1 南京地铁建设有限责任公司,江苏 南京210017 2 南京地铁建设有限责任公司,江苏 南京210017 3 南京地铁建设有限责任公司,江苏 南京210017 4 南京理工大学自动化学院,江苏 南京 210094
摘要:随着人脸识别技术的不断成熟,该技术在城市轨道交通行业的应用场景日益显著。人脸识别过闸服务如果严重依赖云平台服务,一旦出现网络通信故障就会导致系统失去可用性。本文设计支持网络降级使用的人脸识别计算架构,使得端侧在失去网络连接后依然能够提供人脸识别过闸服务。针对车站服务器的离线人脸识别模式,对基于乘客通行大数据的人脸库迁移策略进行了研究,根据终端离线人脸识别模式的特点,提出了终端阵列协同分库计算的现场人脸识别模式。实验结果表明,本文设计的计算架构能够提高系统的稳定性和终端离线识别模式下的端侧计算规模和计算能力。
关键词:降级使用;人脸库迁移;协同分库;轨道交通
引言
人脸识别技术是利用人体的生物特征进行识别的一种典型方式,相比于其他的一些生物特征识别方式具有用户容易接受、侵犯性低,易扩展性以及直观性的优势,非常适合地铁场景的实战应用。随着近年来国内城市轨道交通的快速发展,国内众多城市已进入线路网络化运营阶段[1][2]。在人脸识别技术的支持下,可以做到无卡通行,在乘客进站台的时候无须任何操作。但是对网络传输的要求相对较高,一对多的特征值匹配模式对于技术的要求也较严格。受到轨道交通自身大流量以及高频次的特征的影响,人脸识别技术在应用的过程中最关键的就是要提升稳定和可靠性,并对综合通行效率等因素进行合理设计分析[3]~[6]。
在地铁人脸识别系统中,终端一般只负责人脸的检测或者人脸特征的提取,然后由云平台实现人脸特征的对比操作,从而实现人脸识别的功能。终端设备和云平台之间严重依赖网络通信,一旦出现网络通信故障就会导致系统失去可用性,因此需要提高人脸识别系统的可靠性,使得在网络通信故障时,依然能够提供人脸识别过闸服务。
为实现上述任务目标,设计支持网络降级使用的人脸识别计算架构,分别针对车站服务器和终端离线情况下,提出人脸库迁移策略和终端阵列协同分库方案。在离线模式下,通过分库,特征对比的计算操作实现终端的内部迁移,减少了响应时间,从而有效的提高了刷脸过闸的效率。
1 离线版人脸识别
1.1 基于车站服务器的离线版人脸识别
对于部署在车站服务器的离线版人脸识别来说,终端设备运行在局域网中,如图1所示,车站服务器接收来自终端设备抓取的数据,完成人脸特征的比对后将识别结果下发至设备,相较于整个计算过程全都依赖终端设备的模式来说,车站服务器的这种模式应用范围相对较广,其优势在于,车站服务器的运算能力较强,识别速度快,而且存储容量大,从而能够保存更多的人脸信息,并且在局域网模式下,后台管理系统可以实时看到识别结果,进行方便人员的数据管理。常见的应用领域如考勤门禁、人行通道闸机等。
图1 基于车站人脸服务器离线识别拓扑图
1.2 基于设备终端的离线版人脸识别
对于设备终端的离线版人脸识别来说,终端设备单机运行,人脸图像的检测以及特征的提取都需要在端上完成,人脸特征的比对过程也需要在终端设备上实现,此外该模式下终端设备还需要保存乘客行程信息,待网络恢复后,经网络通信上传至票务清分系统,从而实现后台的形成扣费。基于终端设备的离线识别拓扑图如图2所示。
图2 基于设备终端的离线版人脸识别计算拓扑图
2 网络降级使用的人脸识别迁移计算设计
针对车站服务器的离线人脸识别模式,对基于乘客通行大数据的人脸库迁移策略进行研究,根据终端离线人脸识别模式的特点,提出了终端阵列协同分库计算的现场人脸识别模式。
2.1 乘客通行大数据的人脸库迁移
轨道交通场景下云平台的客户数据量大,对于网络降级使用的人脸识别迁移计算架构来说,不可能将所有的人脸库迁移至车站现场,为了保证在降级使用过程中人脸识别服务的可用性,本节提出基于乘客通行大数据进行一定量的车站人脸库部署应用,根据乘客的行程偏好进行预判,建立车站级别的人脸动态子库,并进行实时更新。
2.1.1 通行大数据的分析与处理
乘客乘坐轨道交通,会产生多个通行数据,如乘车时间,乘车地点,进站的支付方式等,为了更好地描述乘客的通行情况,本小节将乘坐次数、刷脸频率以及乘坐站点的空间分布这三个指标作为主要对象进行分析。
假设表示人脸库中第i个人在一段时间期内的轨道交通出行轨迹,将乘坐轨道交通次数定义为C,完整的进站和出站算一次;过闸刷脸频率定义为F,具体表示为乘客每次过闸刷脸与乘坐次数的比值,因此;乘坐站点空间分布为S,通过对地铁的各个站台的编码,有,如果乘客在j站台有过乘车记录,则,否则,因此,即S是包含0和1的行向量。
(1)
如式(1)所示,表示为人脸库中第i个人的出行轨迹向量中的第j个站台的得分情况,因此第i个人在轨道交通场景下所有的站台的出行轨迹向量可以如式(2)表示为:
(2)
对于人脸库中所有的乘客信息,将每个人在所有站台的通行指标进行分析处理,就可以得到基于乘客通行大数据的二维矩阵,即式(3)所示:
(3)
2.1.2 加权决策函数
在轨道交通场景下,乘客乘坐轨道交通所产生的数据会因乘坐次数、支付方式等发生变化,有时候乘客还会季节性的改变乘车方式,如寒暑假以及其他的节假日,因此在不同的时间区间内,会得到不同的乘车数据,为了更好的描述乘客的通行大数据,进而更有效的对需要下发的人脸进行决策判断,本文选取三个时间段内的通行指标进行计算,分别为前三个月,前一个月以及前一周的数据。
常用的加权评价函数有加权和法以及加权乘法,其中加权法适用于具有相关性的评价指标,即各个指标之间具有互补的关系,对事物或对象的整体评价可以基于各指标之间的线性叠加,以加权和为代表的评价函数如式(4)所示。
(4)
加权乘法一般适用于评价指标之间相互独立,对事物或者对象的整体评价具有相同的重要程度,每个指标之间不可替代,对整体评价不能基于简单的线性叠加。以加权乘为代表的评价函数如式(5)所示。
(5)
在式(4)和式(5)中表示第i 个人第j项影响因子,表示为第j项因子的影响程度,一般来说,的值越大表示因子影响程度越高,否则因子的影响程度越低。
最终的人脸权值是基于、以及的线性叠加,因此,采用加权和的方式进行权值量化。
基于乘客通行大数据的加权决策函数如下所示:
(6)
在式(6)中,、以及分别为前三个月、前一个月以及前一周三个不同时期通行数据的参数,并且,加权决策函数最终得到乘客在不同站点的权值得分。
随机初始化、以及的值,然后根据均方误差函数(Mean Squared Error, MSE)进行反向传播,从而动态更新我们的、以及的值。均方误差函数如下式所示:
(7)
2.2 终端阵列协同分库计算
在1:N的识别模式中,特征比对所消耗的时间与人脸库的大小成线性关系,人脸库越大,对比时间越长,人脸库越小,对比时间越短。对于网络降级使用的人脸识别,端侧部署的人脸库需要依赖人脸识别终端进行比对计算,从而实现人脸识别过闸。单个终端设备的计算能力有限,为了减少响应时间,加快乘客过闸速度,提出基于终端阵列协同分库计算的人脸识别,通过多个终端分库计算的形式,进一步提高端侧的计算规模和计算能力。
图3多终端协同分库计算架构
如图3所示的多终端协同分库计算架构,根据每个终端节点的计算资源的大小,将端侧部署的人脸数据库按照一定比例分为一个个小的人脸库,对于终端设备离线识别模式来说,终端阵列中的人脸识别终端设备对当前人脸图像进行特征提取后,通过局域网,将人脸特征上传至终端阵列,由多个人脸识别终端协同完成特征对比,最后将识别结果统一汇总,返回至上传人脸特征的终端设备,进而实现乘客刷脸过闸。通过在集群节点之间划分人脸库,维护各个终端节点的负载均衡和可用资源,为人脸识别过闸提供最佳的响应时间。
3 实验结果与分析
3.1 人脸库迁移策略仿真实验
具体的仿真流程如下表所示:
表1 加权决策函数参数仿真过程
加权决策函数参数仿真过程 |
1:随机10000个的矩阵用以模拟多个三个月的乘车数据 |
2:对上述10000个矩阵按照10%的振幅“抖动”,然后按照比例进行缩放,得到一系列一个月以及前一周的数据 |
3:对于得到的前一周的数据,按照95%的行人通行轨迹不改变,5%的行人通行数据改变的规则进行当前这周通行数据的改变 |
4:随机初始化 、以及 |
5:利用式(6)加权决策函数得到当前周的通行数据 |
6:对于步骤3和步骤5中得到的当前周的数据,根据均方误差函数MSE得到的总误差,进行反向传播,从而进行参数的修正,这里定义学习率LR为0.02。 |
7:轮询所有的矩阵后,得到的就是最终的、以及参数值 |
根据表1模拟仿真步骤,得到多轮的MSE的值,进行参数的微调。
表2 加权决策函数参数和MSE
仿真轮次 | MSE | |||
1 | 0.53 | 0.35 | 0.12 | 89581 |
1000 | 0.36 | 0.31 | 0.33 | 33187 |
2000 | 0.21 | 0.27 | 0.52 | 15089 |
3000 | 0.17 | 0.26 | 0.57 | 78345 |
4000 | 0.13 | 0.26 | 0.61 | 3515 |
5000 | 0.11 | 0.25 | 0.64 | 967 |
6000 | 0.06 | 0.25 | 0.69 | 523 |
7000 | 0.05 | 0.24 | 0.69 | 324 |
8000 | 0.07 | 0.23 | 0.6 | 432 |
9000 | 0.04 | 0.25 | 0.71 | 369 |
10000 | 0.02 | 0.23 | 0.75 | 335 |
从表2可以,随着仿真次数的增加,MSE的值先降低后增加,当
,,,MSE最小,因此在模拟的通行数据上,本文的加权决策函数的可以表示为:
(7)
3.2 终端阵列协同分库实验结果
本实验的测试环境包含三台人脸识别终端设备,其中一台作为协同分库计算均衡器,剩余两台作为终端集群节点。三台人脸识别终端均在一个局域网内,在本实验中,每隔30分钟定期收集终端设备的负载节点信息,从而动态将人脸库分配至不同终端,特征比对完成后,将识别结果返回给请求识别的人脸识别终端,完成最终的人脸识别。
图4 多终端阵列分库计算实拍图
针对不同数量的人脸库,分别计算端阵列协同分库计算的时间和单个终端设备完成轮询全部人脸库所消耗的时间。
表3 多终端分库计算和单终端轮询计算时间
人脸库大小 | 多终端协同分库计算时间(ms) | 单终端轮询计算时间(ms) |
100 | 439 | 158 |
500 | 442 | 173 |
1000 | 448 | 209 |
2000 | 461 | 238 |
5000 | 497 | 395 |
8000 | 518 | 531 |
10000 | 549 | 647 |
20000 | 679 | 1096 |
如表3所示,当人脸库中所包含的人脸数据较小时,单终端轮询计算所消耗的时间要远小于多终端协同分库计算的时间,但随着人脸库逐渐变大时,多终端协同分库计算所消耗的时间的增速要小于单终端轮询计算,当人脸库中有8000个人脸信息时,二者所消耗的时间相当,当人脸库包含20000个人脸信息时,多终端协同分库计算所消耗的时间要远小于单终端所花费的时间。因此在网络降级使用的人脸识别迁移计算架构中且人脸库数据比较大时,相较于单个终端,多终端协同分库计算的人脸识别响应时间更少,可以提供更加快速的刷脸过闸。
4 结语
为了提高系统的可靠性,使得在端云网络通信发生故障时,依然可以提供人脸识别服务,本文设计了支持网络降级使用的人脸识别计算架构,研究了根据乘客通行大数据的人脸库云到端迁移策略,然后根据终端阵列组成的集群,设计了多终端协同分库计算的人脸识别计算模式,以完成终端内部的迁移计算。在离线模式下,通过分库,特征对比的计算操作实现终端的内部迁移,减少了响应时间,从而有效的提高了刷脸过闸的效率。
参考文献
[1]姜海.基于人脸识别技术实现地铁AFC闸机无感通行的应用研究[J].铁路通信信号工程技术,2020,17(11):59-62.
[2]赵鸣翔.基于智慧地铁的人脸识别系统设计方案[J].中国新通信,2020,22(08):43-44.
[3]熊勇.地铁自动售票系统人脸识别技术解决方案的探究[J].中国新通信,2020,22(03):53.
[4]李隆.地铁自动售检票系统人脸识别技术解决方案研究[J].中国新技术新产品,2019(09):15-16.
[5]黄亮.人脸识别技术在地铁自动售检票系统中的应用研究[J].铁路技术创新,2018(02):14-17.
[6]郭锐.自动售检票系统中人脸识别技术的解决方案[J].铁路技术创新,2018(02):10-13.