基于人脸识别的快速公交云支付系统的构建

2020-01-16谢振东蔡梓超顾裕波邹大毕

电子技术与软件工程 2019年22期

文/谢振东蔡梓超顾裕波邹大毕

随着“互联网+交通”模式的深入，创新的支付和出行方式一直被积极地探索着。近年来，随着生物识别技术在智能手机端的广泛应用，人脸等生物识别技术也逐渐在零售、餐饮、医疗等大型消费环境试点应用起来，人脸识别技术在交通领域有着非常广阔的想象。

城市公共交通电子支付以非接触式IC 卡为主，近年来陆续出现云闪付、二维码支付、手机支付等新兴支付方式，但相关支付技术都需要借助额外的安全认证模块（IC 卡或手机）实现。随着“互联网+交通”模式的深入，公众对交通信息化服务的需求正发生着结构性变化，他们不再满足于“能用”，而更加注重便捷安全、个性化、经济高效等高层次需求。人工智能技术的应用，使得人脸识别、虹膜识别、静脉识别等一批生物特征识别的技术进入视野，公众迫切期盼相关技术与交通电子支付的融合，在电子支付“从实体卡到虚拟卡到无感支付”的进程中，为公众提供更多多样化、智能化的支付选择。

刷脸支付无疑是未来支付领域的一大趋势，目前人脸识别技术已经发展得比较成熟，具备了正式商用的基础，但是交通支付领域不同于普通消费领域，其天然的交易环境和特点为人脸识别的落地提供了一定的难度和要求。本文基于人脸识别，对云支付技术在公交出行场景方面展开研究，解决快速出行的问题。

图1：系统总架构图

1 背景

与其他生物识别技术相比，人脸识别技术具有易用程度高、接受程度高、和准确度高的优势，主要应用于互联网和安全方面。人脸识别（Face Recognition）是一门复杂的交叉学科，涉及图像处理、机器学习等技术，是人工智能的重要研究领域。人脸识别技术作为生物特征识别领域中一种基于生理特征的识别，是通过计算机提取人脸特征，并根据这些特征进行身份验证的一种技术。随着高效图像算法的出现和计算机性能的进步，自动人脸识别技术已经取得快速发展。

2018年6月，由广州公交集团牵头，羊城通公司、交通投资公司、广州电信公司、BRT 管理公司等一起合作，在BRT 体育中心站及石牌桥两个站点进行人脸识别支付乘车的试点开发应用。

2 人脸识别云支付需求分析

目前，人脸识别技术已经发展得比较成熟，具备了正式商用的基础，各地公共交通人脸识别方案陆续亮相，但却迟迟未见真正落地商用，因此刷脸乘车仍有许多需要解决的难点。一是在公共交通领域要求支付速度快，传统的交通刷卡的速度需要保证在毫秒之间，而刷脸支付虽然不能达到那么高的要求，但仍然需要较快的速度，以满足交通快速通行的环境。二是公共交通领域环境特殊，需要人脸识别的软硬件量身定制。白天强光照射、夜晚光线暗淡、部分环境网络不好、高峰时期流量大等等。三是人脸识别应用于交通支付，随着交通流量的日益增加，需要从数据库中的N 张人脸中识别出个人的身份，数据库的大小是影响识别速度和准确率的重要因素之一。面对着如此庞大的图片集，采用有效地存储方式和优化处理也迫切需要。这些都是快速公交出行需要解决的问题。

3 广州BRT羊城通实施方案

在BRT 公交站台闸机处，安装人脸识别设备，用来对人脸进行抓拍，并连接前端系统服务器，新建一套人脸识别系统，包括人脸识别比对系统、人脸识别人脸库，在羊城通现有APP 新增一项目人脸识别通道，羊城通支付系统开通人脸识别支付模块。系统总架构图如图1所示。

3.1 开通人脸识别支付功能

乘客通过羊城通手机APP 开通人脸识别功能，通过APP 启动手机相机自拍一张照片，并绑定用户的ID 信息，录入到人脸识别人脸库里。APP 同时通知羊城通支付服务器，该用户已启用人脸识别支付功能，并在APP 人脸识别功能状态显示出显示为：已开通。

3.2 前端抓拍人脸

要做到人脸识别的准确和可靠，算法和硬件的优化不可缺少。对人脸识别设备进行定制化设定，红外补光、同画面多人像连续抓取、80cm 有效识别距离等，保证乘客人员通过人脸识别通道时，人脸识别设备自动抓拍到高质量的人脸照片，并推送到前端系统，系统照片筛选，选用质量好的照片推送给人脸识别比对系统。

3.3 人脸识别比对系统

3.3.1 人脸姿态识别

在实际复杂的环境中，因为人脸多姿态变化，会导致人脸的特征发生变化，影响人脸识别的准确性，因此采用一种基于多姿态的人脸识别算法。人脸姿态估计可以分为训练和估计两个部分。

在训练的过程中对人脸识别人脸库的人脸图片进行剪裁、光照归一化、灰度化处理，然后采用梯度方向直方图（HOG）方法来提取人脸图像特征，提取图像特征作为训练特征的数据集，并使用类内协方差规整（WCCN）方法对对训练集中的人脸图像进行处理，降低人脸姿态信息对人脸识别的影响。使用线性核SVM 分类器对处理后的人脸图像进行分类，并且根据分类结果的反馈对SVM 分类器进行优化。

在人脸姿态估计的过程中，与训练阶段相似，采取同样的方法对提取图像特征，然后将训练好的分类器对在BRT 人脸识别设备前端抓拍上传的图像进行分类，分类的结果就是人脸姿态评估结果。最终实现了对人脸姿态的估计和人脸识别。如图2所示。

3.3.2 基于Hadoop 的分布式人脸识别

考虑到随着交通流量的日益增加，将当前大数据技术中主流框架Hadoop 与多姿态人脸识别算法相结合，从而提出一种对大量人脸数据进行处理的解决方案。

（1）可以将人脸识别的数据划分到集群中的每个节点上，存储到HDFS 中，作为人脸识别人脸库，实现高并发性，大大提高人脸识别图像的速度。同时还可以将人脸库缩小，将其拆分成多个人脸库来提高检索效率。

（2）对Hadoop 框架的人脸数据类型接口和输入/输出格式接口进行扩展。因为Hadoop 使用的是分布式集群体系结构，远程调用协议实现了集群节点之间的通信。远程调用协议通过将数据信息串化为二进制来实现节点间的通信。对接口的扩展，可以让Hadoop中的Map 和Reduce 阶段的数据可以高效传输、处理。

（3）将多姿态人脸识别算法和Hadoop框架结合，对通过姿态评估的结果进行分布式计算处理，从而比对到对应的人脸和环境信息。

（4）通过缓存技术，将辨认出的人脸和环境信息保存到缓存中，并标记该人脸乘客是常坐公交的乘客。运用缓存技术后，就不需要每次识别都要去服务器进行处理，在缓存中处理和检索的速度比在数据库的硬盘上的快。当乘客第一次进行人脸识别时，去人脸库中检索进行识别，比对到的结果保存到缓存中，当该乘客第二次进行时，直接去缓存中处理。

如果上传照片不符合比对要求，则立马反馈给前端系统，要求重新再推送照片进行比对，比对完成后输入结果，如能识别到为人脸库里的人员，则将成功提醒信息和乘客的ID 一并返回给前端系统。如不能识别到为人脸库里的人员是，则将失败提醒信息和错误代码返回给前端系统。