关于ATM机智能报警装置开发的探讨

长沙理工大学物理与电子科学学院 陈俊霖

随着我国金融行业迅猛发展，ATM机/自助银行逐步遍布城乡。由于银行涉及大量现金流转，安全防范一直是重中之重。根据行业调查统计，部分省市区域内大中型银行部署的监控摄像头已经达到2万个左右，面对每时每刻产生的视频流及报警信息，如何充分利用监控数据信息及时研判警情和异常事件，是银行监控系统面临的重大挑战。

过去，虽然许多传统的视频监控已经部署在ATM取款机上，但仍存在许多侵犯ATM安全的行为发生，而且无法在第一时间采取及时、有效的措施制止侵犯行为。当前，算法的迭代优化和安防设备的功能升级，为视频监控系统性能和功能的创新提供了更佳的解决方案。本文研究的报警系统旨在保持现有功能的基础上完善ATM的报警功能，着手解决各种可能遇到的特殊事件和突发情况，减少人们使用ATM时出现钱财的损失。

本设计的ATM机是由51单片机驱动，12864显示屏、4×4独立按键、音乐播放模块、低音喇叭、卡槽及踏板组成，外封装为ATM形状的长方形盒子，具有显示功能、语音播报功能、按键输入功能。运用算法以及显示屏模块完成存取款、输入密码、查询余额等ATM基本操作。

智能报警系统由卡槽、踏板、红外发射接收模块、智能监控等模块组成。当卡槽内有卡插入时，产生信号1，否则为0。踏板由弹簧、木板组成，踏板压下（模拟人站在ATM前并踩在ATM机前的踏板上），红外发射接收模块因被阻挡而无法接收红外线，输出信号1。踏板信号为1，卡槽信号为0表示有人进入。当检测到卡槽信号为1，踏板信号为0时，即认为人离开，卡没有拔出来，将会触发报警，当卡拔出后就会跳出循环，回到初始状态，整个过程中当系统检测到60s无操作时，显示屏将自动切换为开始界面。系统利用深度学习和性能优化极大完善报警系统，实现智能报警和事前预警。

1 报警系统的原理

报警系统建立了局部识别技术，捕捉插卡口区域局部视场视频图像，识别插卡口区域异常行为；取视场中顶部区域，识别非法安装顶部摄像头异常行为；取键盘区域，识别加装伪键盘的操作。此外，还可适应不同型号的ATM机。

对三个视频分区——插卡口处、顶部区域、键盘区域，单独构建深度网络,识别各自区域的异常行为。对收集到的图片，先进行预处理，将插卡口区域、顶部区域、键盘区域三个部分的监控所拍到的图像分别进行处理，将图像去燥，消除叠效、增强图像，使图片可视化、自动化，然后识别有无被改装。

首先，对采集到的视频进行人脸检测，采用OpenCV的开源人脸检测算法。然后，用检测到的人脸区域图像作为人脸遮挡伪装检测判断的输入，也可以根据检测到人脸后启动异常行为程序。接着，采用条件设定+识别检测+警报触发的视觉智能分析解决方案，结合机器眼监控——触发视频监控或图片抓拍——多通道报警信息传输，将目标的特征行为结果与库里的异常行为比对，从而判断目标行为是否异常。

在识别到有异常行为后，银行将针对不同情况将识别到异常信息的监控视频或图像送至银行监控管理平台或是直接拉动警报器，再根据具体情况人为处理或直接报警。当系统对行为识别有误而拉动报警器时，监控平台也能及时关闭报警器。不同于现在先监控录像，再调监控查找、锁定嫌疑人并追捕的繁琐过程，该智能报警系统针对异常行为立马做出反应，极大降低破案难度、复杂程度。

2 基于Open CV的人脸识别技术

Open CV库中有大量数字图像处理类函数，可以实现在不同维度空间对图像的处理，从最开始的图像视频序列采集存储到对画面的预处理（分割、增强、滤波等），二值化后进一步用数学方法分析图像。Open CV使用图形界面，操作直观，库内有队列、树、集合等动态数据结构，运算便捷，可以实现运动估算、人脸识别和AR技术等功能。本研究主要应用Open CV技术，通过人脸模型匹配，起到实现人脸识别的作用。

人脸识别技术通过摄取图像并自动在图像中实时检测是否存在人脸，如果存在人脸则进而对检测到的人脸进行一系列特征获取和比对。通过对文献的查阅及分析，可以将人脸识别技术分成3个部分，即人脸检测、识别训练和人脸识别。

人脸检测是计算机视觉领域的一项重要研究内容，其核心是在复杂背景中确定人脸的位置、大小和数量。人脸检测是人脸学习和识别最基础的一步，接下来的分析都要在检测到的人脸上处理。人脸学习顾名思义是对于人脸特征进行学习以形成特征模板库，主要为接下来的人脸识别服务。人脸识别是指采集图像后，统计、辨识及对比与人脸特征相符的信息，并实时自动化判断个性化信息。首先录入拍摄到的人脸信息，整合软件训练库，再调用库内的分类检索器，记录和整合训练时检索的多组数据，一般情况下，Open CV内的识别器调用后将分析和检索实时提供的图像信息，完成识别信息确认。如探测到有关人脸信息，将启用人脸属性识别和人脸特征提取，对图像矩阵数据采用由精到细的灰度策略进行多点对比，初步判断个体情况，再综合使用时间等信息，多维度交叉判断个体使用意图，之后再以无线信号的形式将信息传输到网关，网关再根据预设定完成执行相关动作，控制对应产品。最后，在个体使用结束后，记录并存储其操作信息。

3 基于深度学习的非法改装行为识别

深度学习、人工智能领域的理论发展与技术进步推进基于视频信息的异常行为检测应用的发展，得到社会的广泛关注。深度学习大大提高升异常行为检测的准确率，过去人工难以准确描述的类别特征，现在可以通过机器学习从图像或视频中自动提取。

新世纪以来，应用到通过深度学习进行异常行为识别中的基于视频和图像特征的方法，高度依赖于设计者的经验，对特征的精巧设计，以及抽取视频或图像光流特征的多轮实验。有学者对基于此方法的网络进行深度训练和测试，识别准确率在75%左右，而异常行为漏检率和正常行为误检率各占18%和28%。除了识别率不高的缺点，此方法通用性差，算法程序难以适应不同视角、分辨率的视频设备。

全方位视觉智能监控便应运而生。ATM机引入全方位视觉传感器，可以有效拓展现有系统监控范围、提升智能化水平，实现图像信息融合。但如果训练与测试使用的摄像机分辨率或安放角度不同或ATM机型号、插卡位置存在差异，训练出来的深度学习网络将无法应对新情况，甚至无法完成识别。另外，参数越多，运算量成指数级上升，训练速度、识别速度都会降低。

本设计的系统用人体感应模块和IC卡槽关联，实现当取款人取完款后未将插入的卡拔走就离开，将会智能报警，提醒取款人将卡片取走。如图1所示，利用ATM机配备两个Open CV摄像头，摄像头1进行ATM面板行为识别，摄像头2进行人脸识别；能基于人工智能和神经网络的异常行为识别非法行为并智能报警（如：抢劫、蒙面、恶意遮挡、恶意袭击ATM机等）。采用三维时序卷积网络分别为ATM监控视频插卡口处、顶部区域、键盘区域建立深度网络，用以识别各区的异常行为，识别精度大幅提高，训练、识别时间大幅缩短，对不同分辨率、视角的摄像头采集兼容良好。若识别出ATM机已被非法改装，则智能报警。

图1 ATM报警系统设计方案图

结语：由于国内的ATM智能监控起步较晚，技术还不够完善，开发出的产品距离智能化还有一定差距，并且都无法做到提前预警，只能事后取证，在实际的应用中受到很多限制，还有待于进一步的完善。提升ATM机智控水平，保障其可靠运转，不仅是保护人们的人身财产安全需要，更是银行服务提质的必做功课。本文设计的智能报警ATM机利用深度学习极大地完善了报警系统，从而实现智能报警和事前预警，与传统ATM机相比，能够做到提前预警，防患于未然。