統采用的動作活體檢測算法描述如下，通過人臉特點檢測算法檢出如圖4所示的68個關鍵點，人臉在進行眨眼、張嘴、搖頭等動作時，相應關鍵點的比例距離會產生變化。如進行張嘴檢測時，判斷關鍵點63和67之間的距離大于一定閾值時，則視為張嘴動作。

2.4 人臉特征的提取與對比

根據人臉檢測模型和5個特征區域裁剪出人臉區域，通過人臉特征提取算法，提取出特征長度為512的特征向量。將提取到的特征向量與存于系統數據庫中的本人數據特征對比，計算相似度。若超過閾值，則認為當前檢測的人臉符合，如圖5所示。

在計算相似度時，根據兩個向量：當前樣本提取的向量[X（x1，x2， ... ，xn）]，和原樣本向量[Y（y1，y2， ... ，yn）]，對其計算歐氏距離：[dist（X，Y）=i=1n（xi-yi）2]得到結果，將此結果與訓練到的閾值對比，即可判斷出是否為本人操作。

2.5用戶行為習慣算法

筆者采用KDE算法[5]監控用戶使用習慣的風險性程度。其核心設計過程是通過統計和預測某個時間段登錄的概率值，若某用戶通常登錄時間是上班的時間，因此凌晨時間登錄就會被標記為風險行為。在其進入系統后進行操作，對其進行特征分析，User-Profile聚合一個用戶在一段時間內產生的所有行為數據的數量，通過KDE重新組織統計數據，并檢測對比此模式是否發生明顯變化。如經過此雙重確定后，則認定為風險賬戶，將采取一定的積極措施保護賬戶信息。

3實驗結果與分析

通過在互聯網上采集非用戶本人的圖像與視頻等訓練數據集，進行測試是否符合活體信息。圖像可通過圖6所示人臉獲取過程，但無法通過圖7所示活體檢測過程。因無法通過規定的活體眨眼和張嘴等隨機靜默動作，會被識別為非活體而認為非法入侵。

本系統能快速高效識別并反饋，通過人臉特征檢測點比對，反饋得到非本人操作而視為非法入侵。只有在活體且為本人操作的情況下，才會檢測成功通過本系統的驗證，如圖8所示。

4結束語

針對目前盜刷、誤刷、誘導性消費等問題，本文設計了基于云平臺的身份認證系統，有效保障用戶使用的安全性，防止其他技術手段的欺騙行為。隨著各大保護用戶隱私政策的推出，以及手機應用的普遍化和廣大用戶的安全意識提高，本系統會有越來越廣泛的應用市場，能實現很高的商業價值與社會價值。

參考文獻：

[1] Zhang K P，Zhang Z P，Li Z F，et al.Joint face detection and alignment using multitask cascaded convolutional networks[J].IEEE Signal Processing Letters，2016，23（10）：1499-1503.

[2] 皮家甜，楊杰之，楊琳希，等.基于多模態特征融合的輕量級人臉活體檢測方法[J].計算機應用，2020，40（12）：3658-3665.

[3] 田曦初，蘇寒松，劉高華，等.基于InsightFace的改進教室人臉識別算法及其應用[J].激光與光電子學進展，2020，57（22）：304-314.

[4] 陳祥闖，付曉峰.人臉識別和年齡估計在網游防沉迷中的應用[J].技術與市場，2021，28（1）：41-42.

[5] 房玉琢，許志勇，趙兆.基于近似核密度估計的近場多聲源定位算法[J].通信學報，2017，38（1）：106-116.

【通聯編輯：唐一東】