錢 玥，李云飛，陳 良

1.蘇州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215006

2.蘇州大學(xué) 機(jī)電工程學(xué)院，江蘇 蘇州 215006

1 引言

車票實(shí)名制是指公民在購買火車票和乘坐火車時(shí)，需要登記、核查個(gè)人身份的一種制度。車票實(shí)名制是保障乘車安全，防范恐怖襲擊，杜絕“黃牛”倒票，解決“一票難求”等社會(huì)頑疾的有效措施。

自2011年6月1日起，全國動(dòng)車組列車全面推行了購票實(shí)名制度。旅客憑有效身份證件購買火車票，車票票面上增印有旅客身份信息，旅客進(jìn)站時(shí)需持購票時(shí)所用的身份證件和車票，經(jīng)車站核對相符后，方可進(jìn)站。這一技術(shù)方案存在以下三點(diǎn)不足：（1）現(xiàn)有的實(shí)名制票務(wù)依賴于身份證，導(dǎo)致購票時(shí)間長且丟失后難以補(bǔ)票，給乘客帶來不便；（2）印有個(gè)人信息的實(shí)名制車票存在隱私泄漏的風(fēng)險(xiǎn)；（3）實(shí)名制車票依賴人工進(jìn)行檢票，檢票效率低，當(dāng)前實(shí)名制系統(tǒng)只能保證5%的抽檢率，檢票實(shí)名制難以保證，嚴(yán)重影響了實(shí)名制票務(wù)系統(tǒng)應(yīng)用的實(shí)際效果。

本文針對現(xiàn)有的實(shí)名制票務(wù)方案的缺陷，提出了基于物聯(lián)感知和生物信息識(shí)別的實(shí)名制票務(wù)系統(tǒng)。系統(tǒng)采用2.4 GHz RFID標(biāo)簽取代普通車票，并創(chuàng)新性地引入生物識(shí)別技術(shù)，可實(shí)現(xiàn)一種全自動(dòng)的實(shí)名制售檢票流程。目前國內(nèi)尚無這一方面的研究。

2 系統(tǒng)設(shè)計(jì)

系統(tǒng)采用最新的物聯(lián)網(wǎng)層次模型并集成于現(xiàn)有的軌道交通AFC系統(tǒng)，由前端的檢票系統(tǒng)和后端的售票系統(tǒng)組成。售票可通過網(wǎng)絡(luò)售票、手機(jī)售票和站臺(tái)售票三種方式進(jìn)行，在售票時(shí)錄入乘客的生物信息。檢票系統(tǒng)在保留原有AFC接口的基礎(chǔ)上，通過RFID閱讀器和視頻采集模塊采集乘客的生物信息進(jìn)行比對，自動(dòng)完成檢票流程。實(shí)名制票務(wù)系統(tǒng)框等如圖1所示。

圖1 實(shí)名制票務(wù)系統(tǒng)框架圖

該系統(tǒng)具有以下優(yōu)點(diǎn)：（1）以生物信息取代身份證信息，具有普遍性、典型性和代表性；（2）克服紙質(zhì)車票沒有存儲(chǔ)空間的缺陷，存儲(chǔ)乘客信息和車票信息，實(shí)現(xiàn)雙重認(rèn)證；（3）通過射頻識(shí)別實(shí)現(xiàn)“非示出型”檢票，極大地提高通行效率。

下面分別對售票模塊和檢票模塊予以闡述。

售票模塊：采用RFID電子標(biāo)簽作為車票的載體。售票模塊通過購票者上傳照片或者現(xiàn)場照相采集購票者的人臉信息。人臉圖像采集完成后，系統(tǒng)利用人臉特征提取算法提取購票者的人臉特征信息，并將特征信息、車次信息以及標(biāo)簽ID號(hào)上傳到服務(wù)器。

檢票模塊：檢票模塊的總體框圖如圖2所示。

圖2 檢票模塊框圖

檢票模塊安裝于閘機(jī)設(shè)備上，對乘客身份進(jìn)行校驗(yàn)。核心微處理器通過UART與RFID閱讀器連接，控制閱讀器的讀寫和操作頻率；通過I2C總線與RTC連接，讀取當(dāng)前的時(shí)間信息；通過SPI總線與片外Flash相連，該Flash存放閘機(jī)放行的合法車次信息；通過網(wǎng)絡(luò)接口與服務(wù)器相連接，根據(jù)ID號(hào)查詢下載乘客的生物信息與車次信息；通過UART與人臉識(shí)別模塊相連，人臉識(shí)別模塊提取視頻采集圖像的特征信息，并將提取到的信息發(fā)送給微處理器進(jìn)行比對，通過距離測量比較圖像中人臉特征與數(shù)據(jù)庫中存儲(chǔ)的人臉特征之間的相似性[1-2]，判定兩幅圖像是否為同一人。

模塊的工作流程見圖3。當(dāng)乘客進(jìn)入RFID讀寫器問詢范圍內(nèi)時(shí)，標(biāo)簽被讀寫器發(fā)射的信號(hào)喚醒，其ID號(hào)被讀取。微處理器產(chǎn)生一個(gè)中斷，從服務(wù)器中查詢車票ID所對應(yīng)的車次信息和乘客身份信息，將車次數(shù)據(jù)與Flash中存儲(chǔ)的車次數(shù)據(jù)進(jìn)行比較，如果不符則報(bào)警；如相符則微處理器發(fā)送命令驅(qū)動(dòng)攝像頭獲取一幀圖像，并運(yùn)行人臉檢測算法，如果采集到的圖像中不含人臉，則驅(qū)動(dòng)攝像頭再次獲取視頻圖像；反之，則對檢測得到的人臉圖像進(jìn)行預(yù)處理，提取其特征信息，并與車票對應(yīng)的人臉特征信息進(jìn)行比對。如果匹配成功，則閘機(jī)放行乘客通過；反之，則說明乘客未攜帶合法車票，閘機(jī)口關(guān)閉。至此，完成車次和身份的雙重校驗(yàn)。在此流程中，乘客無需出示車票，無需提交身份證明，單人通關(guān)時(shí)間可控制在1 s左右。

圖3 檢票模塊工作流程圖

由上文可見，實(shí)名制票務(wù)系統(tǒng)的兩個(gè)關(guān)鍵技術(shù)為射頻識(shí)別技術(shù)與生物特征識(shí)別技術(shù)?？紤]到RFID及其讀寫器已經(jīng)相當(dāng)成熟，因此，本文研究重點(diǎn)主要集中在乘客生物特征尤其是人臉特征的識(shí)別與提取上。人臉檢測和人臉特征提取是人臉識(shí)別過程中的兩個(gè)關(guān)鍵步驟，兩者選用的核心算法很大程度上決定了實(shí)名制系統(tǒng)的性能，特別是實(shí)時(shí)性。本文研究表明，現(xiàn)有標(biāo)準(zhǔn)Viola-Jones算法和Fisher臉?biāo)惴ㄔ谌四槞z測和識(shí)別速度方面有待改進(jìn)，無法滿足大批量乘客同時(shí)進(jìn)行實(shí)名制檢票的實(shí)時(shí)性要求。因此，本文對相應(yīng)算法進(jìn)行了一些優(yōu)化和改進(jìn)，并引入了遺傳算法以期縮短人臉檢測及識(shí)別時(shí)間。

3 關(guān)鍵技術(shù)

3.1 人臉檢測

人臉檢測是指在圖像中確定人臉是否存在并對其進(jìn)行定位的過程。實(shí)名制售檢票系統(tǒng)所采集的視頻圖像中人臉位置未知，因此，從圖像中找到人臉并將其從背景中分離開來是進(jìn)行下一步特征提取工作的前提。考慮到檢票模塊的實(shí)時(shí)性和準(zhǔn)確性要求，人臉檢測算法應(yīng)滿足檢測率高、計(jì)算復(fù)雜度低的要求。

2001年，劍橋大學(xué)的Pual Viola和Michael Jones提出Cascade-Adaboost人臉檢測方法[3]，該算法基于Adaboost算法[4]，引入了“積分圖像”的概念以加快人臉檢測的計(jì)算速度，具有實(shí)時(shí)性好、誤檢率低的優(yōu)點(diǎn)。但該算法對光照較為敏感[5]，考慮到實(shí)名制票務(wù)系統(tǒng)應(yīng)用的環(huán)境光照條件穩(wěn)定良好，因此，本系統(tǒng)選擇Cascade-Adaboost算法進(jìn)行人臉檢測。分類器的訓(xùn)練過程如下：

（1）從i=1開始，訓(xùn)練第i級(jí)的強(qiáng)分類器（共有強(qiáng)分類器Ng個(gè)）：

①初始化樣本的誤差權(quán)重。

②進(jìn)行T次迭代，每次迭代執(zhí)行以下操作：

（a）權(quán)重歸一化；

（b）計(jì)算矩形特征j在訓(xùn)練樣本集上的特征值cj(x),并構(gòu)造弱分類器函數(shù)如下：

其中 p指示不等式方向，θ為閾值；

（c）計(jì)算當(dāng)前權(quán)重誤差，選擇本輪訓(xùn)練中具有最小訓(xùn)練誤差的分類器；

（d）更新樣本對應(yīng)的權(quán)值，增加被誤分類的樣本權(quán)值。

③將選出的弱分類器加權(quán)累加形成強(qiáng)分類器。

（2）將Ng個(gè)強(qiáng)分類器串聯(lián)形成級(jí)聯(lián)分類器。構(gòu)造級(jí)聯(lián)分類器時(shí)存在兩個(gè)矛盾[6]：

①降低強(qiáng)分類器的閾值在增加檢測率的同時(shí)也增加了誤檢率；

②增加弱分類器個(gè)數(shù)在降低誤檢率的同時(shí)也增加了計(jì)算時(shí)間。

實(shí)際應(yīng)用中，實(shí)名制檢票系統(tǒng)對實(shí)時(shí)性有極高的要求。一旦出現(xiàn)對誤檢人臉的情況，系統(tǒng)將重新獲取人臉圖像并運(yùn)行檢測程序?qū)D像中的人臉進(jìn)行二次檢測，大大增加了系統(tǒng)的通行時(shí)間。因此，為滿足系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性要求，本文在以下兩個(gè)方面改進(jìn)了算法，以在保證檢測率的前提下最小化誤檢率和檢測時(shí)間。

首先，對強(qiáng)分類器的最大誤檢率 fmax和最小檢測率dmin的選擇進(jìn)行優(yōu)化。Viloa-Jones算法采用預(yù)先設(shè)定 fmax及dmin值的方式訓(xùn)練每一層的強(qiáng)分類器，當(dāng)?shù)趇層分類器滿足誤檢率 fi≤fmax且檢測率di≥dmin時(shí)，第i層分類器訓(xùn)練完成。本文采用了一個(gè)動(dòng)態(tài)的方法[7]來決定每一層分類器的 fmax、dmin以及閾值θi,算法過程如下：

（1）找出ROC（Receiver Operating Characteristic）曲線上所有的點(diǎn)(fi1,di1),(fi2,di2),…,(fin,din)。

（2）求解以下優(yōu)化問題，以得到解xk：

其中，F(xiàn)i和Di分別為1至i-1層分類器所達(dá)到的誤檢率，F(xiàn)g為系統(tǒng)所允許的最大誤檢率，Ng為級(jí)聯(lián)分類器的層數(shù)。

（3）令 xa、xb為上式兩個(gè)非零解，以滿足 fa＜fb。

（4）如 xb≥1，則返回 (fib,dib)對應(yīng)的閾值 θb；反之，則返回(fia,dia)對應(yīng)的閾值θa。

其次，利用遺傳算法[8]對強(qiáng)分類器訓(xùn)練過程中的特征選擇進(jìn)行優(yōu)化。算法將每個(gè)染色體定義為一個(gè)包含ni個(gè)弱分類器的第i級(jí)強(qiáng)分類器，ni的值可由θi確定。染色體的適應(yīng)度定義為分類器的誤檢率。算法過程如下：

（1）初始化，利用貪心法訓(xùn)練S個(gè)染色體。

（2）對每一代染色體種群進(jìn)行進(jìn)化迭代：

①雜交和變異。定義雜交系數(shù)Pc=0.5,變異系數(shù)Pm=0.1。

②Adaboost學(xué)習(xí)，確定染色體的適應(yīng)度參數(shù)。

③將適應(yīng)度分?jǐn)?shù)小于平均適應(yīng)度的k個(gè)染色體淘汰，將適應(yīng)度分?jǐn)?shù)最高的k個(gè)染色體加入到染色體種群。

（3）進(jìn)化迭代完成后，選擇適應(yīng)度最高的染色體作為第i級(jí)分類器。

經(jīng)過以上優(yōu)化，系統(tǒng)通過訓(xùn)練得到25層級(jí)聯(lián)分類器，與傳統(tǒng)的Viloa-Jones算法相比，檢測速度提高約50%。此外，檢測過程中可舍棄對待檢圖像進(jìn)行圖像金字塔操作的步驟。由于人臉在待檢圖像中的大小可以被確定，因此無須對待檢圖像進(jìn)行縮放處理，進(jìn)一步加快了檢測速度，可滿足實(shí)名制售檢票的應(yīng)用要求。

3.2 特征提取

任何圖像都可看成是高維空間的元素，在利用統(tǒng)計(jì)方法對人臉圖像進(jìn)行處理、分析和識(shí)別時(shí)，可采用線性或非線性的處理方法將它們投影到低維的空間上。線性投影處理包括PCA、ICA和LDA等方法，而非線性投影處理則有傅里葉變換、小波變換和濾波算子等方法[2，9]。本系統(tǒng)所研究的人臉識(shí)別任務(wù)屬于認(rèn)證任務(wù)，即判斷某人的臉相是否符合非圖像信息（RFID車票）所聲稱的身份，為一種一對一的識(shí)別任務(wù)，計(jì)算量相對較小。在保證實(shí)時(shí)性的前提下綜合考慮魯棒性、認(rèn)證率及錯(cuò)誤接受率是算法所需考慮的主要性能評估指標(biāo)。Fisher臉方法[10]結(jié)合了PCA和LDA算法，強(qiáng)調(diào)了不同人臉之間的差別，對于光照、姿態(tài)及視角變化具有較強(qiáng)的魯棒性；同時(shí)，F(xiàn)isher臉方法克服了LDA方法計(jì)算矩陣維數(shù)過大、求解困難的問題。然而在實(shí)踐中，F(xiàn)isher臉方法得到的特征子空間存在冗余的現(xiàn)象，去除特征空間中的冗余信息。不僅可以加快識(shí)別速度，而且可以提高識(shí)別的準(zhǔn)確度。人臉特征選擇是從一組數(shù)量為D的原始特征中選出數(shù)量為d(D＜d)的一組最優(yōu)特征，消除冗余信息。因此，本文采用一種改進(jìn)遺傳算法（OGA）[11]來對人臉特征提取進(jìn)行優(yōu)化。改進(jìn)的Fisher臉?biāo)惴ú襟E如下：

（1）計(jì)算訓(xùn)練集圖像的PCA子空間。

（2）將所有中心化后的圖像，中心化后的類內(nèi)平均圖像和總體平均圖像投影到PCA子空間。

（3）求解第i類的類內(nèi)散布矩陣Si和總的類內(nèi)散布矩陣Sw。

（4）計(jì)算類間散布矩陣SB。

（5）計(jì)算Sw和SB的廣義特征值和特征向量，得最佳分類子空間WLDA。

（6）組合PCA和LDA的子空間，得最優(yōu)人臉投影子空間。

為消除冗余，在得到投影子空間后，用OGA方法對子空間進(jìn)行優(yōu)化：

（1）初始化群體規(guī)模為n,均勻設(shè)計(jì)初始化群體，將染色體定義為一個(gè)人臉特征子集。

（2）計(jì)算染色體的適應(yīng)度（人臉識(shí)別正確率），對染色體進(jìn)行混合選擇。

①雜交和變異，定義雜交系數(shù)Pc=0.5,變異系數(shù)Pm=0.1。

②淘汰適應(yīng)度低于設(shè)定閾值的染色體，剩下m個(gè)個(gè)體。

③如果m≠n,則動(dòng)態(tài)補(bǔ)充新子代：將上一代的a×n(a=0.2-0.4)個(gè)個(gè)體進(jìn)行3～5次隨機(jī)變異，生成n-m個(gè)新個(gè)體投入子代，繼續(xù)循環(huán)；反之，則跳出循環(huán)。

（3）判斷人臉特征子集的適應(yīng)度是否達(dá)到預(yù)設(shè)值，如果達(dá)到，則退出循環(huán)；反之，繼續(xù)搜索特征子集的優(yōu)化解。

經(jīng)過OGA方法的優(yōu)化，本文算法較之Fisher臉方法，其運(yùn)行速度約提高10%，識(shí)別率約提高8%左右。

4 實(shí)驗(yàn)結(jié)果

為驗(yàn)證實(shí)名制票務(wù)系統(tǒng)的可行性與穩(wěn)定性，搭建了檢票模塊的實(shí)驗(yàn)平臺(tái)（參見圖1的檢票系統(tǒng)），并招募了79名志愿者模擬檢票進(jìn)站的乘客。實(shí)驗(yàn)平臺(tái)包括檢票用閘機(jī)一臺(tái)、RFID讀寫器、RFID車票、攝像機(jī)、圖像處理模塊及運(yùn)行數(shù)據(jù)庫程序的服務(wù)器。人臉檢測及識(shí)別程序運(yùn)行在實(shí)驗(yàn)平臺(tái)上用于乘客生物特征的識(shí)別與校驗(yàn)，以實(shí)現(xiàn)實(shí)名制功能。

實(shí)驗(yàn)過程中，光照條件及采集圖像時(shí)乘客與攝像機(jī)間的距離受到嚴(yán)格控制。實(shí)驗(yàn)過程模擬單一通道檢票過程，79名志愿者模擬乘客攜帶（無需出示）RFID車票依次通過閘機(jī)。任意RFID車票具有唯一的標(biāo)簽ID號(hào)，及其所對應(yīng)的車次和乘客人臉特征信息（在購票環(huán)節(jié)記錄于服務(wù)器的數(shù)據(jù)庫中）。在檢票時(shí)，經(jīng)攝像機(jī)拍攝的人臉圖像，其特征信息如車票ID對應(yīng)的人臉特征一致，則該車票定義為“合法車票”；反之，則為“非法車票”。

通過在這一單通道實(shí)驗(yàn)平臺(tái)上進(jìn)行多次實(shí)驗(yàn)，得到包括識(shí)別率、檢測及識(shí)別時(shí)間在內(nèi)的多項(xiàng)實(shí)驗(yàn)數(shù)據(jù)，以得到該平臺(tái)的性能指標(biāo)。

首先，給出以下指標(biāo)定義以表征人臉檢測實(shí)驗(yàn)結(jié)果：

PASS，合法車票持有者被閘機(jī)正確放行；

FAIL，合法車票持有者被閘機(jī)錯(cuò)誤拒絕；

FIND，非法車票持有者被閘機(jī)正確拒絕；

MISS，非法車票持有者被閘機(jī)錯(cuò)誤放行。

考慮到系統(tǒng)運(yùn)行的實(shí)時(shí)性要求，可適當(dāng)降低錯(cuò)誤接受率即MISS值的要求，以加快識(shí)別速度。實(shí)驗(yàn)中，當(dāng)MISS值控制為1%時(shí)，系統(tǒng)的正確通行率可達(dá)99.5%。具體數(shù)據(jù)如表1所示。

表1 系統(tǒng)識(shí)別率指標(biāo)（MISS=1%）

其次，通過在程序中加入計(jì)時(shí)函數(shù)，統(tǒng)計(jì)系統(tǒng)從獲取圖像到得出識(shí)別結(jié)果之間的運(yùn)行時(shí)間。通過多次實(shí)驗(yàn)，得到實(shí)驗(yàn)結(jié)果如表2所示。

表2 人臉檢測及識(shí)別時(shí)間實(shí)驗(yàn)結(jié)果

最后，實(shí)驗(yàn)還對79名志愿者依次通過檢票口的總時(shí)間進(jìn)行了統(tǒng)計(jì)，共進(jìn)行了10次重復(fù)實(shí)驗(yàn)，每次的通關(guān)時(shí)間及總體平均時(shí)間等數(shù)據(jù)，如圖4所示。

圖4 通關(guān)時(shí)間（平均時(shí)間T=75.6 s）

根據(jù)以上數(shù)據(jù)，可得實(shí)名制票務(wù)系統(tǒng)的具體性能指標(biāo)如表3所示?？梢?，RFID車票可以在0.1～1.0 m的距離范圍內(nèi)可以被精確射頻識(shí)別，實(shí)現(xiàn)“非示出型”檢票，同時(shí)人臉檢測和特征識(shí)別速度控制在0.2 s以內(nèi)，檢票環(huán)節(jié)的整體通關(guān)時(shí)間可以控制在1 s之內(nèi)，是現(xiàn)有手工實(shí)名制查驗(yàn)效率的30倍。

最后，考慮一個(gè)實(shí)際應(yīng)用案例。目前，停靠及始發(fā)高鐵、動(dòng)車的火車站通常為列車開設(shè)A、B兩個(gè)檢票口，每個(gè)檢票口安裝有4臺(tái)檢票閘機(jī)。假定列車?？磕痴緯r(shí)，等待檢票上車的乘客有300人，則每個(gè)通道平均需要檢票37.5人次。在實(shí)際檢票過程中，乘客往往隨身攜帶行李，較之理想的實(shí)驗(yàn)條件下的通關(guān)過程，速度應(yīng)略有下降。以實(shí)際通關(guān)速度為2 s來計(jì)算，則完成檢票需要75 s可以滿足實(shí)際應(yīng)用的需要。

表3 系統(tǒng)性能指標(biāo)

5 結(jié)語

實(shí)名制是軌道交通產(chǎn)業(yè)的熱點(diǎn)問題。由于生物特征具有普遍性、唯一性、可測量性和穩(wěn)定性的特點(diǎn)，生物識(shí)別技術(shù)為實(shí)名制車票提供了一個(gè)可行的解決方案。本文的創(chuàng)新之處在于：（1）利用RFID技術(shù)實(shí)現(xiàn)了閘機(jī)對乘客身份信息的主動(dòng)感知；（2）改進(jìn)了Viola-Jones人臉檢測算法，并且利用基于OGA方法改進(jìn)的Fisher臉方法對乘客身份進(jìn)行認(rèn)證，對姿態(tài)、視角變化有較強(qiáng)的魯棒性，提高了識(shí)別率和運(yùn)行速度；（3）利用物聯(lián)感知和生物識(shí)別技術(shù)，對車票和乘客身份實(shí)現(xiàn)雙重認(rèn)證。實(shí)驗(yàn)證明系統(tǒng)具有較高的可行性及廣泛的應(yīng)用前景。

[1]周輝.基于嵌入式Linux的人臉識(shí)別系統(tǒng)的研究[D].西安：長安大學(xué)，2009.

[2]李武軍，王崇駿，張煒，等.人臉識(shí)別研究綜述[J].模式識(shí)別與人工智能，2006，19（1）：58-66.

[3]Viola P，Jones M J.Robust real-time face detecion[J].International Journal of Computer Vistion，2004，57（2）：137-154.

[4]Freund Y，Schapire R E.A decision-theoretic generalization of on-line learning and an application to boosting[J].Journal of Computer and System Sciences，1995，55（1）：119-139.

[5]李外云.基于ARM架構(gòu)的嵌入式人臉識(shí)別技術(shù)研究[D].上海：華東師范大學(xué)，2008.

[6]塔娜.基于ARM的人臉識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].長春：東北師范大學(xué)，2009.

[7]Brubaker S C，Wu J，Sun J，et al.On the design of cascade ofboosted ensembles forface detection[J].International Computer Vision，2008，77（1）：65-86.

[8]YangM，Crenshaw J，AugustineB，etal.AdaBoost-based face detection forembedded systems[J].ComputerVision and Image Understanding，2010，114（11）：1116-1125.

[9]李江.紅外圖像人臉識(shí)別方法研究[D].長沙：國防科技大學(xué)，2005.

[10]Belhumeur P N，Hespanha J P，Kriegman D J.Eigenfacas vs fisherfaces：recognition using class specific linear projection[J].IEEE Transactions on Pattern Analysis and Machine Intellicgence，1997，19（7）：711-720.

[11]吳建龍，羅海兵.遺傳算法在人臉識(shí)別中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2010，27（12）：283-292.