人脸检测技术在ATM 自动识别功能拓展系统中应用

张明慧，张尧禹

0 引言

针对目前银行系统中ATM(Automatic Teller Machine)自动柜员机存在的不安全因素，开发研制了ATM自动识别功能拓展系统，该系统将生物识别技术与ATM系统结合，在现有的ATM机上，增加人脸识别等识别功能，有效保护银行声誉和持卡人合法利益的设计。

人脸特征是人体独一无二的“身份证”，是与人不可分割的，具有获取直接、友好、鉴别简便、安全性高、随身携带等特点，因此人脸识别适合作为ATM系统的一种身份验证手段。而人脸检测是人脸识别首要环节，其处理的问题是确认输入图像中是否存在人脸，如果存在，则确定所有存在人脸的位置、大小、姿势。人脸检测是ATM自动识别功能拓展系统中的一项关键技术。

1 ATM自动识别功能的拓展系统

目前市场上使用的ATM柜员机，仅具备一些必备的功能，存在许多不安全因素，如ATM被恶意破坏，出钞口被蓄意改造、出钞口吐钞与否、持卡人有无取钞、无法确定取款人、使用假卡、盗用卡等。

针对目前ATM自动柜员机使用过程中存在的不安全因素，运用生物识别技术，在现有的ATM自动柜员机上拓展人脸识别等识别方式，以增强ATM自动柜员机的自动识别及安全监控能力。

1.1 ATM自动识别功能拓展系统的组成

ATM自动识别功能拓展系统，由ATM机、自动识别功能软件组成。人脸识别模块是自动识别功能的一部分，是利用取款人的人脸图像的自动识别进行身份鉴别，防范恶意持卡人的诈骗行为。

系统硬件由ATM自动柜员机、两个摄像头、人体接近传感器、出钞口传感器、振动传感器、DSP处理器、计算机及接口电路等设备组成。摄像头均采用针孔式，用来采集取款人的人脸图像和信息，DSP和计算机用于图像处理和信息比对。

1.2 ATM自动识别功能拓展系统的功能结构

在整个系统中，图像采集装置用于采集取款人的图像信息并将其传输给DSP处理器，由DSP处理器提取图像特征信息，将其转化为数字编码，并对该数字编码进行实时计算和处理；同时将处理结果传递给终端计算机，由终端计算机将计算和处理的结果与其数据库中存储的持卡人图像数据进行信息比对，确定其相似度；如果相似度大于规定的阈值，则说明取款人的信息与数据库中持卡人的图像数据信息匹配，此时终端计算机发出吐钞指令，ATM自动柜员机吐钞，完成取款过程；若取款人的信息与数据库中持卡人的信息不匹配，则终端计算机报警。通过取款人与持卡人的信息比对，可以确定取款人身份的真伪，避免了取款人使用假卡、盗用卡盗取持卡人的钱款；并且可以实时记录和显示取款人图像信息，将其与终端计算机数据库中犯罪分子图像作比对，以便及时报告警方。

2 人脸的检测技术

人脸检测问题一直备受关注，在很大程度上源于其自身的难度，主要包括：脸型、肤色、表情、姿态的多样性、人脸局部遮挡、光照影响、人脸图像的成像质量[1]等。人脸检测的现有方法很多，主要有：基于特征的算法、基于人脸肤色的算法和基于统计模型的算法。其中基于统计模型的算法，是目前解决复杂背景图像中人脸检测问题的有效途径。1995年，Freund 和Schapire[2][3]提出了AdaBoost（Adaptive Boosting） 算法，最近,Viola 等人[4]提出了一种基于Haar 型特征的Adaboost 算法,是目前正确率最高的算法之一,而在速度上要远远快于几乎所有其他算法,达到实时效果。

2.1 AdaBoost算法的描述

AdaBoost算法的基本思想是它将单个目标特征作为弱学习算法，给定一个训练集 (xi，yi)，…，(xL，yL)，其中，xi是输入的训练样本，yi是分类的类别标志。由于人脸检测的任务是判断某幅图像是否是人脸图像，因而可以视为两类区分问题，故可以取yi∈(1,0)分别表示真假样本。在初始化时，对所有训练样本均赋以一个相同的权重，然后用该弱学习算法对训练样本集进行T轮训练。在每一轮训练结束后，从若干个简单分类器中选择最小误差的那个，作为一个弱分类器hi，并对训练失败的样本赋以较大的权重，以便让学习算法在后来的学习中，主要对比较难的训练样本进行学习。这样，就可以得到一个弱分类器序列(h1, h2,…,ht)，其中，分类效果比较好的权重较大。最终的分类函数f(x)采用一种有权重的投票方式产生，即将多个弱分类器通过一定的方法叠加(boost)起来组合成一个强分类器，即

该算法通过结合多个特征构造的强分类器，共同完成目标的检测任务，大大提高了检测的稳定性和精度。具体算法如下：

(1) 对于训练集合(x1，y2)，…，(xL，yL)，(gj，yL)gj(xi)代表第i个训练图像的第j个Haar-Like特征，yi∈(1,0)分别表示真假样本。

(2) 初始化权重w1，i=1/2m， 1/2n，其中m，n分别是真样本、假样本的数目，总样本数L=m+n。

(3) 寻找T个弱分类器ht(t=1,2,…,T)。1）对所有样本的权重进行归一化

2）对于每个样本中第j个Haar-Like特征，可以得到一个简单分类器hj，也就是确定阈值jθ和偏置pj，使得误差达到最小，而

偏置pj决定不等式方向，只有±1两种情况。

3) 在确定的简单分类器中，找出一个具有最小误差εt的弱分类器ht。

4) 对所有样本的权重进行更新：

(4)最后得到的强分类器为

其中αt=ln(1/βt)，是根据ht的预测错误衡量的，也就是对第t轮产生的分类规则ht的评价，at越大，ht的重要性越大。

2.2 实验结果

在ATM自动识别功能拓展系统中，我们基于AdaBoost算法构造了人脸检测系统，实验结果如图1所示。目前在ATM自动识别功能拓展系统中，使用该算法实现人脸的检测时间在70ms左右，在环境较好的情况下，可有效地检测单个人脸和多个人脸。

3 结论

针对ATM机存在的不安全因素，开发研制了ATM自动识别功能拓展系统，在现有的ATM机上增加人脸识别功能，而人脸检测是人脸识别首要环节，是该系统中的一项关键技术。采用了基于AdaBoost算法，构造了人脸检测系统，实验结果表明，该算法实现人脸检测时间在70ms左右，在环境较好的情况下，可有效检测单个人脸和多个人脸，满足了ATM自动识别功能拓展系统的要求。

图2 人脸检测图片

[1]严云洋,郭志波,杨静宇.基于特征空间划分的AdaBoost人脸检测算法[J]小型微型计算机系.2007(28)11:2106-2109.

[2]Freund Y,Schapire R E.Experiments with a new boosting algorithm[J].Proc.the 13th Conf.Machine Learning,San Francisco:Morgan Kaufmann,1996,148-156．

[3]Schapire R E, Singer Improved Y.boosting algorithms using confidencerated predictions[J]Machine Learning,1999,37(3):297-336.

[4]Viola P,Jones M.Rapid object detection using a boosted cascade of simple features[A].IEEE Conference on CVPR’2001[C].Lihue,Kauai,Hawaii,USA,IEEE Computer Society Press.2001.511-518.