張明慧，張堯禹

0 引言

針對目前銀行系統(tǒng)中ATM(Automatic Teller Machine)自動(dòng)柜員機(jī)存在的不安全因素，開發(fā)研制了ATM自動(dòng)識(shí)別功能拓展系統(tǒng)，該系統(tǒng)將生物識(shí)別技術(shù)與ATM系統(tǒng)結(jié)合，在現(xiàn)有的ATM機(jī)上，增加人臉識(shí)別等識(shí)別功能，有效保護(hù)銀行聲譽(yù)和持卡人合法利益的設(shè)計(jì)。

人臉特征是人體獨(dú)一無二的“身份證”，是與人不可分割的，具有獲取直接、友好、鑒別簡便、安全性高、隨身攜帶等特點(diǎn)，因此人臉識(shí)別適合作為ATM系統(tǒng)的一種身份驗(yàn)證手段。而人臉檢測是人臉識(shí)別首要環(huán)節(jié)，其處理的問題是確認(rèn)輸入圖像中是否存在人臉，如果存在，則確定所有存在人臉的位置、大小、姿勢。人臉檢測是ATM自動(dòng)識(shí)別功能拓展系統(tǒng)中的一項(xiàng)關(guān)鍵技術(shù)。

1 ATM自動(dòng)識(shí)別功能的拓展系統(tǒng)

目前市場上使用的ATM柜員機(jī)，僅具備一些必備的功能，存在許多不安全因素，如ATM被惡意破壞，出鈔口被蓄意改造、出鈔口吐鈔與否、持卡人有無取鈔、無法確定取款人、使用假卡、盜用卡等。

針對目前ATM自動(dòng)柜員機(jī)使用過程中存在的不安全因素，運(yùn)用生物識(shí)別技術(shù)，在現(xiàn)有的ATM自動(dòng)柜員機(jī)上拓展人臉識(shí)別等識(shí)別方式，以增強(qiáng)ATM自動(dòng)柜員機(jī)的自動(dòng)識(shí)別及安全監(jiān)控能力。

1.1 ATM自動(dòng)識(shí)別功能拓展系統(tǒng)的組成

ATM自動(dòng)識(shí)別功能拓展系統(tǒng)，由ATM機(jī)、自動(dòng)識(shí)別功能軟件組成。人臉識(shí)別模塊是自動(dòng)識(shí)別功能的一部分，是利用取款人的人臉圖像的自動(dòng)識(shí)別進(jìn)行身份鑒別，防范惡意持卡人的詐騙行為。

系統(tǒng)硬件由ATM自動(dòng)柜員機(jī)、兩個(gè)攝像頭、人體接近傳感器、出鈔口傳感器、振動(dòng)傳感器、DSP處理器、計(jì)算機(jī)及接口電路等設(shè)備組成。攝像頭均采用針孔式，用來采集取款人的人臉圖像和信息，DSP和計(jì)算機(jī)用于圖像處理和信息比對。

1.2 ATM自動(dòng)識(shí)別功能拓展系統(tǒng)的功能結(jié)構(gòu)

在整個(gè)系統(tǒng)中，圖像采集裝置用于采集取款人的圖像信息并將其傳輸給DSP處理器，由DSP處理器提取圖像特征信息，將其轉(zhuǎn)化為數(shù)字編碼，并對該數(shù)字編碼進(jìn)行實(shí)時(shí)計(jì)算和處理；同時(shí)將處理結(jié)果傳遞給終端計(jì)算機(jī)，由終端計(jì)算機(jī)將計(jì)算和處理的結(jié)果與其數(shù)據(jù)庫中存儲(chǔ)的持卡人圖像數(shù)據(jù)進(jìn)行信息比對，確定其相似度；如果相似度大于規(guī)定的閾值，則說明取款人的信息與數(shù)據(jù)庫中持卡人的圖像數(shù)據(jù)信息匹配，此時(shí)終端計(jì)算機(jī)發(fā)出吐鈔指令，ATM自動(dòng)柜員機(jī)吐鈔，完成取款過程；若取款人的信息與數(shù)據(jù)庫中持卡人的信息不匹配，則終端計(jì)算機(jī)報(bào)警。通過取款人與持卡人的信息比對，可以確定取款人身份的真?zhèn)?，避免了取款人使用假卡、盜用卡盜取持卡人的錢款；并且可以實(shí)時(shí)記錄和顯示取款人圖像信息，將其與終端計(jì)算機(jī)數(shù)據(jù)庫中犯罪分子圖像作比對，以便及時(shí)報(bào)告警方。

2 人臉的檢測技術(shù)

人臉檢測問題一直備受關(guān)注，在很大程度上源于其自身的難度，主要包括：臉型、膚色、表情、姿態(tài)的多樣性、人臉局部遮擋、光照影響、人臉圖像的成像質(zhì)量[1]等。人臉檢測的現(xiàn)有方法很多，主要有：基于特征的算法、基于人臉膚色的算法和基于統(tǒng)計(jì)模型的算法。其中基于統(tǒng)計(jì)模型的算法，是目前解決復(fù)雜背景圖像中人臉檢測問題的有效途徑。1995年，F(xiàn)reund 和Schapire[2][3]提出了AdaBoost（Adaptive Boosting） 算法，最近,Viola 等人[4]提出了一種基于Haar 型特征的Adaboost 算法,是目前正確率最高的算法之一,而在速度上要遠(yuǎn)遠(yuǎn)快于幾乎所有其他算法,達(dá)到實(shí)時(shí)效果。

2.1 AdaBoost算法的描述

AdaBoost算法的基本思想是它將單個(gè)目標(biāo)特征作為弱學(xué)習(xí)算法，給定一個(gè)訓(xùn)練集 (xi，yi)，…，(xL，yL)，其中，xi是輸入的訓(xùn)練樣本，yi是分類的類別標(biāo)志。由于人臉檢測的任務(wù)是判斷某幅圖像是否是人臉圖像，因而可以視為兩類區(qū)分問題，故可以取yi∈(1,0)分別表示真假樣本。在初始化時(shí)，對所有訓(xùn)練樣本均賦以一個(gè)相同的權(quán)重，然后用該弱學(xué)習(xí)算法對訓(xùn)練樣本集進(jìn)行T輪訓(xùn)練。在每一輪訓(xùn)練結(jié)束后，從若干個(gè)簡單分類器中選擇最小誤差的那個(gè)，作為一個(gè)弱分類器hi，并對訓(xùn)練失敗的樣本賦以較大的權(quán)重，以便讓學(xué)習(xí)算法在后來的學(xué)習(xí)中，主要對比較難的訓(xùn)練樣本進(jìn)行學(xué)習(xí)。這樣，就可以得到一個(gè)弱分類器序列(h1, h2,…,ht)，其中，分類效果比較好的權(quán)重較大。最終的分類函數(shù)f(x)采用一種有權(quán)重的投票方式產(chǎn)生，即將多個(gè)弱分類器通過一定的方法疊加(boost)起來組合成一個(gè)強(qiáng)分類器，即

該算法通過結(jié)合多個(gè)特征構(gòu)造的強(qiáng)分類器，共同完成目標(biāo)的檢測任務(wù)，大大提高了檢測的穩(wěn)定性和精度。具體算法如下：

(1) 對于訓(xùn)練集合(x1，y2)，…，(xL，yL)，(gj，yL)gj(xi)代表第i個(gè)訓(xùn)練圖像的第j個(gè)Haar-Like特征，yi∈(1,0)分別表示真假樣本。

(2) 初始化權(quán)重w1，i=1/2m， 1/2n，其中m，n分別是真樣本、假樣本的數(shù)目，總樣本數(shù)L=m+n。

(3) 尋找T個(gè)弱分類器ht(t=1,2,…,T)。1）對所有樣本的權(quán)重進(jìn)行歸一化

2）對于每個(gè)樣本中第j個(gè)Haar-Like特征，可以得到一個(gè)簡單分類器hj，也就是確定閾值jθ和偏置pj，使得誤差達(dá)到最小，而

偏置pj決定不等式方向，只有±1兩種情況。

3) 在確定的簡單分類器中，找出一個(gè)具有最小誤差εt的弱分類器ht。

4) 對所有樣本的權(quán)重進(jìn)行更新：

(4)最后得到的強(qiáng)分類器為

其中αt=ln(1/βt)，是根據(jù)ht的預(yù)測錯(cuò)誤衡量的，也就是對第t輪產(chǎn)生的分類規(guī)則ht的評價(jià)，at越大，ht的重要性越大。

2.2 實(shí)驗(yàn)結(jié)果

在ATM自動(dòng)識(shí)別功能拓展系統(tǒng)中，我們基于AdaBoost算法構(gòu)造了人臉檢測系統(tǒng)，實(shí)驗(yàn)結(jié)果如圖1所示。目前在ATM自動(dòng)識(shí)別功能拓展系統(tǒng)中，使用該算法實(shí)現(xiàn)人臉的檢測時(shí)間在70ms左右，在環(huán)境較好的情況下，可有效地檢測單個(gè)人臉和多個(gè)人臉。

3 結(jié)論

針對ATM機(jī)存在的不安全因素，開發(fā)研制了ATM自動(dòng)識(shí)別功能拓展系統(tǒng)，在現(xiàn)有的ATM機(jī)上增加人臉識(shí)別功能，而人臉檢測是人臉識(shí)別首要環(huán)節(jié)，是該系統(tǒng)中的一項(xiàng)關(guān)鍵技術(shù)。采用了基于AdaBoost算法，構(gòu)造了人臉檢測系統(tǒng)，實(shí)驗(yàn)結(jié)果表明，該算法實(shí)現(xiàn)人臉檢測時(shí)間在70ms左右，在環(huán)境較好的情況下，可有效檢測單個(gè)人臉和多個(gè)人臉，滿足了ATM自動(dòng)識(shí)別功能拓展系統(tǒng)的要求。

圖2 人臉檢測圖片

[1]嚴(yán)云洋,郭志波,楊靜宇.基于特征空間劃分的AdaBoost人臉檢測算法[J]小型微型計(jì)算機(jī)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.