基于生物特征识别的考务管理系统设计

2023-11-07秦燕桦

电脑知识与技术 2023年26期

秦燕桦

（厦门理工学院计算机与信息工程学院，福建厦门 361024)

0 引言

教育考试制度是国家人才选拔的重要手段和方式，因而越来越多的人员加入学历提升、职称提升、职业资格等考试。考试规模不断增大给考试过程管理工作带来新的挑战，如：夹带小抄、信息化方式作弊、证件伪造、替考等作弊方式层出不穷，如何有效杜绝此类行为是考试管理质量的重要指标之一。考生身份验证是标准化考试工作的基本要求和管理质量重要指标[1],传统的验证技术依赖于人工进行核查比对，烦琐费时又受主观因素影响，个人评价标准不一致、宽严条件个性化、证卡伪造等导致替考等违法事件层出不穷。针对这种状况，引入生物特征识别：包括人脸识别[2]、指纹识别技术[3]，建立统一标准的考生身份验证标准，实现具有证件防伪、标准一致、省时又省力的考试验证方案，是对传统管理和工作模式弊端的有效补充和支撑。

1 基于生物特征识别系统设计思路

人体的生物特征具有唯一性和稳定性[4]，将生物特征识别用于考生身份验证过程，因其唯一性、用户友好等特征，易于被考生接受[5]。因此系统设计以时间为节点，分为三个阶段实施。

1)考前阶段：考前数据采集、存储、编排。在传统的采集过程中，并没有任何技术手段来辅助考务工作人员来甄别和判断现场采集的考生是否为报名考生本人，只能通过人工辨别的方式进行粗略判断，此时，与报名考生长相十分相似的考生便有可乘之机，一旦让其进行指纹的采集，那么验证阶段的任何技术手段都无法对其进行有效的身份鉴别，因此，在采集过程中，系统如何辅助考务工作人员来甄别和判断现场采集的考生是否为报名考生本人，在源头上屏蔽“枪手”进行采集，也是本系统的重中之重。本系统设计思路为引入“采集考生照片与二代身份证芯片照片比对”的先进技术手段，通过目前二代身份证上存储的生物特征与现场采集考生的面颊进行比对，切实达到“人证合一”的效果，从源头上屏蔽替考考生，让替考人员无所遁形。通过采集后的数据进行考场分配，考试相关信息录入等后续工作。

2)考试阶段：入场验证与后台验证相结合。系统采用人脸识别技术、二代身份证读取技术、指纹识别对比技术、数据管理应用技术进行组合优化，实现考生身份合法性验证的功能。通过使用终端系统上的二代身份证读取功能，读取报名考生的二代身份证里面芯片的信息，结合系统的面部识别技术模块，自动拍摄考生现场的脸部面相与提取的照片进行对比，判断持证考生是否为本人。设置异常处理机制，在考生面部识别不过关的情况下，采集考生的指纹信息方便日后取证。信息验证完成后将考生验证信息及入场数据实时上传、集中存储及呈现。

3)考后阶段：考后管理，负责终端验证数据包的汇总导入；对异常处理机制人员进行指纹、人脸双重比对。指纹未通过的考生进行人脸比对；指纹和人脸比对都未通过的考生进行存疑打印复核；对存疑复核通过的考生进行人工审核；对各个考场的缺考进行确认，标记缺考状态。

2 生物特征识别技术

2.1 人脸识别

人脸识别技术采集含有人脸的图像或视频流，通过属性定位、特征提取和特征比对三个阶段的处理，判断当前所识别的人脸是否已存在于数据库中，进而实现身份识别或身份认证。其中，属性定位阶段通常包括人脸检测、关键点定位、灰度标准化、数据裁剪及增强四个部分，如图1所示。

图1 人脸识别算法的流程图

2.1.1 人脸检测和对齐算法

MTCNN(Multi-task Convolutional Neural Network)多任务卷积神经网络，是一种基于深度学习的算法模型，该算法实现了人脸识别和人脸对齐两个部分的功能[6]。

在使用MTCNN 之前，需要对原始图像进行预处理：通过构建图像金字塔对原始图像进行不同程度的缩放，即通过缩放系数factor，每次都将原始图像缩小为原来的factor 倍，直到最小的图片的长度或宽度小于12则截止。对原始图像进行缩放目的是通过检测不同大小的人脸，来实现多尺度目标检测。当进行原始图像缩放之后，即可将所有图像送入MTCNN 中进行训练。MTCNN 算法从总体上可分为P-Net(Proposal Network) 、R-Net(Refine Network) 以及O-Net(Output Network)三层网络结构。

1)P-Net网络的作用是给出图像中一些候选框的建议位置。其本质是全卷积网络，通过FCN（全卷积网络）对经过预处理的不同尺度的输入图像进行初步的特征提取，并生成多个候选框，利用这些候选框从原图中截取出一块块候选区域。因为这些候选框会有一些重叠，所以需要通过非极大抑制挑选出每一个区域中分数较大的候选框，把其他与之重合度较大的框进行剔除，因为这些框没有存在的意义，此时保留下来的是具有一定精度的框。

2)R-Net网络的作用是将P-Net传送过来的候选框，通过网络进行筛选，从而剔除大量的非人脸框和效果不佳的候选框。当P-Net 输出候选框后，先把候选框代表的图像都截下来，将其传入R-Net，R-Net根据这些截下来的图像计算它们的可信度来判断是不是一张脸，然后对这个粗略的框进行长和宽的调整，调整完后会使得这个框更符合人脸的大小，之后再进行非极大抑制，从而保留下来最优秀的一些框。

3) O-Net 网络的作用是使用更多监督来检测面部区域，并对人脸特征点进行回归，从而输出五个人脸特征点。当R-Net 的候选框传入O-Net 时，首先把候选框对应的图像区域截下来，此时O-Net会识别该区域是否含有人脸，然后还会对该区域的长和宽进行调整，除此之外，还会识别出左眼、右眼、鼻尖、嘴巴左侧、嘴巴右侧这五个特征点。

对于MTCNN 模型，从P-Net 到R-Net 再到ONet，随着网络深度和卷积层通道数的增加，识别率也在不断提高。但网络的运行速度正好成反比，即PNet的运行速度最快，R-Net次之，O-Net最慢。因此，若直接使用O-Net来检测图像，则速度会非常慢。所以，需要使用三个网络，首先用P-Net 进行初步的检测，获取一些粗略框，然后将结果交给R-Net，由RNet 进一步检测，筛除无用的候选框，再将结果交给O-Net，最后由速度最慢但效果最好的O-Net 进行检测。这种通过堆叠网络的做法可以有效减少模型检测所需的时间，大大提高了算法的运行效率。

2.1.2 人脸识别算法

计算机想要完成一张图片的人脸识别一般需要两个步骤：人脸检测和人脸识别。首先通过常用的人脸检测算法进行人脸检测，然后通过获取到的人脸坐标对原图片进行截取，获得人脸图像。这是一个局部的人脸图像，它只包含人脸信息。最后通过人脸识别算法对这个局部的人脸图像进行识别从而获得它的身份。

FaceNet 作为人脸识别算法，它在人脸识别的后半部分起作用。在对原图进行人脸图像截取后，通过FaceNet 对其进行特征提取，而FaceNet 则从输入的图像中抽取出128 个特征矢量作为特征向量[7]。与此同时，还必须构建一个包含所有需要被比对的人脸资料库，并使用相同的FaceNet 模型来提取长度为128 的特征矢量。将当前图片提取出的长度为128的特征向量和数据库中的所有人脸特征进行比对，比对的方式就是计算当前特征向量和所有保存好的特征向量的欧氏距离。最后，选择人脸资料库中与目前图像距离最近、门限不超过某一特定值的图像作为检测结果。若人脸资料库中有图片符合上述两项条件，则表明人脸资料库有一张与目前照片最相近的面孔，即意味着符合条件。

FaceNet 的输入是一张人脸图片，输出是这张人脸图片所对应的长度为128的特征向量，该向量是输入的脸部图像的特征数据浓缩。FaceNet主要分割为三部分：第一部分为主干特征提取网络，通过对所采集到图像进行初始的特征提取，从而得到图像的初步特征；第二部分为对利用获取到的初步特征进行处理，从而获得长度为128的特征向量；第三部分为对获取到的长度为128的特征向量进行L2标准化。

2.2 指纹图像识别

指纹识别技术是国内生物技术应用时间最久、行业广泛、最为成熟一项技术[8]。本系统采用了FPC1020 指纹模块，该模块具有高精度、高速度和高稳定性等优点，可以满足系统对指纹识别的需求。指纹识别的具体实现步骤如下：

1)采集指纹图像：考生在注册时需要将手指放置在指纹模块上进行指纹采集，指纹模块会自动采集指纹图像，并将图像传输至后端服务器。

2)图像预处理：在后端服务器上，采用图像处理算法对指纹图像进行预处理，包括图像去噪、增强、特征提取等步骤。

3)特征匹配：通过比对考生的指纹特征和系统中存储的指纹特征，判断考生的身份是否合法。在本系统中，采用Fingerprint Verification Competition(FVC)2002数据集进行指纹识别的训练和测试，可以达到较高的识别准确率。

3 生物特征识别技术与考务管理系统融合

3.1 系统流程设计

本系统的流程设计主要包括考生注册、考生身份识别、考试内容管理和作弊行为监控等步骤，考试流程示例如图2所示。

1)考生注册：考生注册时需要输入个人信息和指纹图像，个人信息包括姓名、身份证号码等基本信息，指纹图像用于后续的考生身份识别。系统将采集到的信息存储在数据库中，以便后续的考试管理。

2)考生身份识别：考生在参加考试前需要进行身份识别，系统会自动采集考生的指纹图像，并将其与系统中存储的指纹特征进行匹配，判断考生的身份是否合法。若匹配成功，则考生可以进入考试环节；若匹配失败，则系统会提示考生重新进行身份识别。

3)考试内容管理：考试内容包括试题的管理和考试时间的控制等。系统管理员可以通过系统管理界面上传试题和设置考试时间等信息，考生在考试开始前可以通过前端界面查看试题，并在规定时间内完成考试。

4)作弊行为监控：在考试过程中，系统会通过摄像头对考生的行为进行监控，包括考生的面部表情、头部姿势、眼神等，以便及时发现作弊行为。同时，系统也可以检测考生是否使用外部设备，如手机、平板电脑等。若系统发现考生存在作弊行为，会及时向管理员发出警报并记录作弊行为的相关信息。

5)成绩管理：考试结束后，系统会自动对考试结果进行统计和分析，并生成成绩单。系统管理员可以通过系统管理界面查看考生的成绩和考试情况，同时可以对成绩单进行导出和打印。

图2 考试流程示例图

3.2 系统架构设计

系统采用前后端分离式架构设计，前端负责用户交互和展示数据，后端负责处理业务逻辑和数据存储。前端采用的框架是React 和Ant Design 组件进行开发，后端采用Node.js和Express框架进行开发，通过中间件和插件的使用，实现了身份认证、异常处理、日志记录等基本功能提高了系统的稳定性和可维护性。数据库采用MySQL 数据库，通过ORM 框架Sequelize对数据进行存储和管理，能够简化数据库操作，提高代码可读性和可维护性。系统架构图如图3所示。

图3 系统架构图

3.3 系统实现功能

1)采集系统功能：考生生物特征采集及存储。采集面颊、二代身份证信息（根据实际情况定），将二代身份证读取模块中读取出的身份证芯片内部的照片与现场持证人的现场采集照片进行持证人的真假识别，实现在采集的源头上做持证人是不是报名考生本人的识别功能，确保源头采集的人证合一。

2) 身份验证系统功能：支持验证数据导入与导出，通过与硬件模块结合，实现入场验证与后台验证相结合。系统采用人脸识别技术、二代身份证读取技术、指纹识别对比技术、数据管理应用技术进行组合优化，实现考生身份合法性验证的功能。通过使用终端系统上的二代证读取功能，读取报名考生的二代身份证里面芯片的信息，结合系统的面部识别技术模块，自动拍摄考生现场的脸部面相与提取的照片进行对比，判断持证考生是否为本人。设置异常处理机制，在考生面像识别不过关的情况下，采集考生的指纹信息方便日后取证。信息验证完成后将考生验证信息及入场数据实时上传、集中存储及呈现。

3)考前管理功能：基于编排数据的网络或本地导入可进行场次查询和编排信息查询；场次查询查看从平台获取的场次信息是否正确；编排信息查询可查看考生场次、考场号、身份证号码、姓名、报名号等。

4)考后管理功能：考后管理模块主要负责终端验证数据包的汇总导入；指纹未通过的考生进行人脸比对；指纹和人脸比对都未通过的考生进行存疑打印复核；对存疑复核通过的考生进行人工审核；对各个考场的缺考进行确认，标记缺考状态。录入违纪考生违纪信息。