基于人脸识别的实验室上机考试身份验证

叶青

摘 要：实验室上机考试在越来越多的领域得到应用，比如注册会计师考试，银行业从业资格考试等。大部分考场都采用人工身份验证的方式。但是人工识别的局限和机房电脑显示屏的遮挡给替考作弊行为的查找带来了困难。该文注意到深度学习在人脸验证领域得到了长足的发展，提出一种新的基于人脸识别的上机考试身份验证系统。该系统首先通过考生准考证号登陆进系统，再通过人脸检测方法得到人脸，然后使用深度学习方法比对得到的人脸与系统中保存的人脸，最后使用活体检测方法排除替考者使用照片验证的情况。

关键词：深度学习 人脸识别 上机考试 身份验证

中图分类号：TP391.4 文献标识码：A 文章编号：1672-3791（2017）03（a）-0010-02

很多高校计算机实验室除了承担教学任务外，还需要承担大量的上机考试。上机考试可以自动出题，自动评卷，能极大地减少考务人员的工作量。所以随着计算机技术的飞速发展，越来越多的考试在计算机上完成。目前大部分上机考试的身份验证均采用人工验证的方法，有如下缺点：（1）监考人员基本没有经过专业的人脸识别训练，很难根据考试证件和考试人员人脸快速准确地判断两者是否匹配。（2）在考试时检查证件对考试人员也造成一定的影响。

为了应对上述情况，目前已经有一些基于人脸识别的考生身份验证系统被提出。陈史政[1]提出一种基于LBP的人脸识别技术。朱秀娟[2]提出一种新的人脸识别技术用于考生身份验证，其中特征提取采用小波变换，分类器使用支持向量机。黎海清[3]使用Gabor特征提取人脸特征用于人脸识别。显然，以上应用在考试身份验证的人脸识别技术存在2个缺点：（1）人工选择特征提取方法，对人脸特征的提取量可能不足。（2）考生使用事先准备好的照片也可能通过系统的验证。为了克服上述方法中的第1个缺点，该文使用深度学习；为了克服上述方法中的第2个缺点，该文使用活体检测技术。

1 系统的设计

考生身份验证系统包含考生信息注册和考生信息验证，其中考生信息的注册在考生报名时执行。考生身份验证则在考生进入上机考试系时执行，整体流程图如图1所示。

从图1可以看到，身份验证包含4个步骤。

第1步，考生输入准考证号和考试密码执行考生初步验证。使用初步验证，可避免考生人脸验证失败后拒绝透露自己考生信息的情况发生。

第2步，使用人脸检测技术检测摄像头中的所有人脸，并且判断人脸大小是否符合规定人脸大小。如果人脸太大或者太小，提示考试者向前靠近摄像头或者向后远离摄像头。

第3步，使用深度学习方法执行人脸验证。深度学习人脸验证方法对每个考生来说仅需要一张人脸照片，为考生信息注册提供了便利性。

第4步，使用一种新的活体检测方法判断考生是否在使用照片进行人脸身份验证。

上述步骤的第1步是一个简单的账号、密码登录模块。第2步使用OpenCV中的正面人脸检测程序。接下来详细介绍人脸验证和活体检测技术。

2 人脸验证

该文在人脸验证过程中使用图2所示的积神经网络框架，图中C11，C12，C51，C52表示卷积层，P1，P5表示下采样层，loss表示损失函数计算。loss层使用损失函数，其中、分别为网络上、下部分的输出值。

人脸验证包括训练过程和测试过程。在训练过程中，每次随机从该数据库中选取一对人脸数据，得到、。然后使用loss函数反向传递优化参数。上述过程持续1 000 000次，得到训练模型。在测试过程中，根据损失函数得到考生注册时的人脸与考试时检测的人脸的相似度。对相似度设定一定的阈值，即可判定这两张人脸是否属于同一张人脸，其中阈值可以通过实验得到。

3 活体检测

该文活体检测的流程图如图3所示。从图3中可以看到活体检测包含4个步骤。因为在考生身份验证时需要较快的执行速度，该文使用快速AAM检测人脸特征点。

在子区域截取中，该文将随机截取一个或者多个子区域用于活体检测。不使用固定区域可以防止活体检测模式被提前泄露出来。

在截取到子区域后，人眼区域将归一化到20×40大小，对于嘴巴区域则归一化到30×60。为了提高活体检测效果，为了克服光照变化，对这些区域提取局部二值纹理（LBP）特征。

活体检测是一个典型的二分类问题，该文将采用支持向量机解决该问题。因为左眼、右眼、嘴巴区域有着明显不一样的特征，所以针对这3个区域分别训练支持向量机。为了避免分类器的分类错误对考试造成影响，允许重复执行3次，如果3次均不能通过，则通知监考人员。只有考生通过所有的活体检测动作，才能开始考试。

4 实验

实验将在实验室上机考试环境中针对10位考生执行。为了适应不同的姿势，每位同学将更换5次座位；为了适用不同的光照环境，上述操作将在白天和晚上分别执行一次。这样总共有100个数据。为了避免测试数据与训练数据相同，人脸验证阈值和活体检测需要的训练数据将另外选择10名考生执行相关操作获得。

其中人脸验证的实验结果如表1所示，识别率表示两张人脸匹配程度超过阈值的概率，误识别率表示两张属于不同人的人脸的匹配程度超过阈值的概率。从表1可以看到，通过3次验证，基本所有情况都能通过人脸验证验证出，并且误识别率为0%。

活体检测的实验结果如表2所示，识别率表示随机活体动作通过检测的概率，误识别率表示照片通过活体检测概率。從表2可以看到1次通过活体检测概率较高，这样该验证系统对考生的影响极小。另外使用照片通过活体验证检测的概率为0%，表示考生不能简单地使用照片通过活体检测。考生使用照片通过活体验证的难度非常大。

5 结语

该文提出一种新的基于人脸识别的上机考试身份验证系统。利用最近提出的基于卷积神经网络的人脸验证方法执行人脸验证，设计一种新的随机动态活体检测方法能够大幅度降低使用照片通过身份验证的概率。实验结果证明该文方法能够很好地应用于日常的实验室上机考试身份验证中。

参考文献

[1] 陈史政.基于LBP的人脸识别技术在考试身份验证中的应用研究[J].赤峰学院学报：自然版，2014（8）：41-43.

[2] 朱秀娟，卢琳，钟洪发.人脸识别技术在考试身份验证中的应用[J].激光杂志，2016（6）：90-93.

[3] 黎海清.基于特征提取的人脸识别考试身份验证系统的设计与实现[J].信息与电脑，2016（13）.