基于嵌入式人脸识别的驾校学习防作弊系统

卢晓龙， 彭 力， 靳海伟

(江南大学物联网工程学院，江苏无锡214122)

近年来，随着我国城乡居民生活水平的不断提高，私家车急速增多，对驾驶培训的需求也越来越大。在这种情况下，驾校数量和学员数量不断攀升，然而实际的驾驶培训的效果却不尽人意。许多拿到驾照的新学员驾驶技能和道路安全意识严重匮乏，给道路安全带来了极大隐患，这在很大程度上是由于学员在驾校培训时学时未达到实际规定标准所造成的［1-2］。

现阶段，指纹识别的身份认证技术已经成熟完善，认证准确率已经达到了99．99% 以上［3］。为了保证学员能按照国家规定完成驾驶训练学时，目前绝大部分教练车上都安装了基于指纹识别的计时培训系统，学员上车学习时和学车结束时需进行IC卡打卡和指纹识别认证，以两次打卡和认证时间计算学员练车时间。与单一刷卡签到相比，指纹识别认证理论上能够避免代打卡、逃避练车的现象。然而，在指纹识别认证的实施过程中，许多驾校为了节省成本，或者许多学员不愿意花时间参加学习，普遍采用了一些类似于“指模”的作弊工具复制学员指纹在驾驶学时造假，使得学员实际学时严重缩水。这样即使侥幸通过考试，也会成为潜在的“马路杀手”。

目前，针对学习驾驶的过程中大量利用假指模作弊的情况已提出了许多解决方案。但这些解方案中大多是着眼于“指纹识别认证”这一环节，如采用三维指纹识别［4］、活体指纹识别［5］等技术代替当前的光学式指纹识别技术。其中较为先进的是采用活体指纹识别技术进行指纹认证，即通过电容传感理论，让电子信号直接捕捉真皮指纹。由于采集的是指纹真皮(活体)信息，因此验证时不受指纹表皮干湿、破损等状况的影响，并且对没有真皮层的硅胶指纹套不识别，能够较好地解决使用“指纹膜”进行造假的行为［5］。然而这些新型的指纹识别技术硬件成本较高，在现阶段不易普及。

随着人脸识别技术的不断成熟以及嵌入式硬件的迅速发展，如今基于嵌入式的人脸识别技术已广泛应用。针对驾校使用假指纹打卡作弊的行为，文中将人脸识别引入到了驾驶学习培训系统中，设计了一种新型的双重识别防作弊系统。该系统采用指纹识别与基于实时人脸识别认证相结合的技术进行身份验证，杜绝了采用“指模”恶意刷取学时的作弊行为。系统还可通过GSM网络与后台总的学员数据库进行交互，并向学员发出防作弊的警示信息。

为提高人脸认证的准确性以及保持人脸认证的连续性，在单次人脸识别的基础上，本系统设计了一套基于多次识别的统计认证策略，最后基于实验室人脸数据库、ORL人脸数据库和Yale人脸数据库进行了模拟测试。

1 系统功能模块与主流程图

本系统采用了友善之臂的Tiny6410核心板，基于嵌入式Linux开发环境，使用Qt进行界面(UI)设计，主要分为指纹识别、基于实时视频监控的人脸识别和防作弊警报信息处理3个部分。其中，人脸识别部分是在Tiny6410平台上利用OpenCV视觉库进行开发的。系统功能模块如图1所示。

图1 系统功能模块Fig．1 Block diagram of the system modules

系统主流程如图2所示。

图2 系统主流程Fig．2 Main flowchart of the system

2 指纹模块与GSM模块

本系统中指纹识别模块采用的是TFS-M61指纹开发模块(见图3)，指纹采集器通过UART接口连接。该指纹模块是以美国德州仪器公司的LM3S2B93高速数字处理器为核心，结合具有公司自主知识产权的商用指纹算法(TFS-9)，高精度光学传感器(TFS-D0307)，并具有指纹录入、图像处理、特征值提取、模板生成、模板储存、指纹比对和搜索等功能的智能型模块［6］。TFS-M61指纹开发模块的认假率 ＜0．001%，拒真率 ＜0．1%，识别率相当高，可以认为是当前学员身份认证的标识。

图3 指纹模块Fig．3 Fingerprint module

在驾校学习驾驶过程中，每位学员在上车训练之前都要进行指纹信息的采集，指纹信息是每个学员进行驾驶学习课时记录的唯一凭证。传统方式的学员课时统计只以单一的指纹信息作为凭证，而指纹很容易被复制下来(见图4)，因此驾校可以在学员缺席的情况下利用复制的指纹信息进行课时累计，从而达到了缩减短学员课时的目的。

图4 指模作弊工具Fig．4 Fingerprints cheating tool

文中提出的“驾校学习防作弊系统”是在学员指纹信息录入之后继续采集学员的脸部信息，拍照存储后进行训练。在学员进行指纹认证并开始进行课时累计时，摄像头会对学员进行实时视频监控，通过人脸图像的提取和识别确认是否为学员本人，从而防止驾校利用指纹造假缩短学员课时的作弊行为。

本系统的GSM模块采用的是中兴的MF210(见图 5)。MF210是一款支持 GSM/GPRS/EDGE，850/900/1800/1900多频段HSUPA的3G模块，可以提供移动环境下的 WCDMA，GSM/GPRS，EDGE(EGPRS)和HSUPA高速数据接入服务。MF210与S3C6410之间采用PCI Express Mini Card接口。本系统只需要简单的短信功能，采用3G模块是为了方便以后的功能扩展和升级［7］。

图5 GSM模块Fig．5 GSM module

3 基于实时的人脸识别认证

为保证每位学习驾驶的学员学时完整性，本系统采用基于实时的人脸识别认证，这样就要求经过指纹认证的学员要一直处于驾驶学习状态，杜绝了驾校缩短学时进行作弊的可能性。

3．1 基于实时的人脸检测

目前有许多比较成熟的人脸检测算法，如基于人工神经网络(ANN)的方法、基于隐马尔科夫模型(HMM)的方法、基于Adaboost的方法等。其中，Adaboost方法是目前人脸检测正确率最高的算法之一，并且在速度上要远快于所有其他方法。本系统为嵌入式开发，所以选择了基于Adaboost的方法进行人脸识别［8-9］。

2001年Paul Viola和Michael Jones提出了一种基于 Haar-like特征、积分图、级联分类器的Adaboost算法的方法，方法主要可分为3个步骤:

1)用Haar-like特征表示人脸，通过“积分图”实现对特征数值的快速计算。

2)使用Adaboost算法训练迭代并挑选出最优弱分类器(最能代表人脸的矩形特征)，将这些弱分类器按照加权投票方式组合成一些性能较好的强分类器。

3)将得到的若干强分类器串联，组成一个级联结构的层叠分类器，训练得到的强级联结构能有效提高分类器的检测速度。

OpenCV中有很多关于人脸检测的级联分类器，如:haarcascade_frontalface_alt．xml，haarcascade_frontalface_alt_tree．xml，haarcascade_frontalface_alt2．xml，haarcascade_frontalface_default．xml等，本系统人脸检测部分采用的是“haarcascade-frontalface-alt．xml”分类器，因为该分类器在嵌入式平台上检测速度快且准确率高。程序中具体实现过程是:先使用cvLoad()加载级联分类器，再使用cvHaarDetectObjects()进行检测，人脸检测流程及相关函数如图6所示。

图6 人脸检测流程Fig．6 Flow chart of the face detection

3．2 人脸识别

本系统在人脸识别阶段采用的是PCA算法。PCA方法的目的是利用K-L变换提取人脸主要成分，即通过对训练图片构成的协方差矩阵计算处理得到其特征值和特征向量，然后根据特征值和对应特征向量贡献率的大小，保留主要成分。其主要原理与分析过程如下［10］。

假设训练集中有N张归一化人脸图像，表示为A=(A1，A2，…，AN)i=1，2，…，N，图片的像素数为n。则所有训练样本的均值可以表示为

训练集的总体散布矩阵St表示为

求出St的特征值与特征向量，分别记作λk和uk，将特征值按照从大到小的顺序排列，选取前d个最大的特征值和对应的特征向量，使得

其中，φ为贡献率。若令α=95%，则意味着保留了95%的训练样本能量。特征向量μk即为所谓的特征脸，当特征值λk很小时，它对应的特征脸μk包含的大部分与人脸无关的信息(噪声)［11-12］。以剑桥大学ORL人脸库为训练集得到如图7所示的部分特征脸图像(按其特征值从大到小排列)。

图7 ORL人脸数据库的部分特征脸图像Fig．7 Some eigenfaces of the ORL database

所有特征脸形成的特征脸子空间记作W=(u1，u2，…，ud)，将每一幅人脸与平均脸的差值矢量投影到特征脸子空间，得到人脸图像的降维向量

对经过人脸检测阶段得到的人脸图像X，将其与平均脸μ0的差值投影到特征子空间W上得到降维向量 q，即

计算待识别图像X与每一个训练图像Ai在特征脸子空间W上的投影

最后，按照最近邻法可以判断待检测图像的类别。单次识别过程在程序中的具体实现流程如图8所示。

图8 人脸识别流程Fig．8 Flow chart of the face recognition

4 基于多次结果统计的人脸识别策略

传统基于PCA人脸识别的方法是以将人脸图像向特征脸子空间进行映射的方式降维处理，提高了人脸识别的速度，但在降维过程中也会丢失一些有用的人脸信息，使得识别率降低。在实际的环境中，特别是驾驶车辆时，由于环境因素(如光照强度变化过大或者学员脸部扭动幅度过大等)影响了实际的识别结果，造成人脸识别结果不理想。基于以上分析，本系统提出了一套基于多帧人脸图像识别的统计识别策略。

该策略以连续的100次人脸检测与识别的结果为依据，设置可信阈值T=0．75，即:当100次识别结果中有大于等于75次认证学员成功，完成一次认证，则认为训练者是指纹对应的学员，可以开始进行课时计时;而如果连续3次认证低于阈值T，就认为是在利用假指纹作弊，将停止课时计时。如果一天内发生多次这种情况，系统将向学员发送报警短信，提示其训练学时正在被占用。

具体的判别流程如图9所示。

5 基于硬件系统的测试与数据分析

本系统在以三星S3C6410作为主处理器的Tiny6410嵌入式核心板的基础上进行开发。为了对防作弊系统进行测试，收集了实验室18个同学的人脸数据建立人脸库(见图10)。其中男生15人，女生3人，采集每人10张不同角度的人脸图片建立人脸库。

为检验本防作弊系统的实际效果，从指纹认证结束开始，对学员人脸图像进行实时认证。从18个人中随机选取10个同学进行测试，每个同学测试3次，每次100帧人脸图像，识别结果见表1。

图9 人脸认证策略流程Fig．9 Flow chart of the authentication method

图10 实验室人脸数据库Fig．10 Laboratory's face database

表1 PCA人脸识别Tab．1 PCA face recognition:10 people of the 3 round of testing data

由表1中可以看出，PCA方法的实际检测结果并不是很理想，10名学员的平均识别率只有82．47%。而采用文中提出的策略进行识别，同样10个人进行10轮测试，每轮100次人脸识别，阈值取T=0．75，如果连续3次100帧人脸识别率低于T，则给予防作弊警告处理，识别结果见表2。

表2 基于统计策略的识别Tab．2 Face recognition based on the proposed method:10 people of the 10 round of testing data

表2的测试均是在实际环境中模拟驾驶姿态进行。其中有些人脸是由光照过强或者学员姿态过于扭曲(学员9姿态过于扭曲)造成认证失败，给予了警告的信息通知。

在当前练车学员并非实际打卡学员的情况下，认为是在进行学时作弊。其测试结果见表3。

表3 指纹作弊的情况Tab．3 10 people's testing data in the case of fingerprints cheating

表3的10轮测试结果证明，如果驾校使用指纹膜的方式刷学时，而不让对应学员练车，则每次均被防作弊系统通过人脸认证察觉，学时将不予计算，多次之后将会通过GSM网络向学员发送报警短信，通知其学时正在被恶意刷取。

由于实验室人脸库所包含样本较少，为了更全面地验证文中所提出策略的准确性，分别将实验室人脸数据库与ORL人脸数据库和Yale人脸数据库分别进行合并，形成了Lab-ORL和Lab-Yale两个联合人脸库。其中Lab-ORL库包含58个人，每人10张人脸图片;Lab-Yale库包含33个人，每人10张图片(原始Yale每人11张人脸图，文中删减成每人10张)。同理，在这两个联合数据库上进行单次识别认证测试和基于统计策略的人脸认证测试，测试结果如图11和图12所示。

图11 在联合人脸库上的PCA人脸识别Fig．11 PCA face recognition on combined face database

图11中，基于Lab-ORL人脸库的10名学员的平均每识别率为84．9%，基于Lab-Yale人脸库的学员平均识别率为83．8%，在两个联合人脸库中均有学员的识别率低于80%，误差较大。

图12 基于统计策略的识别:联合数据库Fig．12 Face recognition using our method:based on combined face database

图12中三角形的代表基于Lab-ORL人脸库的认证，圆形的代表基于Lab-Yale人脸库的认证。从图12可以看出，在两个联合人脸数据库的10轮认证没有出现连续3次认证失败的情况，即没有出现警告事件，展现出了较好的测试结果。图13为防作弊实际测试图。

图13 实际测试结果Fig．13 Actual test diagram

图14为防作弊你系统进行人脸识别认证时的串口输出信息。在Tiny6410嵌入式平台上，采用PCA算法进行人脸识别，单次检测 +识别所需要的时间约为300～450 ms，进行3轮认证(每轮100帧人脸图像认证)耗时2 min左右，和学员学习驾驶的课时时间相比很短，实用性较好。

图14 人脸识别认证所需时间Fig．14 Time used for the face authentication

图15为硬件平台的实物展示图。

图15 实际的硬件平台Fig．15 Hardware platform

6 结语

针对目前驾校普遍存在的以指纹造假作弊缩短学员驾驶学时的行为，文中设计并实现了一种基于嵌入式人脸识别的驾校学习防作弊系统，将人脸识别引入驾校学习考勤领域。系统采用Tiny6410核心板与linux系统进行开发，拥有指纹识别、实时人脸认证和GSM短信发送等功能。针对单次人脸识别误差率较大且不具备实时人脸认证的缺点，提出了一种基于多次结果统计的人脸识别策略，并在实际的硬件平台上经过多轮模拟测试验证了策略的可行性。最后通过多次认证分析，说明了系统具有较好的实用性。

［1］孙劲松．淮安机动车驾驶培训管理信息系统分析与设计［D］．南京:东南大学，2007．

［2］栾兴国．基于指纹识别的驾校考勤系统设计与实现［D］．成都:电子科技大学，2011．

［3］黄磊，陈丙根．基于指纹识别技术的驾校计时培训系统［J］．现代电子技术，2011，34(9):209-210．HUANG Lei，CHEN Binggen．Timing and training systems of driving school based on fingerprint identification technology［J］．Modern Electronics Technique，2011，34(9):209-210．(in Chinese)

［4］张乃文．基于结构光的3D指纹信息采集系统的设计与实现［D］．哈尔滨:哈尔滨工业大学，2011．

［5］廖玉玲．华本国际专注3D活体指纹识别技术开发及应用［J］．中国公共安全，2013(24):257-257．LIAO Yuling．HWABO Int＇l focus on the development and application of 3D live fingerprint recognition［J］．China Public Security，2013(24):257-257．(in Chinese)

［6］吴成枫，赵振华．基于指纹识别技术的智能门禁系统研究［J］．微型电脑应用，2012，28(6):45-47．WU Chengfeng，ZHAO Zhenhua．Reaserch of intelligent access system based on fingerprint recognition［J］．Microcomputer Applications，2012，28(6):45-47．(in Chinese)

［7］杨彦格．3G移动终端软硬件技术发展趋势［J］．移动通信，2012，36(3):74-78．YANG Yange．The development trend of mobile terminal software and hardware technology of 3G［J］．Mobile Communications，2012，36(3):74-78．(in Chinese)

［8］张建明，汪大庆．基于Adaboost算法的多姿态人脸实时视频检测［J］．计算机工程与设计，2010(18):4065-4067．ZHANG Jianming，WANG Daqing．Building multi-view real-time video face detection system based on Adaboost algorithm［J］．Computer Engineering and Design，2010(18):4065-4067．(in Chinese)

［9］黄兴，王小涛，陆丽华．一种快速高效的人脸检测方法［J］．计算机工程与应用，2013，49(3):198-201．HUANG Xing，WANG Xiaotao，LU Lihua．Fast and efficient method of human face detection［J］．Computer Engineering and Applications，2013，49(3):198-201．(in Chinese)

［10］ZHOU C，WANG L，ZHANG Q，et al．Face recognition based on PCA image reconstruction and LDA［J］．Optik-International Journal for Light and Electron Optics，2013，124(22):5599-5603．

［11］孔令钊，唐文静．基于PCA的人脸识别系统的研究与实现［J］．计算机仿真，2012，29(6):27-29．KONG Lingzhao，TANG Wenjing．Research and realization of face recognition based on PCA［J］．Computer Simulation，2012，29(6):27-29．(in Chinese)

［12］Luh G C，LIN C Y．PCA based immune networks for human face recognition［J］．Applied Soft Computing，2011，11(2):1743-1752．