面向邊緣計算的醫(yī)?；鸨O(jiān)管人臉識別實名認證方法

摘 要：為有效監(jiān)管醫(yī)?；鸬暮侠硎褂茫谌四樧R別的實名制認證是一種有效的手段。本文為醫(yī)?；鸨O(jiān)管設計了一個面向邊緣計算的人臉識別實名制認證方法。通過普通的RGB彩色攝像頭就可以完成人臉數(shù)據(jù)的采集，人臉定位、人臉活體檢測、人臉特征提取以及人臉比對都在前端設備完成，服務器只負責數(shù)據(jù)的存放和管理，該認證方法大大減輕了服務器的計算壓力。人臉識別實名認證時服務器只傳送模板照片的人臉特征值，無需傳輸人臉圖像，極大減輕了醫(yī)保結(jié)算網(wǎng)絡的傳輸壓力。

關(guān)鍵詞：人臉識別;邊緣計算;醫(yī)?；鸨O(jiān)管

DOI：10.12249/j.issn.1005-4669.2020.26.305

1 引言

隨著生活水平提高，國家醫(yī)療保障也越來越完善。如何有效監(jiān)管醫(yī)療保障基金的合理使用成為醫(yī)保監(jiān)管部門的頭等工作。人臉識別作為實名制認證的有效手段，可以用于監(jiān)管醫(yī)保基金的合理使用，有效防范冒名套取醫(yī)保基金，為合理使用醫(yī)保基金保駕護航?？紤]到醫(yī)保基金使用的場所如藥店和醫(yī)院都有大量現(xiàn)存的前端電腦和一體機設備，同時藥店和醫(yī)院所使用的醫(yī)保結(jié)算網(wǎng)絡帶寬比較小的現(xiàn)狀。本文為醫(yī)?；鸨O(jiān)管設計了一個面向邊緣計算設備的人臉識別實名制認證方法，人臉數(shù)據(jù)的采集、活體特征和配對都在前端設備中完成，服務器只存放和管理數(shù)據(jù)，以此大大減輕服務器端的計算壓力。同時人臉實名認證時服務器只傳送人臉模型的特征值，無需傳輸人臉圖像，大大減輕了醫(yī)保結(jié)算網(wǎng)絡傳輸壓力。

2 面向邊緣計算設備的人臉實名認證方法

邊緣計算設備的人臉實名認證方法包括多尺度融合的RGB靜默人臉活體檢測、輕量級快速人臉識別模型以及人臉特征值同步機制三個部分。邊緣計算設備首先采集人臉圖像，然后對人臉進行檢測，定位人臉位置。對人臉進行靜默活體檢測，如果是真實人臉，則對人臉提取特征值，再向服務器請求模板照片的人臉特征值，進行人臉比對，以確認是否為本人正在使用醫(yī)?；?。

2.1 多尺度融合的RGB靜默人臉活體檢測

實名制認證首先要保證攝像頭采集的人臉是真實的人臉圖像，防止采用打印照片和手機錄制視頻來作弊。目前比較成熟的人臉活體檢測一般采用以下兩類方法：1）交互式動作方式，比如支付寶中提示用戶”眨眨眼、張張嘴”，要求用戶配合做出相應的動作，程序根據(jù)用戶是否回應正確的動作來檢測用戶是否是真人，而不是照片或者錄制視頻。該方法要求用戶配合完成動作，認證時間會比較長，用戶體驗不是很好;2）采用專用硬件的方式，如iphone手機和支付寶蜻蜓設備都采用專用的3D結(jié)構(gòu)光攝像頭來做活體檢測。該方法準確性高，認證快，無需用戶動作配合，缺點是采用專用人臉采集設備，成本較高，通用性較差。

本文采用RGB靜默人臉活體檢測技術(shù)[1]，無需專用人臉采集設備，只需普通RGB攝像頭，無需用戶配合做動作，認證速度快。RGB靜默人臉活體檢測使用學習的方法來實現(xiàn)，首先基于各類應用場景，使用常見的RGB攝像頭，在各種光照和角度下采集大量的真實人臉、以及打印照片和手機翻拍等攻擊手段的數(shù)據(jù)。再把這些采集的數(shù)據(jù)分成真實人臉、打印照片和手機翻拍三類，設計一個深度學習的分類器模型進行學習。實名認證時，針對攝像頭采集的圖像數(shù)據(jù)，根據(jù)這個分類器進行分類，以確定是真實人臉還是作弊圖像。

為了提高準確性，并降低模型的計算量，以便適應計算能力弱的邊緣設備，采用多尺度融合的機制來實現(xiàn)。通過人臉檢測器定位到人臉，以人臉框中心點為基準點，分別以1倍、2倍和4倍人臉框的寬度截取圖像，再把所截取的圖像統(tǒng)一縮放到64*64的分辨率。每個尺度的圖像訓練一個模型，為了減少計算量，模型采用縮小后的Mobilenet作為深度網(wǎng)絡結(jié)構(gòu)[2]。人臉活體檢測時，先定位人臉位置，以人臉框中心點為中心，按三個尺度截取圖像，縮放到64*64大小之后，分別輸入到對應的網(wǎng)絡模型中，并對三個網(wǎng)絡的輸出概率取均值，根據(jù)其最大的分數(shù)確定分類結(jié)果。

2.2 輕量級快速人臉識別模型

人臉識別模型由人臉定位和人臉特征提取兩個模型組成，其中人臉定位是檢測圖像中是否有人臉，并確定人臉的位置和大小;人臉特征提取是對圖像中的人臉進行姿態(tài)校正之后，再縮放到112*112分辨率，由深度學習模型提取出其512維的特征向量?？紤]到邊緣設備的性能問題，同時為了獲取更好的定位效果，我們采用Centerface這種無錨點的人臉檢測方法[3]。該方法檢測速度快，圖像中人臉數(shù)量對計算速度影響不大，定位到人臉的同時可以獲取對應人臉的雙眼、鼻子和嘴角的5個特征點，方便后繼人臉特征值提取時的預處理?？紤]到醫(yī)保監(jiān)管應用場景中極端情況比較少，我們對網(wǎng)絡結(jié)構(gòu)進行了縮小，使其運行速度更快。

人臉特征提取模型采用ArcLoss進行訓練，網(wǎng)絡結(jié)構(gòu)采用在Mobilefacenets的基礎(chǔ)之后，加入SE模塊，以提高小模型的精度。訓練數(shù)據(jù)大約1000多萬張人臉圖像，先進行人臉定位，獲得5個特征點，再根據(jù)特征點進行仿射變換，并縮放到112*112分辨率輸入到網(wǎng)絡中進行訓練。

2.3 人臉特征值同步機制

為了減輕醫(yī)保結(jié)算網(wǎng)絡的傳輸壓力，人臉實名認證時不傳輸人臉圖像，只傳輸人臉512維的人臉特征值?？紤]到不同版本的人臉特征值是不通用的，當邊緣設備端人臉識別進行更新之后，服務器端的特征值也必須記錄對應的版本。因此，人臉特征值數(shù)據(jù)結(jié)構(gòu)應該由人臉識別版本號、特征值提取時間戳和人臉特征值三個主要的數(shù)據(jù)構(gòu)成。為了保證傳輸?shù)陌踩?，特征值?shù)據(jù)包傳輸之前先用加密數(shù)據(jù)進行加密，再進行Base64編碼。前端設備收到數(shù)據(jù)之后，先解密，再比較特征值的版本號，只有當版本號一致時才進行人臉比對。當版本號不一致時，則通知服務器進行更新。

3 實現(xiàn)與結(jié)論

面向邊緣計算的醫(yī)保監(jiān)管人臉識別實名認證的實現(xiàn)包括邊緣設備端（即前端）和服務器端。服務器預存留參保用戶的人臉模板照片，服務器需部署具有管理前端設備和基礎(chǔ)數(shù)據(jù)的應用系統(tǒng)，由JAVA來實現(xiàn)。藥店和醫(yī)院等前端設備由普通PC和安卓一體機組成，其中普通PC上軟件用VC++實現(xiàn)，安卓一體機中人臉識別相關(guān)的核心算法采用C++實現(xiàn)，編譯成SO庫，供APP調(diào)用。

本文設計了一個面向邊緣計算設備的醫(yī)保監(jiān)管人臉實名認證方法，針對醫(yī)保監(jiān)管應用場景中前端設備計算能力弱的特點，設計了一系列低計算量的RGB靜默活體檢測算法、人臉檢測算法和人臉特征值提取算法;針對醫(yī)保結(jié)算網(wǎng)絡速度較差的現(xiàn)狀，設計了一種不傳輸人臉圖像數(shù)據(jù)，只傳輸人臉模板照片特征值的網(wǎng)絡傳輸和特征值同步

機制。

參考文獻

[1]ZezhengWang， Chenxu Zhao， Yunxiao Qin， Qiusheng Zhou， Zhen Lei. Exploiting temporal and depth information for multi-frame face anti-spoofing. Computer Vision and Pattern Recognition. 2018.

[2]Mark Sandler， Andrew Howard， Menglong Zhu， Andrey Zhmoginov..MobileNetV2： Inverted Residuals and Linear Bottlenecks. Computer Vision and Pattern Recognition. 2018.

[3]Yuanyuan Xu1，Wan Yan，Genke Yang，Jiliang Luo . CenterFace： Joint Face Detection and Alignment Using Face as Point.Scientific Programming. 2020：1-8.

作者簡介

黃葉玨（1978-），女，浙江嵊州人，副教授，研究方向：計算機圖形圖像、計算機網(wǎng)絡技術(shù)。