人脸识别技术在公交系统中的应用与思考

刘佳卉

（吉林大学汽车工程学院，长春 130022）

引言

伴随着智能出行的大力发展，人脸识别技术以其准确性、可靠性及易行性在诸多生物识别技术中脱颖而出，广泛应用于出行、消费等领域。目前应用于航空、铁路等交通系统中的人脸识别技术已趋于成熟，而针对城市公交系统的方案虽不断提出，却迟迟无法落实。基于此，本文通过分析人脸识别技术发展现况、基于公交系统的创新提案与应用可行性，指出亟待解决的问题并作出相关思考。

1 人脸识别技术发展现况

1.1 技术概况

人脸识别技术是一项综合图像处理、机器学习、计算机视觉、神经网络等多门前沿学科的复杂课题，其识别过程主要包括：首先构建人脸识别数据库，数据库中的样本基于面部特征进行标注，对识别对象面部进行扫描后，提取并分析其面部特征，再与数据库中已有样本进行对比，从而得出结论，确定识别对象身份。

1.1.1 前端采集

一般人脸识别系统从前端采集设备开始工作，设备可由独立相机或多角度协同安装的机组构成。无论摄像设备的种类和数量如何，其安装角度及安装位置都是影响识别精确度的重要因素。采集过程完成后，得到的视频流或图像将通过网络信号传输至处理终端。

1.1.2 图像处理

针对不同的工况和识别精度要求应采用不同算法。通常前端采集的图像均为彩色，需通过预处理将其变换为灰度图，计算机才能对其进行下一步处理。灰度图可在一定条件下转换为精度较高的像素矩阵，从而应用于数学模型的建立与计算。像素矩阵是将灰度图的每一像素点按对应位置灰度信息，以0-255范围内数字表达而得到的矩阵。

一般来说，预处理后的人脸图像仍是一个高维数据集合，包含大量的模糊数据和无用数据，为了提高识别精度，必须进行滤波处理等操作。中值滤波法是一种传统的图像去噪技术，在灰度图处理过程中，它将每一像素点的灰度值转换为该点附近某领域窗口内所有像素灰度值的中值。经过此项处理，灰度值相差较大处的边界将更加清晰，无用数据被自动滤除。除中值滤波外，均值滤波、自适应维纳滤波等去噪技术也同样能应用于此过程，合理地安排协同、多级去噪将得到更好的识别样本。

1.1.3 特征提取

有效识别的前提条件是设定提取特征的标准。一般而言，从人脸图像上提取的特征必须稳定可靠，若具有较大不稳定性，则忽略此特征。目前所利用的特征可以概括为形状、灰度分布、频域特征三类。这三类特征都在不同程度上受到光线强度、拍摄角度等外界因素的影响。

特征对比样本来自人脸图像数据库，可通过建立神经网络模型训练得到。神经网络种类繁多，应用较广的是卷积神经网络。其基本过程为：构造不同的卷积矩阵，每个不同的卷积矩阵代表一种图像特征，使之与像素矩阵顺次作矩阵乘法，从而得到一个行列缩减的像素方阵。逐步构造卷积层、池化层和全连接层，建立可识别目标特征的神经网络。

1.2 现有应用平台

一般来说，目前各类技术调用的人脸数据库并不需要公民自行上传相关照片，人脸扫描时相关系统会向全国公民身份证号码查询中心提出申请，最终将识别到的面部特征与公安部门查询中心采集的照片库进行对比。

1.2.1 消费支付

支付宝等第三方支付平台推出的“刷脸支付”功能是和普通人距离最近的人脸识别技术应用。提交支付申请后，弹出的支付页面不再是密码输入界面，而是扫脸界面，用户在进行支付时只需要使前端采集设备对脸部进行扫描。前端采集设备可以是每位用户的智能手机，也可由自动贩卖机自带或商家提供。

1.2.2 安保系统

目前，机场航站楼、地铁站台等交通站点的监控中心均设置有自动报警设备。通过设置在重要进出口、站内通道和扶梯等场所的前端采集摄像设备实时监控站内流通人员，并采集其面部信息。一旦通行的乘客面部特征利用人脸识别技术，经过特征提取和对比分析后，被认为疑似公安部门留有记录的犯罪嫌疑人，报警装置将被触发[1]。此类装置在近几年极大地提高了公安机关的追踪与缉拿效率，更有效加强了各交通站点的安保力度。

校园和社区的门禁系统也在逐步投入使用人脸识别技术。建立此类系统的后台数据库，则通常需要学生和住户自行录入相关照片。不同于分布范围广泛且使用频率高的各交通站点，学校和社区相较之下人员流通规模小很多，只采用确定人员的小规模人脸数据库有利于提高对比分析过程的效率和准确度。

2 人脸识别技术在公交运营中的创新性应用

2.1 快捷支付

传统的公交系统支付方式为刷卡和投币，支付效率取决于每个乘客公交卡、零钱的收纳方式和行动便捷程度，人脸识别技术支持下的“刷脸支付”功能则无需乘客携带任何相关工具便可完成支付。

要完成支付功能并得到反馈，基本需要以下过程：用户在前端扫描个人面部信息，即提交了支付乘车费用的申请，图像随之被传输处理，最终用户将在前端得到支付成功或失败的反馈结果[2]。在此过程中，人脸识别技术完成的实际是确认支付账户的过程。在现有的一些公交系统快捷云支付构思中，用户账户在第三方平台开设（如当地的交通APP），支付时从此类账户余额扣款。

2.2 交通规划

人脸识别技术可应用于公交路线规划过程中的设计与评估。此方法包括：记录乘客上下车站点，比对一辆公交车上车乘客是否为其他公交车的下车乘客，通过整合空间、时间信息判定乘客换乘站点。关联上车站点、下车站点和换乘站点，可确定乘客的出行轨迹[3]。当样本数量较多且满足统计学规律时，建立的模型可基本预测乘客完整的通勤路线，从而更科学合理地规划城市公交线路。

3 亟待解决的问题与相关思考

3.1 公交系统独有特征对识别准确度的影响

保证人脸识别技术的准确度本身就存在诸多阻碍因素：人的面部表情丰富；数据库样本来源的面部特征会随年龄增长而变化；成像效果取决于光照、角度及距离。而公交系统对应的图像采集环境和相关用户所具备的独有特征也是人脸识别技术迟迟无法在此领域落实的重要原因。

3.1.1 环境因素

公交系统具有其独特的环境特征，无论是上下车的阶梯通道还是车厢内环境，都和其他交通工具或社会场所存在本质区别。时段、天气、人流密度及乘客纪律都将影响安装在公交车环境内前端采集设备的拍摄效果。而后续图像处理的精度很大程度上取决于预处理前的图像质量，因此如何合理设置拍摄通道宽度、拍摄角度以及采光要求，是提高公交系统人脸识别的重要突破口。

公交系统人脸采集前端设备可以考虑的安装位置有：上下车阶梯通道，车厢内通道。此外，由于 公交车车内环境对所获图像质量的负面影响难以在短期内得到较好的改善，前端采集设备可以离开车体，迁移至地面。通过建立含闸机的地面公交站台，入站人员先统一录入面部信息，再进入站台候车[4]。此方案虽然提高了人脸识别技术各环节精度，但现阶段操作难度大，不如车内安装前端设备可行性高、经济性好。

车内的两种安装区域决定了摄像设备的安装角度和位置：上下车阶梯区域，青年乘客一般呈现面部上抬的姿态，而儿童及老年乘客更倾向于注意脚下地面变化，多数时间呈现低头状态。因此在上下车过程中采集视频流并截取可靠图像存在较大难度，在通道特定区域设定驻留区用于采集人脸图像更具有可行性和合理性。

在设备架设高度和环境因素的综合作用下，图像质量随高度变化存在最优值。但是图像的清晰度不完全保证识别的准确性。一般情况下，水平拍摄方式获得的人脸图像最佳，提取到的特征参数也更易与人脸图像数据库进行拟合。但考虑到通行过程中后方人员易被遮挡，应当留有一定的俯视角度以确保前后方人员都能被正常抓拍。经实验和测试，俯视角度α设置在7°-13°范围内最佳（图1）[5]。

图1 俯视角度α示意图

3.1.2 数据库分类与更新

公交系统的乘客基数大、年龄分布广泛。为了提升识别过程中对比分析环节的效率，从而降低人脸识别技术应用于公交系统时对通勤速率的负面影响，有必要建立适合公交系统特性的人脸图像数据库。建立依据可基于城市和年龄段。

使用各城市公交系统的主要乘客多数来源于本地或有较长居留史，建立每个城市独有的神经网络学习、误差纠正系统有利于将数据库规模控制在一定大小，以减小提高对比算法精确度时产生过拟合的可能性。

以年龄作为划分依据时，需要考虑搭乘支付方式的影响。若人脸识别技术本身应用于支付环节，则应当录入开通此项支付功能的用户面部图像，建立有针对性的人脸数据库，以此缩小样本集合的规模。若仍然沿用传统公交刷卡支付模式，可利用不同卡类持有者的年龄特点建立对应数据库，并构建快速准确的数据库判断、调取系统。以吉林长春公交系统为例（图2），学生卡和老年卡用户仅限于学生和老人，这两类群体面部各项特征参数具有特定年龄特点。设定有针对性的特征提取标准，按群体特性设置特征权重，建立适用于特定年龄段的识别模型，可大幅度减小算法冗余度并提高识别效率和精度。而相较之下，吉林通用户面最广，老少皆可使用，不易为之构建有年龄特征的人脸数据库，因此此方案仍存在缺漏和重复之处。

图2 长春市各类交通卡对应使用人群

3.2 适用于特殊情况的人脸识别

结合疫情防控政策，未来很长一段时间内，乘客将必须佩戴口罩使用公交系统。现有的商用人脸识别技术通常均对用户提出了不佩戴眼镜、口罩并摘帽等要求，甚至摘除口罩往往是首要条件，这类因为技术缺陷而提出的要求明显不符合防疫政策。

针对必须佩戴口罩的人脸识别，有两种可行 方案。

一是采集佩戴口罩的人脸样本，建立一套针对于戴口罩的人脸识别算法（图3）。采集大量佩戴口罩的人脸照片，建立集合并分类，构建新型人脸数据库。再用神经网络等算法迭代训练，得到合适的模型。此方法的主要难点在于建立数据库：口罩种类众多，属于具有较大不稳定性的特征参数；不同于较为成熟的普通人脸数据库，短时间内很难采集到大量佩戴口罩的人脸图像。

图3 戴口罩的人脸识别流程

二是利用现有人脸数据库，通过提高人脸未遮挡区域的特征权重来计算并模拟佩戴口罩的情形[6]。采用这种方案则无需建立新的数据库，可利用现存人脸图像集合，综合考虑已知的多种口罩形状、尺寸等参数，应用关键点定位算法和局部特征增强策略来模拟出人脸佩戴口罩的情形。对人脸未遮挡区域的特征进行计算并确定此区域一般性范围，再合成相应戴口罩的人脸图片。处理图像时，识别对象是佩戴口罩的人脸图像，对比样本则来自此算法得到的模拟图像构成的专用模型。

在疫情考量范围之外，普通乘客若在原本预留的驻留时间之外，还花费不确定的时长摘除可能佩戴的饰品和眼镜才能达到人脸识别标准，显然会对通勤速率造成极大影响。作为现阶段公交出行的强制性要求，先行发展戴口罩的人脸识别技术并促进其完善，有利于为日后更加多元化条件下的人脸识别技术打下基础。

4 结语

人脸识别技术作为目前生物识别技术中的发展先驱，其潜力尚未被完全开发。公交系统不同于其他平台的独有环境特点是阻碍人脸识别技术在此领域发展的重要因素。优化图像处理流程，改良特征提取算法，恰当安装设备，合理设计系统，将使人脸识别技术在公交系统的支付方式、线路规划、安保追踪和疫情防控等方面发挥传统模式所不具有的独特优势。