面向邊緣計算的醫?；鸨O管人臉識別實名認證方法

摘 要：為有效監管醫?；鸬暮侠硎褂?，基于人臉識別的實名制認證是一種有效的手段。本文為醫保基金監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據的采集，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，服務器只負責數據的存放和管理，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，極大減輕了醫保結算網絡的傳輸壓力。

關鍵詞：人臉識別;邊緣計算;醫?；鸨O管

DOI：10.12249/j.issn.1005-4669.2020.26.305

1 引言

隨著生活水平提高，國家醫療保障也越來越完善。如何有效監管醫療保障基金的合理使用成為醫保監管部門的頭等工作。人臉識別作為實名制認證的有效手段，可以用于監管醫?；鸬暮侠硎褂茫行Х婪睹懊兹♂t保基金，為合理使用醫?；鸨ｑ{護航?？紤]到醫保基金使用的場所如藥店和醫院都有大量現存的前端電腦和一體機設備，同時藥店和醫院所使用的醫保結算網絡帶寬比較小的現狀。本文為醫?；鸨O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，人臉數據的采集、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據，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，大大減輕了醫保結算網絡傳輸壓力。

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?；?。

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結構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[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，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據。再把這些采集的數據分成真實人臉、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據，根據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。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作為深度網絡結構[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絡模型中，并對三個網絡的輸出概率取均值，根據其最大的分數確定分類結果。

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。考慮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]到醫保監管應用場景中極端情況比較少，我們對網絡結構進行了縮小，使其運行速度更快。

人臉特征提取模型采用ArcLoss進行訓練，網絡結構采用在Mobilefacenets的基礎之后，加入SE模塊，以提高小模型的精度。訓練數據大約1000多萬張人臉圖像，先進行人臉定位，獲得5個特征點，再根據特征點進行仿射變換，并縮放到112*112分辨率輸入到網絡中進行訓練。

2.3 人臉特征值同步機制

為了減輕醫保結算網絡的傳輸壓力，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，人臉特征值數據結構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據構成。為了保證傳輸的安全性，特征值數據包傳輸之前先用加密數據進行加密，再進行Base64編碼。前端設備收到數據之后，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 實現與結論

面向邊緣計算的醫保監管人臉識別實名認證的實現包括邊緣設備端（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數據的應用系統，由JAVA來實現。藥店和醫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，安卓一體機中人臉識別相關的核心算法采用C++實現，編譯成SO庫，供APP調用。

本文設計了一個面向邊緣計算設備的醫保監管人臉實名認證方法，針對醫保監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;針對醫保結算網絡速度較差的現狀，設計了一種不傳輸人臉圖像數據，只傳輸人臉模板照片特征值的網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、計算機網絡技術。