基于Adaboost人臉識別的汽車充電樁控制裝置及其控制方法的研究

申志成 張擁軍 尹琪

摘 要：電動汽車的逐漸普及以及用戶體驗要求不斷提高，傳統的充電樁控制模式已經亟待改善。Adaboost迭代算法利用矩陣特征實現人臉識別，全面革新電動汽車充電樁控制方式與方法，實現精準識別、快速響應、無接觸交互，避免IC遺落或損壞導致的各種負面影響，增強電動車用戶的用戶黏性。

關鍵詞：人臉識別；Adaboost；充電樁

0 引言

隨著新能源汽車的不斷發展，電動汽車覆蓋率也逐年提升，充電式電動車成為目前電動車發展的主要方向，特斯拉下沉式銷售與比亞迪、蔚來等國產電動車在市場中不斷角逐。而與電動汽車配合使用的充電樁也已經被廣泛應用于住宅區、高速公路服務區等場所。

但是傳統的充電樁的用戶識別模式為集成RDIF芯片，與IC卡配合使用。傳統IC卡采用硅片存儲信息，與傳統標識卡（磁條卡，條碼）相比，具有非接觸性、技術成熟等特點。

IC卡作為身份識別秘鑰，主要用于配合充電樁識別身份。用戶需要充電時，將IC卡放置在IC卡識別區，充電樁內置電路識別身份無誤后核對信息，確認信息無誤后觸發充電電路開始充電。互聯網技術的不斷發展，用戶體驗要求的不斷提升，已經無法滿足潮流發展的要求。

1 技術分析

1.1 傳統問題分析

目前IC卡存在以下問題：

1）IC卡作為小件實體容易遺失，遺失補辦手續多有不便；

2）部分IC卡只預置信息而沒有身份識別區，意味著卡片一旦遺失就不能再確認剩余額度；

3）IC卡基于電磁感應原理需要遠離手機等帶磁物體，防止因消磁而失效；

4）IC卡因板材結構不能接觸高溫環境，并且不能彎折，容易老化且表面絲印磨損；

5）IC還存在信息容易被惡意破解、復制、修改等安全隱患，不再適用于具有較高安全要求的充電樁控制領域。

另外，IC卡的損壞、丟失等情況而發生將造成電動車無法充電，這就會降低用戶黏性，造成用戶的使用體驗變得非常糟糕，為電動車的廣泛普及造成損害。

1.2 控制裝置功能設計

采用人臉識別技術為支撐，代替傳統的IC卡信息，進一步提升信息安全性與用戶無接觸式體驗，杜絕由于卡丟失或損壞造成的用戶無法充電的問題。

控制裝置方面將裝置分模塊設計，包括采集、控制、通訊、比對四大模塊。采集模塊以人臉圖像信息為基礎，采用高精度攝像機，收集用戶信息。采集完成后，將有效信息傳給控制模塊。控制模塊對圖像進行預處理及標準化，通過相關人臉圖像識別算法對圖像進行特征識別及提取，然后將識別出來的特征信息輸出到服務器端。服務器端將上傳來的特征信息與預置的特征信息進行對比。最后，服務器端將對比結果回傳給充電樁，然后由充電樁來控制是否對用戶進行充電。

人臉圖像識別算法主要通過設置一定分辨率的檢測器，然后通過積分法將圖像信息轉化為檢測器各分辨率內的特征信息，篩選錯誤率少的特征信息，最后轉化為一般性的特征。

1.3 Adaboost算法

Adaboost算法是一種分類器算法，其原理是基于級聯分類方式的相關模型。所謂的級聯分類方式，就是將多個不同的強分類器按照各自特性，形成級差配合，一級一級完成串聯。而每個單獨的強分類器分別由多個弱分類器構成，弱分類器通過加權方式進行組合，不同的強分類器的構成內容不同。一個強分類器可能包含8個弱分類器而也可能包含28個弱分類器。級聯的方式就是將分類器進行串聯，一般情況級聯用的單個強分類器最少應配置18個弱分類器，一次級聯應配置12個強分類器。從而構成了一個包括200多個弱分類器的級聯強分類器。由于強分類器的計算精準較高、對樣本判別度高，可以實現負樣本精確識別，所以級聯強分類器一旦發現被監測樣本為負樣本就立即終止分類器調用進程，進一步縮短檢測時間，提高效率。同時，由于圖像識別中的對象經常存在大量的負樣本區域，通過級聯分類器可以完成初步高速篩選，對負樣本進行粗篩加拋棄工作，精益化工作進程。由于負樣本被大量拋棄，只有正樣本和少量的負樣本才能進入下個流程，通過一級一級地篩選，保證了最后輸出的樣本的可用性，從而保證了最后輸出的正樣本的偽正（false positive）的可能性非常低。

另外，Adaboost算法是基于迭代的一種算法。在迭代起始階段，所有訓練樣本的權重都統一設定為1，在此樣本分布下訓練出一個弱分類器。在第n次（n=1，2，3，…M，M為迭代次數）迭代中，該樣本的計算權重由上一次即第n-1次迭代的結果而設定。從而實現在每次迭代的最后，都對樣本權重進行再計算的過程，被分類錯誤的樣本將得到更高的權重。通過這樣的方式，實現分錯的樣本快速識別，形成全新的一個樣本分布，從而開始下一次迭代。一次又一次的迭代從而產生了一代又一代的弱分類器。經過M次循環迭代，得到M個弱分類器，把這M個弱分類器按照各自的權重疊加起來，就得到最終的強分類器。

2 控制裝置結構

根據提出的控制裝置的功能設計方案，進一步確定各模塊的物理元件配置，配置圖如圖1所示。

2.1 各模塊配置及功能

采集模塊采用高清攝像機，用于采集人臉圖像并且輸出人臉圖像的數字信息。

控制模塊采用PLC電路板，根據攝像機采集的人臉信息進行圖像預處理及標準化，以輸出人臉圖像的預處理標準信息。再將上述人臉圖像預處理標準信息進一步進行基于Adaboost算法的特征識別及提取，以輸出人臉圖像的灰度特征信息，算法相關部分程序結構如圖2所示。

通訊模塊包括有線的信號傳輸與無線信號傳輸兩種模式，兩種通訊方式均為上傳下送雙向通訊，溝通控制模塊與對比模塊。為了保證傳輸的精確性，要求通訊模塊獨立于控制模塊與之后的比對模塊。通訊模塊將人臉圖像灰度特征信息從控制模塊輸出給比對模塊，將對比信息從比對模塊傳輸給控制模塊。

比對模塊包括一套聯網數據庫，信息隨時更新，該模塊只具有數據庫讀的功能與權限，無法編輯和上傳。局域網服務器負責數據判別，將輸入的人臉圖像灰度特征信息與數據庫中預置灰度特征信息進行比對，輸出成功（允許充電）或失敗信號（拒絕訪問/拒絕用戶使用充電樁進行充電）。

最后，配置的交互模塊實現人機互動，主要包括觸控屏與音頻輸出揚聲器。如果控制電路板獲取比對失敗信號，則通過觸摸屏和揚聲器提醒用戶未注冊或者未匹配，提醒用于進行注冊或者再次嘗試人臉識別；如果控制電路板獲取比對成功信號，則通過觸摸屏和或揚聲器提醒用戶選擇充電時長、充電金額等交互信息。

2.2 基于Adaboost算法的人臉識別疊加算法

利用Adaboost算法對大量人臉樣本進行學習，在人臉和非人臉摻雜的樣本中訓練出弱分類器。將多個訓練完成的弱分類器進行級聯，從而構成了人臉識別的級聯成強分類器。該算法具有增益特性，是一種自適應增強算法，理論上只要迭代次數無限多錯誤率就能達到無限低。Adaboost級聯強分類器對特定的實體進行分類，從原生的弱分類器開始訓練出來。

Adaboost算法進行人臉檢測，主要利用人臉灰度分布不一致這一特性，其采用積分圖計算Haar特征，Haar特征具有計算簡單、檢測速度快等優點。Adaboost算法檢測過程首先計算圖像的Haar特征，并且在算法訓練過程中將錯誤率最小的Haar特征轉換為弱分類器，再把弱分類器組合成強分類器實現人臉識別。

Haar特征值能夠準確地反映圖像的灰度變化，人臉的眼睛比臉頰的顏色更深，鼻梁兩側顏色比鼻梁顏色更深，通過對臉部特征的計算可提取到人臉的Haar特征值。

3 控制方法流程

根據設計完成的充電樁控制裝置，進行控制流程設計，以用戶最優為出發點，開展汽車充電樁的控制方法研究。本控制方法是基于Adaboost算法的人臉識別的控制方法，因此，流程起始即為人臉采集，具體流程如圖3所示。

步驟1 采集模塊（高清攝像機）進行采集人臉圖像并且輸出人臉圖像的數字信息。

步驟2 控制模塊獲取上述人臉圖像數字信息，并且將上述人臉圖像數字信息進行圖像預處理及標準化，以輸出人臉圖像的預處理標準信息。

步驟3 控制模塊將上述人臉圖像預處理標準信息進行基于Adaboost算法的特征識別及提取，以輸出人臉圖像的灰度特征信息。

步驟4 通訊模塊向比對模塊進行有線輸出上述人臉圖像灰度特征信息。比對模塊在獲取上述人臉圖像灰度特征信息后，利用局域網服務器將上述人臉圖像特征信息與預置灰度特征信息與互聯網數據庫中的預置信息進行比對，以輸出比對成功或者失敗信號；各模塊關聯情況如圖4所示，可以看出通訊模塊是整個流程中的核心部分。

步驟5 局域網服務器通過通訊模塊將比對成功或者失敗信號發送至控制模塊。

步驟6 控制模塊獲取上述比對成功或者失敗信號，并且根據上述比對成功或者失 敗信號通過通訊模塊進行充電樁控制，觸發或者關閉充電樁的充電電路。并同時通過通訊模塊控制交互模塊，做出相應反饋與交互，并開放用戶注冊及新一次人臉識別。

步驟7 通過交互模塊與控制模塊進行觸控交互和語音交互。

4 Adaboost人臉識別流程

Adaboost算法，通過設置24×24檢測器，其內包含了15 000個特征矩形，以甄選合適的矩形特征，并將其組合成強分類器，從而實現高精度的人臉識別效果。

Adaboost迭代計算檢測的訓練速度受到兩方面的重要影響，一方面是特征的選取，而另外一方面是特征值的計算。人臉的面部特征通常可以矩形結構特征進行簡單的描繪。如圖5所示。

圖5中的人臉的面部特征由兩個矩形結構特征完成。通常一個24×24檢測器，其像素數量巨大，包含了約150 000個矩形結構特征，必須通過Adaboost迭代算法進行快速篩選，通過級聯強分類器實現人臉特征甄別。

因此，Adaboost人臉識別主要流程如下：

步驟1 設置24×24檢測器；

步驟2 利用積分圖計算人臉圖像預處理標準信息的Haar特征；

步驟3 將錯誤率最小的Haar特征轉換為弱分類器；

步驟4 將弱分類器組合為強分類器。

5 結論

基于Adaboost人臉識別的電動汽車充電樁控制裝置及相應控制方法通過Adaboost算法，配合高清攝像機，能在各種環境下實現高效準確地人臉識別，用戶在使用充電樁過程中，不需要攜帶IC卡等密鑰，避免IC卡遺失、消磁等問題，在方便使用的同時提高可靠性，有效防止IC卡被破解、仿制等安全隱患。人臉識別是指人的面部五官以及輪廓的分布，這些特征因人而異，與生俱來且不易改變。與其他識別技術相比，人臉識別具有非侵擾性，無需干預正常行為即可達到良好的識別效果。

該裝置及對應方法研究完后可以應用于各類新型交直流充電樁，能夠有效提升各類充電樁的易用性，提高充電樁使用的可靠性和安全性，同時能夠保障電動汽車用戶的財產安全與隱私權利，推動充電樁的快速普及，提升基礎設施建設質量，促進社會主義現代化建設。

參考文獻：

[1] 劉建明，張捷，雷婕，等.基于Adaboost的孿生支持向量機人臉識別方法[J].傳感器與微系統，2020（7）：51-53+57.

[2] 王碩楠.一種基于STM單片機的智能充電樁控制系統[J]. 中國科技信息，2020（21）：82-83.

[3] 趙迪.電動汽車智能充電樁的設計[J].中國高新科技. 2020（16）： 101-103.