基于二代证机读信息的人脸识别系统研究

吴悠

摘要：高效、准确的身份识别技术可方便大众进行社会活动，提升人民群众的安全感与生活满意度。通过分析研究基于身份证件信息的人脸识别技术，分别阐述了居民身份证阅读机具的工作原理，当前主要的人脸识别方法及其优缺点，基于二代证机读信息的人脸识别系统，并指出了当前人脸识别的难点及未来研究方向。

关键词：居民身份证阅读机具；二代证；人脸识别

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2018）04-0048-03

随着时代的发展，科技的进步，准确、快速的身份识别与认证技术被广泛应用于火车站、机场、港口、银行、大型活动等重要场合。由于传统的身份识别：身份证、门禁卡、二维码、用户名和密码、驾驶执照等证件，具有易伪造、易遗忘、易盗用等较大的局限性，越来越难满足社会的需求，开发寻找一种新型高效的身份识别技术的重要性已不言而喻。生物特征识别方法所依据的是个体特征的独特性，当某类特征同时具备普遍性、可测性、可接受性、安全性、唯一性、持久性和识别性能七个方面的要求时便适宜作为人的身份识别。在众多的身体特征：指纹、掌形、视网膜、虹膜、人体气味、脸型、皮肤毛孔、手的血管纹理和DNA等；行为特征：签名、语音、行走的步态、击打键盘的力度等特征中，人脸识别因其具有易获取、稳定性高、直观性好、方便、自然、友好、信息量大、更易被人接受等优点，已成为当今火热的生物特征识别技术研究领域之一[1]。将传统的身份识别技术与人脸识别相结合进行身份识别可提高身份验证的安全性与可靠性。本文主要介绍了二代证阅读机具的工作原理、人脸识别系统及二者的组合应用。

1 居民身份证阅读机具工作原理

第二代居民身份证（以下简称二代证）内置集成电路芯片，本身不具磁性，不会被磁场改变结构而消磁。居民身份证阅读机具（以下简称阅读机具）的工作原理是依靠阅读机具的天线向居民身份证辐射13.56 Mhz的电磁波，激活二代证芯片，通过配置给二代证专用阅读机具的安全控制模块（SAM）与二代证进行双向认证、读取并解密所存储的个人身份信息，进行信息交换。阅读机具的组成框图如图1所示[2]。

1.1 控制单元

控制单元是阅读机具的“大脑”，主要由CPU及外围电路组成，并与上位机软件建立通讯，执行其发来的各项命令。

1.2 安全控制模块

阅读机具内置有门卫式二代证安全控制模块，在核验证件时，安全控制模块与二代证进行双向认证、读取并解密二代证内存储的个人身份信息。因二代证内的信息被分区存储，由密码技术实现访问控制，因此验证系统亦需不同的安全控制模块，以分别控制读取基本信息区和指纹信息区的信息。

1.3 射频电路

射频电路是读取二代证信息的一个中间环节，主要流程如下：

（1）产生13.56 Mhz的发射信号，激活二代证并为其提供能量；

（2）对发射信号进行调制并将其传送给二代证；

（3）接收并解调来自二代证的反馈信号。

1.4 天线

天线是阅读机具与二代证进行信息交换的中间桥梁，由线圈、电容等组成的并联谐振回路。一是为二代证提供足够的能量和准确的操作指令，并接收二代证的响应信号，二是与放大电路匹配并确保其高效稳定的工作[3]。

2 人脸识别系统

人脸识别技术是生物识别技术的代表之一，即通过计算机进行人脸特征提取并进行身份验证的一种技术[4]，具有操作简单、可跟踪性强、隐蔽性好、准确可靠、直观等优点。人脸识别技术亦是当今研究火热的人工智能领域的一个重要分支，涉及计算机视觉、模式识别、图像處理、生理学、心理学等众多学科的理论与方法，是一项极具挑战性的研究领域。

2.1 技术流程

人脸识别技术主要包括以下四个过程。

（1）图像采集与检测。

图像采集：采用摄像头等设备进行图像采集或视频图像捕捉，是实现人脸识别的前提。

人脸检测：利用高效的算法对采集到的图像进行特征检测，找到人脸所在的位置，并计算其占图像面积的比重，为预处理做准备。

（2）图像预处理。对检测到人脸的图像进行预处理，包括光线补偿、灰度变换、尺寸归一化、噪声过滤、几何校正等。

（3）特征提取。采用基于知识的、代数特征或统计学习的方法获取人脸的特征数据，特征提取是人脸识别技术的核心步骤，提取质量的好坏将直接影响到识别的精度。

（4）人脸比对。比对模式可分一对一和一对多，一对一的典型模式即验证图像中的特征与二代证中的证件照是否匹配；一对多即将图像中的人脸特征与数据库中的特征模板进行比对，并输出其相似程度的过程。

2.2 主要识别方法[5]

2.2.1 基于几何特征的方法

每个人的五官各不相同，具有不同的形状、大小及相对位置，通过对这些特征的提取比对即可识别出图片中的人脸，基于几何特征的识别算法被认为是最具历史的人脸识别算法，虽然直观、简单、受光照的影响比较小，但其鲁棒性较差，易受表情变化、特征点被遮挡等因素的影响，导致识别率严重降低。

2.2.2 基于主成分分析（PCA）的方法

PCA的实质是一种基于K-L正交变换的识别算法。特征脸识别即采用PCA进行降维，将原始图像投影到特征空间，并将获得的权值向量与库中的权值向量进行比对，以此判定人物身份的过程。特征脸识别方法具有简单、识别速度快等优点，是较流行的识别算法之一；对训练集与测试集的相关性要求较高，易受光照强度、拍摄角度、面部表情等因素的影响。

在PCA的基础之上，研究者们又提出基于“投影后类内方差最小，类间方差最大”思想的线性判别分析（LDA），当训练样本数量足够多的情况下其性能明显优于PCA；基于“通过线性变换得到相互独立的一组基来描述样本数据”的独立成分分析（ICA），较PCA的计算更加复杂。

2.2.3 基于模板匹配的方法[4]

模板匹配是一种最基本、最简单的模式分类方法，通过利用某一图案在图像中的位置进行识别的过程，可分为静态匹配与弹性匹配两种。

（1）静态匹配。静态匹配即事先设计出一个人脸库，将待识别的图像与库内模板进行相同的变换：尺度归一、灰度处理，得到大小、光照和取向均相同的图像，进而进行匹配识别的过程。存在灵活性差的问题。

（2）弹性匹配。针对静态匹配的不足，特提出了灵活性与鲁棒性更强的弹性匹配。它是基于动态链接结构的一种算法，首先匹配待检测人脸最相似的模型图，再对相应的节点位置进行匹配，并最终生成变形图的过程。存在对参数的初值依赖度高、图片存储量大、计算量大的不足。

2.2.4 基于贝叶斯（Bayes）的方法

基于贝叶斯方法的前提是假设样本空间均满足高斯分布[6]，针对不完整的样本进行概率估算，并利用贝叶斯公式对其进行相应的修正，最终依据相似程度进行图像识别的过程。研究表明，采用Gabor特征分类器较采用图像灰度特征分类器有更好的识别效果[7-8]。

2.2.5 基于支持向量机（SVM）的方法[7]

支持向量机是一种基于结构风险最小化原理的统计学习理论，主要解决二分类问题，将低维数据映射到高维空间，并在高维空间给出最优的分类界限，将两种数据最大间隔分开。因为采用核函数进行操作，所以具有较好的学习能力和泛化能力。该方法对小样本空间的训练与识别效果表现良好，但在训练样本时消耗的存储空间较大。

因SVM主要解决二分类的问题，因此在实际应用中需要采用以下两种策略进行应对：一是one-against-all策略，即将所有目标仅分为这一类和非这一类两种；二是one-against-one策略，即将所有目标分类转化成N个二分类的问题。

2.2.6 基于AdaBoost的方法[9]

AdaBoost是改进后的Boosting算法，由Viola等人提出，是以迭代的形式，将针对同一个训练集训练出的弱分类器进行N次叠加，最终形成强分类器的过程。依据每次分类结果的准确率对每个样本的权值微调，并进行再次训练，最终将所有分类器进行融合形成决策分类器。在一定程度上可减少计算量，提高检测速度。

2.2.7 基于隐马尔可夫模型（HMV）的人脸识别[4]

人脸识别中主要是对人脸的整体进行描述，不仅包括五官的特征，亦包括它们之间的相互联系，隐马尔可夫模型是解决这类问题的典型代表，由Samaria提出并应用于人脸识别中。用一组特征数值将人脸图像分为额头、眼睛、鼻子、嘴巴和下巴五个主要特征区域，然后用矩形窗口从上到下进行采样，利用采样区域的像素值来进行人脸识别。

隐马尔可夫模型具有较好的鲁棒性，允许有适当表情变化和头部扭动，对其变化不太敏感，但该方法在使用过程中需要较大的运算量，实现难度较大。

2.2.8 基于人工神经网络（ANN）的方法[4]

人工神经网络是通过模仿生物神经网络行为特征而形成的一种运算模型，通过内部节点的相互作用进行信息处理。基于神经网络的人脸识别方法即利用神经网络所具有的学习能力与分类能力，利用其对经典模型的学习与训练，进而对人脸特征进行提取与识别的过程。流行的神经网络有：卷积神经网络、BP神经网络、基于小波的神经网络、基于概率决策的神经网络等。

神经网络具有强大的学习能力，可通过对模型的反复学习提高识别隐含信息的能力，进而提高人脸识别的准确性，具有较好的鲁棒性与适应性。亦存在处理数据庞大、训练过程较慢的问题。

2.2.9 基于三维人脸的方法

二维人脸识别实质是将三维人脸进行平面投影的结果，势必会丢失一些特征，且易受光照、表情、姿态、遮挡物等因素的影响，严重降低了识别的精度。研究学者遂提出了具有信息含量大、抗干扰能力强的三维人脸识别技术，可大大的提高识别的准确率。依据识别系统所采用特征的不同形式，可将其分为基于整体特征信息、基于局部特征信息、基于双模态信息和基于特征信息融合的四大类三维特征人脸识别系统。

2.2.10 基于红外热成像（TIS）与近红外（NIR）的方法[10]

红外热成像识别是一种依据人脸皮肤组织的红外辐射所形成的红外图像进行人脸识别的技术。与基于可见光的人脸识别相比，具有受光照、表情、肤色、姿态等因素影响小的优点，但红外人脸图像的细节和边缘轮廓较模糊，对玻璃的敏感性高，易受环境温度影响。

近红外识别的图像中仅有灰度信息，可保留更多的信息特征，更利于提高人脸识别的精度，且具有受光照、姿态、表情变化影响小，易穿透玻璃等材料，可轻松获得被眼镜遮挡的人脸信息。

3 基于二代证机读信息的人脸识别（图3）

在基于身份证件信息的人脸识别系统中的典型应用是人证比对仪，通过读取二代证机读信息的同时进行图像采集，将采集到的人脸信息与阅读机具读取的证件照进行一对一实时比对，并报告二者的匹配程度，并可通过设定相应的阈值，提示告知可能存在人证不一致的情况。主要应用于关卡、大型会议等重要场合的人证一致性核查。

4 结语

阅读机具与人脸识别系统进行有机结合，不仅可解决仅识别二代证的单一问题，而且可有效进行人证一致性的比对识别，大大提高身份识别准确性，降低工作人员的劳动强度、减少识别失误率。

但是，人脸识别技术仍处于发展阶段，存在人脸相似性、变异性、光照影响、姿态变化、年龄偏差、有效的训练样本不足等技术问题。且主要通过增大对复杂场景数据库的学习来提高识别准确度，并非数据规模越大越好，相反易造成计算复杂度增加、运算缓慢、过拟合等问题，目前还没有一个算法可完全彻底地解决上述问题。

随着深度学习模型、异质人脸识别、运动检测算法、活体检测技术、多种人脸识别算法融合的方法、全自动人脸识别等模型、方法与技术的不断提出与深入研究，基于身份证件信息的人脸识别必将更加准确、高效。

参考文献

[1]杨吉祥.二维及三维人脸识别方法研究[D].重庆大学，2013.

[2]吴思雄，张斌，屠黎娜.二代身份证阅读机具设计及EMI措施[J].环境技术，2016，34（04）：34-37.

[3]陈龙.第二代身份证读卡模块开发及应用[D].苏州大学，2007.

[4]董琳，赵怀勋.人脸识别技术的研究现状与展望[J].安防科技，2011，（10）：22-26.

[5]施为.公安系统人脸识别算法的研究与实现[D].南京邮电大学，2013.

[6]曾岳.人脸识别方法的研究[D].西安电子科技大学，2011.

[7]马宁.基于图像的人脸识别中关键技术研究[D].吉林大学，2016.

[8]左腾.人脸识别技术综述[J].软件导刊，2017，16（02）：182-185.

[9]郭慶.基于视频监控的人脸识别研究[D].安徽大学，2014.

[10]曾梦璐.近红外人脸识别算法研究[D].陕西师范大学，2013.