基于视频的人脸识别技术在ATM 中的应用①

(芜湖职业技术学院，安徽 芜湖 241000)

0 引 言

随着信息技术的发展，为了减少银行前台工作人员的工作量，现大量的存取现金的操作都在ATM 机上操作。目前全国有大量的ATM机在使用。ATM机无人值守的现象给不法分子提供了可乘之机，很多起蓄意破坏ATM机的，或在ATM 机上安装读卡器盗刷信用卡的案件层出不穷。现ATM机上都安装摄像头，自动监控接近ATM机人员的行为，以预防和减少犯罪。如发生不法行为，通过摄像头捕捉人脸特征，利用人脸识别技术，进行人脸识别和人脸认证，以帮助发现可疑人物。 然而ATM机视频的人脸识别受光照、姿态变化、摄像头低分辨率的影响，造成很大的计算负担和系统损耗[1]。这就使得人脸识别技术本身也面对着一定难题[2]。

1 基于视频的人脸识影响因素

人脸识别技术是利用人脸的特征信息，根据已知的人脸数据库，对输入的人脸信息进行识别、验证。基于视频的人脸识别不同于基于静态图像的人脸识别技术，它利用视频中的动态信息进行识别。目前基于视频的人脸识别方法主要有：基于特征信息的人脸识别方法、基于统计模型的人脸识别方法和基于混合线索的人脸识别方法。基于视频的人脸识别技术难点主要是：

(1) 光照影响

人脸识别受光线影响，特别是从视频中提取动态信息更受光照影响[3]。针对这一问题，很多学者都提出自己的观点。有学者提出才有主成分分析方法进行识别，丢弃由光线对人脸识别的干扰。有学者提出局部二元模式，并将其改进，克服光照变化。

(2) 姿态变化的影响

人脸识别复杂性因素之一是姿态变化，由于该技术比较固定，基于视频的人脸识别技术获取的是视频中的动态信息，在视频中人脸不断在变化，姿态不断改变，导致人脸信息的不确定性[4]。有文献介绍基于多视角的人脸识别系统，采用验证曲面捕捉视频动态信息；有文献提出了改进的AAM(主动外观模型)，处理视频中的姿态和表情变化。此外，视频中动态的人脸信息与现有的人脸数据库会存在差异，也导致匹配的不一致性。

(3) 低分辨率的影响

ATM的视频像素分辨率较低，视频质量不高，影响人脸识别。解决这一现象的方法目前常用的有：超分辨方法SR和多分辨率脸方法MRF。SR方法能通过低分辨率的图像估计出高分辨的图像。MRF方法具有计算复杂和存储空间高的要求。

2 基于视频的人脸识别技术在ATM中的应用

2.1 技术方案

由于ATM 机视频中待识别者姿态变化比较大，现采用快速稀疏描述方法实现多图像匹配得分层融合的方案。首先利用Viola 提出的运用人脸Haar-like[5]特征并基于AdaBoost[6]训练的级联人脸检测方法完成人脸检测的基础上，我们把检测出的图像即待识别的人脸图像归一化为与训练样本同尺寸(70*100)的灰度图像。然后利用快速稀疏描述方法处理从视频中隔帧提取图像，最后利用融合算法将同一用户的多张图像处理结果融合的方法，实现基于视频的人脸识别。

2.2 技术方案流程图

采用的技术方案如图1所示。

图1 技术方案流程图

2.3 人脸识别的融合算法

为了减少视频图像中动态不稳定性，采用广泛认可的AdaBoost 算法，提取图像中稳定特征。采用快速稀疏描述方法，将对单张图像进行人脸识别[7]。最后实现对同一用户的不同人脸图像的识别结果进行匹配分层融合。具体步骤如下所述：

递归计算s(x,y)=s(x,y-I)，ii(x,y)=ii(x-I,y)，其中s(x,-I)=0，ii(-I,y)=0。

每个分类器都只使用一种特征进行训练。那么对于该特征的误

差ei可以这么衡量：ei=∑iwi|hj(xi)-yi|(j表示的是某个特征的索引，而i表示的是所有的所有的窗口) 。选择拥有最低误差的那个分类器记为ht。

Step4：采用快速稀疏描述方法实现人脸检测。快速稀疏算法的核心思想是将整体样本通过K近邻确定训练样本数量；线性组合K近邻确定的训练样本进而分类测试。假设xip表示第i个用户的第p帧图，apk表示训练样本yk在描述测试样本xip的线性组合中的相应系数。假设第i个用户的p个测试样本的所有训练样本的线性组合分别为：

(1)

(2)

3 实验设计与结果统计

为了更好地测试基于视频的人脸识别算法的性能，本实验采用两个图像库一个静态人脸图像库，另一个是视频人脸数据库即动态人脸库。静态人脸图像库从ATM监控视频中得到。从视频中检测出人脸后，将其归一化为同样的尺寸。人脸视频库是从真实视频中截取的若干视频片断的集合，模拟实际环境。图2是静态图像库的部分截图。

图2 静态图像库样例

(1)静态图像库测试。为测试技术方案中人脸识别算法的性能，使用静态图像库进行单张测试。统计识别结果，获取识别出的图像数量，统计出识别的正确率和错误率。分析技术方案中人脸识别算法的识别率。

测试库和训练库的构造。选取不同年龄、不同性别和不同光照情况，不同的姿态、表情和动作等图片作为实验对象。从静态图像库中抽取图像数量大于或等于10 的人作为实验对象。从每个待识别对象的全部图像中随机抽取了20～30 张人脸图像作为训练样本，又从剩下的图像中任取4张作为测试样本。

测试结果统计。测试结果统计如表1所示。

表1 测试结果统计

其中：

通过对实验结果分析，技术方案的人脸识别算法具有不错的识别率。不同的样本识别率不同。

(2)视频库仿真实验

通过模拟应用环境，测试技术方案的综合性能。从ATM视频中选取多张图像，构造图像序列模拟视频，进行识别以及结果融合等处理。最后通过统计实验结果分析技术方案的性能。

测试库和训练库的构造。从视频库中截取部分视频，提取相邻帧的图像，经过处理，选取20～60个待识别对象的图像数量，把待识别对象一半的图像作为测试样本，后一半的图像作为训练样本，再从每个待识别对象的测试样本中选择6 张不同的图像进行测试。

测试结果统计。测试结果统计如表2所示。

表2 测试结果统计

其中：

在实验过程中,实验过程阈值定为0.75，如果最优的人得分大于等于0.75，被认为错误识别，表示当前测试图像中没有该人，反之，如果最优的人得分小于0.75，被认为正确识别,表示当前测试图像为该人，提高了识别率。

4 结 论

人脸识别是ATM机上监控系统的关键技术，采用人脸识别算法，将快速稀疏描述方法和人脸检测算法AdaBoost 算法结合，在一定程度上解决了人脸识别过程中受光照影响、姿态变化影响和ATM机上摄像头低分辨率的影响等问题。结果表明文中采用的技术方案人脸识别算法具有不错的识别率。