祝江土

（浙江九陽(yáng)光電有限公司，浙江衢州，324100）

通過(guò)人臉識(shí)別技術(shù)限制重復(fù)投票的電子投票系統(tǒng)的設(shè)計(jì)

祝江土

（浙江九陽(yáng)光電有限公司，浙江衢州，324100）

將人臉識(shí)別技術(shù)應(yīng)用于電子投票系統(tǒng)中，限制重復(fù)投票行為。首先分析了該電子投票系統(tǒng)的結(jié)構(gòu)，給出了人臉識(shí)別技術(shù)在限制重復(fù)投票行為中的應(yīng)用場(chǎng)景。針對(duì)電子投票系統(tǒng)對(duì)人臉識(shí)別算法的需求以及投票人圖像采集背景簡(jiǎn)單和光照變化較小的特點(diǎn)，分析了適用于本系統(tǒng)的基于AdaBoost的人臉檢測(cè)方法以及基于特征臉的人臉識(shí)別方法，給出了通過(guò)OpenCV實(shí)現(xiàn)的基于人臉識(shí)別方法的身份認(rèn)證子系統(tǒng)的設(shè)計(jì)流程，并介紹了基本投票子系統(tǒng)各模塊的功能。最后對(duì)身份認(rèn)證子系統(tǒng)的性能進(jìn)行了分析。

電子投票系統(tǒng)；人臉識(shí)別；人臉檢測(cè)；重復(fù)投票； 身份認(rèn)證

0 引言

傳統(tǒng)的投票系統(tǒng)通過(guò)發(fā)放紙質(zhì)的選票的方式進(jìn)行，通過(guò)人工方式對(duì)投票結(jié)果進(jìn)行統(tǒng)計(jì)。這種方式費(fèi)時(shí)費(fèi)力，統(tǒng)計(jì)出錯(cuò)的概率較大。

隨著計(jì)算機(jī)技術(shù)和電子技術(shù)的發(fā)展，自動(dòng)的電子投票系統(tǒng)可以克服人工投票系統(tǒng)的弊端，由電子投票機(jī)代替?zhèn)鹘y(tǒng)的投票箱，投票過(guò)程和投票結(jié)果統(tǒng)計(jì)完全由電子設(shè)備自動(dòng)完成。但是，如何避免同一投票人多次重復(fù)投票成為該系統(tǒng)投票統(tǒng)計(jì)結(jié)果可信度的關(guān)鍵因素。

為了提高自動(dòng)系統(tǒng)投票統(tǒng)計(jì)結(jié)果的可信度，限制同一投票人多次重復(fù)投票，需要對(duì)投票人的身份進(jìn)行判斷，例如可以通過(guò)刷卡、指紋等身份信息判定投票人是否為重復(fù)投票。在人體特征信息中，指紋、虹膜等信息是目前已知的具有唯一性的人體特征，但提取這種人體特征需要投票人在投票前主動(dòng)驗(yàn)證身份，比如指壓指紋采集儀，并且人的十只手指指紋不盡相同，不同的手指可能輸出不同的識(shí)別結(jié)果，因此無(wú)法避免同一個(gè)人重復(fù)投票。而虹膜雖然是可靠性較高的生物識(shí)別技術(shù)，但是要求投票者的眼睛對(duì)準(zhǔn)虹膜圖像采集儀，給投票操作帶來(lái)諸多不便。

人體的面部特征的唯一性雖然不及指紋和虹膜，但從統(tǒng)計(jì)角度看，其重復(fù)率也較低，因此在中小規(guī)模的投票活動(dòng)中可以作為身份識(shí)別的依據(jù)。本文所設(shè)計(jì)的電子投票系統(tǒng)即通過(guò)人臉識(shí)別技術(shù)限制重復(fù)投票行為，增加投票結(jié)果的可信度。安裝在電子投票機(jī)前的攝像頭采集投票人的圖像信息，提取投票人的人臉圖像，與已完成投票的投票人的人臉圖像比對(duì)，以此判斷當(dāng)前投票人是否為首次投票。通過(guò)人臉圖像限制重復(fù)投票的方式，投票人無(wú)需額外操作，滿(mǎn)足了系統(tǒng)無(wú)操作要求的特點(diǎn)。

1 基于人臉識(shí)別技術(shù)的去偽電子投票系統(tǒng)的結(jié)構(gòu)及系統(tǒng)需求

1.1 系統(tǒng)結(jié)構(gòu)

本文所設(shè)計(jì)基于人臉識(shí)別技術(shù)的投票系統(tǒng)在傳統(tǒng)的電子投票系統(tǒng)之上增加了身份判別環(huán)節(jié)，用于判斷當(dāng)前投票人是否為重復(fù)投票，若為重復(fù)投票，則屏蔽該投票人的投票操作。因此，該系統(tǒng)包含身份認(rèn)證子系統(tǒng)和基本投票子系統(tǒng)兩部分，如圖1所示。

投票操作的流程包括了身份認(rèn)證和基本投票操作兩個(gè)階段。身份認(rèn)證階段對(duì)當(dāng)前投票人的是否為首次合法投票進(jìn)行認(rèn)證，通過(guò)人臉識(shí)別技術(shù)實(shí)現(xiàn)。安裝在電子投票機(jī)前的攝像頭采集當(dāng)前投票人的圖像，身份認(rèn)證子系統(tǒng)檢測(cè)并提取當(dāng)前投票人的人臉圖像，通過(guò)人臉識(shí)別算法判斷所提取的人臉圖像是否存在于由已經(jīng)完成投票的投票人的人臉圖像組成的人臉數(shù)據(jù)庫(kù)中，若存在，表明當(dāng)前投票人為二次或多次投票，系統(tǒng)屏蔽基本投票操作；否則，為首次正常投票。系統(tǒng)的操作示意和實(shí)現(xiàn)流程分別如圖2、圖3所示。

圖1 系統(tǒng)實(shí)現(xiàn)框圖

圖2 系統(tǒng)操作示意圖

圖3 系統(tǒng)實(shí)現(xiàn)流程

1.2 系統(tǒng)需求

目前，人臉識(shí)別算法無(wú)法達(dá)到100%的準(zhǔn)確性，最好的人臉識(shí)別系統(tǒng)也必須在一定的系統(tǒng)環(huán)境下達(dá)到最佳的識(shí)別效果。因此，本文將人臉識(shí)別技術(shù)應(yīng)用在限制電子投票系統(tǒng)的重復(fù)投票中，亦是在一定的條件下，盡可能的限制重復(fù)投票行為的發(fā)生。

1）識(shí)別率：此系統(tǒng)不要求能夠識(shí)別待識(shí)別目標(biāo)的具體身份，只要判斷待識(shí)別人臉是否在人臉數(shù)據(jù)庫(kù)中即可。此處將識(shí)別率定義為正確區(qū)分待識(shí)別人臉是否存在于人臉數(shù)據(jù)庫(kù)的比率。誤識(shí)主要包括兩個(gè)方面：將不在人臉數(shù)據(jù)庫(kù)中的待識(shí)別人臉誤判為存在于人臉數(shù)據(jù)庫(kù)，導(dǎo)致正常的首次投票無(wú)法完成；將存在于人臉數(shù)據(jù)庫(kù)中的待識(shí)別人臉誤判為不在人臉數(shù)據(jù)庫(kù)中，重復(fù)投票行為發(fā)生。出于對(duì)投票結(jié)果可信度的考慮，應(yīng)盡可能避免第二種誤判的發(fā)生。

2）識(shí)別時(shí)間：電子投票系統(tǒng)要求對(duì)投票人身份判別的時(shí)間要求盡可能短，要求在數(shù)秒時(shí)間內(nèi)對(duì)投票人是否為重復(fù)投票做出判斷，識(shí)別時(shí)間應(yīng)控制在3s以下。

3）訓(xùn)練集構(gòu)造：訓(xùn)練集由已經(jīng)完成投票的投票人的人臉圖像構(gòu)成，由于無(wú)法要求投票人主動(dòng)配合采集不同表情、不同姿態(tài)的訓(xùn)練樣本，為了盡可能提高訓(xùn)練分類(lèi)器的分類(lèi)精度，系統(tǒng)設(shè)計(jì)時(shí)采用多攝像頭策略。由多個(gè)攝像頭采集不同角度的圖像，盡可能克服姿態(tài)對(duì)識(shí)別結(jié)果的影響。

2 電子投票系統(tǒng)軟件設(shè)計(jì)

基于人臉識(shí)別技術(shù)的去偽電子投票系統(tǒng)包括身份認(rèn)證子系統(tǒng)和基本投票子系統(tǒng)兩大部分。身份認(rèn)證子系統(tǒng)的功能是對(duì)投票人是否為首次合法投票進(jìn)行認(rèn)證，從而決定當(dāng)前投票人是否有權(quán)投票，主要包括投票人圖像采集、人臉圖像檢測(cè)與提取以及身份判別三個(gè)部分組成?；就镀弊酉到y(tǒng)部分提供管理員對(duì)投票過(guò)程的管理、結(jié)果統(tǒng)計(jì)與發(fā)布、投票操作人機(jī)界面等功能。

2.1 投票人圖像采集

當(dāng)投票人準(zhǔn)備投票時(shí)，攝像頭采集投票人的圖像，借助OpenCV工具可以方便從攝像頭的視頻數(shù)據(jù)流中捕獲投票人圖像數(shù)據(jù)。如前文所述，為了消除拍攝角度對(duì)識(shí)別精度的影響，系統(tǒng)采用了多攝像頭策略，在投票人的正前方、正前方左、右側(cè)分別安裝攝像頭，分別捕獲不同角度的人臉圖像，盡可能獲得正面人臉圖像，三攝像頭的安裝示意如圖2所示。

2.2 人臉圖像檢測(cè)與提取

人臉識(shí)別的前提是從采集的投票人圖像數(shù)據(jù)中檢測(cè)人臉的位置并提取人臉圖像數(shù)據(jù)。人臉檢測(cè)算法主要有：基于知識(shí)的方法、模板匹配方法和基于統(tǒng)計(jì)的方法等?；谥R(shí)的人臉檢測(cè)方法通過(guò)對(duì)人臉的先驗(yàn)知識(shí)得到的人臉判決規(guī)則實(shí)現(xiàn)對(duì)圖像中人臉的檢測(cè)，如，Yang 和 Huang 在[1]中提出的基于知識(shí)的分層人臉檢測(cè)方法?；谀０迤ヅ涞姆椒ㄖ?，預(yù)先得到了描述人臉特征的的標(biāo)準(zhǔn)模板，通過(guò)計(jì)算待檢測(cè)圖像與標(biāo)準(zhǔn)模板的相關(guān)性實(shí)現(xiàn)人臉的檢測(cè)，如靜態(tài)模板法[2-3]和彈性模板法[4-5]?；诮y(tǒng)計(jì)的人臉檢測(cè)方法則是首先通過(guò)大量“人臉”和“非人臉”樣本訓(xùn)練分類(lèi)器，訓(xùn)練好的分類(lèi)器對(duì)待檢測(cè)圖像所有可能位置進(jìn)行“人臉”和“非人臉”的分類(lèi)，從而實(shí)現(xiàn)人臉的檢測(cè)，如，特征子空間法、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。

在該自動(dòng)投票系統(tǒng)中，所采集的投票人圖像的背景相對(duì)簡(jiǎn)單，光照條件較好，但要求人臉檢測(cè)具有較高的實(shí)時(shí)性。Viola and Jones 提出的基于簡(jiǎn)單矩形特征和AdaBoost的人臉檢測(cè)系統(tǒng)檢測(cè)準(zhǔn)正面人臉的速度達(dá)到了每秒15幀以上[6]，可以滿(mǎn)足系統(tǒng)實(shí)時(shí)性要求，本系統(tǒng)將采用此算法實(shí)現(xiàn)人臉的檢測(cè)。

AdaBoost人臉檢測(cè)方法是一種基于積分圖、級(jí)聯(lián)檢測(cè)器和AdaBoost算法的方法，其基本思想是將大量分類(lèi)能力一般的弱分類(lèi)器通過(guò)一定方法組合起來(lái)，構(gòu)成一個(gè)分類(lèi)能力很強(qiáng)的強(qiáng)分類(lèi)器，再將若干個(gè)強(qiáng)分類(lèi)器級(jí)聯(lián)成分級(jí)分類(lèi)器，完成圖像的搜索。通過(guò)級(jí)聯(lián)強(qiáng)分類(lèi)器進(jìn)行人臉檢測(cè)過(guò)程如圖4所示。

2.3 身份判別

身份判別的作用是根據(jù)提取的人臉圖像搜索人臉數(shù)據(jù)庫(kù)，根據(jù)人臉識(shí)別算法判斷當(dāng)前人臉圖像是否存在于人臉數(shù)據(jù)庫(kù)中，若存在表明為重復(fù)投票，若不存在表明為首次投票，判斷過(guò)程通過(guò)人臉識(shí)別技術(shù)實(shí)現(xiàn)。

基于特征臉（Eigenface）[7]的人臉識(shí)別方法由M.Turk和A.Pentland提出，直到現(xiàn)在仍然是最流行的人臉識(shí)別算法之一，已經(jīng)成為事實(shí)上的基準(zhǔn)測(cè)試算法，但其性能容易受到光照和面部姿態(tài)變化的影響。Belhumeur等在PCA（principle components analysis ）的基礎(chǔ)上，采用線(xiàn)性判別分析（LDA, linear discriminant analysis）的方法對(duì)人臉進(jìn)行識(shí)別，提出的Fisherface方法[8]同樣也是目前主流的人臉識(shí)別方法之一?；贕abor小波變換和彈性圖匹配的人臉識(shí)別方法較好地利用了人臉的結(jié)構(gòu)信息和局部灰度分布信息，具有良好的識(shí)別效果，其缺點(diǎn)是時(shí)間復(fù)雜度高，實(shí)現(xiàn)復(fù)雜?；诰植刻卣鞣治龅姆椒ㄒ?/p>

圖4 級(jí)聯(lián)強(qiáng)分類(lèi)器實(shí)現(xiàn)人臉檢測(cè)

基于AdaBoost的人臉檢測(cè)算法獲得了很高的實(shí)時(shí)性，但訓(xùn)練過(guò)程相對(duì)復(fù)雜，OpenCV提供的函數(shù)和分類(lèi)器為人臉檢測(cè)提供了方便，人臉檢測(cè)過(guò)程包含以下三個(gè)步驟：加載分類(lèi)器、加載待檢測(cè)圖像以及檢測(cè)。

1）加載分類(lèi)器，OpenCV提供的“haarcascade_frontalface_ alt.xml”文件是使用自舉分類(lèi)器的級(jí)聯(lián)對(duì)“人臉”前臉特征進(jìn)行學(xué)習(xí)訓(xùn)練所得到的分類(lèi)器的參數(shù)，通過(guò)cvLoad函數(shù)載入該文件。

2）加載待檢測(cè)圖像，通過(guò)cvLoadImage函數(shù)分別加載當(dāng)前投票人的三個(gè)不同角度的圖像。

3）檢測(cè)，cvHaarDetectObjects函數(shù)使用針對(duì)某目標(biāo)物體訓(xùn)練的級(jí)聯(lián)分類(lèi)器在圖像中找到包含目標(biāo)物體的矩形區(qū)域，并將這些區(qū)域作為一系列的矩形框返回。

檢測(cè)到圖像中的人臉位置之后，提取人臉數(shù)據(jù)，歸一化為統(tǒng)一大小的人臉圖像，供下一步身份判別使用。是一種重要的識(shí)別方法，但該方法已商業(yè)化為著名的FaceIt系統(tǒng)，其技術(shù)實(shí)現(xiàn)細(xì)節(jié)沒(méi)有公開(kāi)。此外，隱馬爾可夫模型[8]（HMM，Hidden Markov Model）、奇異值分解[9]（SVD， Singular Value Decomposition）、獨(dú)立元分析（ICA， Independent Component Analysis）等方法也在人臉識(shí)別中得到了應(yīng)用。

該電子投票系統(tǒng)對(duì)人臉識(shí)別算法的需求同樣需要較低的時(shí)間開(kāi)銷(xiāo)，本系統(tǒng)擬采用基于特征臉的方法，盡管其受光照和人臉姿態(tài)影響較大，但如上文所述訓(xùn)練集中的人臉圖像由已經(jīng)完成投票的投票人組成，這些圖像和待識(shí)別的投票人的人臉圖像采集時(shí)的光照條件基本一致，并且如[10]所述“同一個(gè)人臉由于光照和視角不同得到的人臉圖像間的差異要比不同人臉圖像間的差異大”, 因此，在一致的光照條件下，特征臉?lè)ǖ男阅芸梢詽M(mǎn)足系統(tǒng)需求。

基于特征臉的人臉識(shí)別方法也稱(chēng)為基于PCA的人臉識(shí)別方法，其核心思想是構(gòu)造一個(gè)使不同人臉圖像之間差異最大化的本征空間，然后將人臉圖像投影到這個(gè)本征空間中并進(jìn)行識(shí)別。特征臉?lè)椒ǖ幕舅枷牒?jiǎn)述如下，詳細(xì)介紹參見(jiàn)[7]。

假設(shè)M幅大小為N×N像素的人臉圖像作為學(xué)習(xí)樣本，將每幅圖像看作長(zhǎng)度為N2的列向量，記為x1,x2,...,xM，M幅人臉圖像的平均值向量μ表示為：

μ代表了M幅人臉的平均臉，每個(gè)人臉圖像與平均臉的差值用向量Фj表示。

定義M個(gè)訓(xùn)練樣本的協(xié)方差矩陣為：

Sw是一個(gè)N2×N2的矩陣，直接計(jì)算其特征值和特征向量的計(jì)算量較大，為了降低計(jì)算量，構(gòu)造一個(gè)低維M×M的矩陣L=XTX，

設(shè)λi和vi分別為矩陣L的特征值及其對(duì)應(yīng)的特征向量，則Sw的特征向量為：

由式（5）得到的特征向量ui被稱(chēng)為特征臉，構(gòu)成了人臉空間的一個(gè)子空間的正交基，該人臉圖像集中的每個(gè)人臉均可精確表示為特征臉的線(xiàn)性組合，這些特征臉形成了一個(gè)低維子空間，稱(chēng)為“人臉子空間”，每張人臉圖像在該低維子空間上的投影即作為識(shí)別特征。

訓(xùn)練集中的每一個(gè)人臉圖像通過(guò)（6）所示的簡(jiǎn)單運(yùn)算投射到“人臉子空間”，

特征值越大，與之對(duì)應(yīng)的特征向量對(duì)表示人臉圖像的影響也越大，因此，m（m＜M）個(gè)最大特征值對(duì)應(yīng)的特征向量來(lái)表征人臉就足以用于人臉識(shí)別。

假設(shè)式（6）中特征向量ui對(duì)應(yīng)的特征值按遞減的順序排列，則前m個(gè)特征向量代表了特征值最大的m個(gè)特征向量。m 個(gè)權(quán)值wi（i=1，2，…，m）構(gòu)成了權(quán)值向量WT=[wi，w2，…wm]。權(quán)值矢量即用作人臉識(shí)別，識(shí)別過(guò)程包括以下步驟：

1） 獲得M個(gè)人臉圖像訓(xùn)練樣本；

2） 計(jì)算矩陣L，得到其特征值和特征向量，選擇m個(gè)最大特征值對(duì)應(yīng)的特征向量；

3） 根據(jù)（5）計(jì)算得到m個(gè)特征臉ui；

4）對(duì)于訓(xùn)練集中每個(gè)已知個(gè)體的人臉圖像，根據(jù)（6）計(jì)算各自的權(quán)矢量Wk，定義到訓(xùn)練集中已知個(gè)體的最大允許距離門(mén)限θε；

5） 對(duì)于待識(shí)別的人臉圖像，計(jì)算它的權(quán)矢量W以及到訓(xùn)練集中每個(gè)已知個(gè)體的歐氏距離εk；

如果最小距離εi＜θε，待識(shí)別的人臉識(shí)別為對(duì)應(yīng)的個(gè)體；反之，如果最小距離εi＞θε，表明待識(shí)別人臉不在訓(xùn)練集中。

在特征臉?lè)椒ǖ幕A(chǔ)之上，在本系統(tǒng)中，不需要識(shí)別投票人的具體身份，只要判斷當(dāng)前投票人是否存在于訓(xùn)練樣本中。因此，設(shè)計(jì)時(shí)，設(shè)定判決門(mén)限vθ，當(dāng)待識(shí)別人臉圖像在“人臉子空間”上投影與訓(xùn)練集在“人臉子空間”上投影的最小距離小于vθ時(shí)，表明待識(shí)別人臉存在于訓(xùn)練樣本中，即當(dāng)前投票人為重復(fù)投票，否則，當(dāng)前投票人為首次投票，并將當(dāng)前投票人的人臉圖像加入到訓(xùn)練樣本中。

為了盡可能減小人臉姿態(tài)對(duì)識(shí)別結(jié)果的影響，系統(tǒng)采用了多攝像頭策略，圖2中的三個(gè)攝像頭分別采集不同角度的投票人的圖像。在上述5）中計(jì)算歐氏距離時(shí)，分別計(jì)算三個(gè)攝像頭所采集的人臉圖像到到訓(xùn)練集中每個(gè)已知個(gè)體的歐氏距離,kiε (i = 1， 2，3)，取三者的最小值εk=min{εk,1,εk,2,εk,3}。計(jì)算待識(shí)別人臉到訓(xùn)練集中所有樣本的距離εk，取最小距離εmin=min{εk}。如果εmin＜θv，判決當(dāng)前投票人為重復(fù)投票，反之為首次投票，將人臉圖像加入到訓(xùn)練集中，并開(kāi)啟基本投票操作功能。身邊判別流程如圖5所示。

圖5 基于特征臉?lè)ǖ纳矸菖袆e流程

2.4 基本投票子系統(tǒng)設(shè)計(jì)

系統(tǒng)根據(jù)身份認(rèn)證的結(jié)果決定是否開(kāi)啟投票操作，若當(dāng)前投票人認(rèn)證為首次投票，則開(kāi)啟投票操作，由當(dāng)前投票人完成投票操作。基本投票子系統(tǒng)的設(shè)計(jì)過(guò)程與一般軟件設(shè)計(jì)過(guò)程類(lèi)似，此處不詳細(xì)介紹設(shè)計(jì)過(guò)程，僅對(duì)基本功能簡(jiǎn)單介紹。

基本投票子系統(tǒng)實(shí)現(xiàn)了投票操作的人機(jī)接口，主要功能模塊包括：管理員模塊和用戶(hù)投票操作模塊。

管理員實(shí)現(xiàn)對(duì)投票過(guò)程的管理，包括：候選人信息的編輯、增加、刪除，設(shè)置投票規(guī)則，如設(shè)置每一個(gè)投票人最大投票數(shù)，投票結(jié)果統(tǒng)計(jì)，投票結(jié)果發(fā)布等。

用戶(hù)投票操作模塊實(shí)現(xiàn)了投票人與電子投票系統(tǒng)的人機(jī)接口，提供候選人的基本信息，記錄投票人的投票操作，檢查當(dāng)前投票人的投票結(jié)果是否有效，例如：檢查是否多選等，生成當(dāng)前投票人的投票結(jié)果，根據(jù)當(dāng)前投票人的投票結(jié)果更新候選人的得票數(shù)等。

3 性能分析

身份認(rèn)證子系統(tǒng)身份判別時(shí)間是本系統(tǒng)考慮的主要性能指標(biāo)之一，身份判別時(shí)間主要包括人臉檢測(cè)時(shí)間和人臉識(shí)別時(shí)間。采用了實(shí)時(shí)性較強(qiáng)的AdaBoost人臉檢測(cè)算法，對(duì)于一幅640x480的圖像，在處理機(jī)型號(hào)為2.66 GHz Pentium D系統(tǒng)中，人臉檢測(cè)時(shí)間為475ms左右。

人臉識(shí)別時(shí)間主要包括兩部分的消耗：訓(xùn)練時(shí)間和識(shí)別時(shí)間?；谔卣髂?lè)椒ǖ娜四樧R(shí)別需要計(jì)算訓(xùn)練集人臉圖像的特征值和特征向量，以及用于識(shí)別的權(quán)向量，當(dāng)訓(xùn)練集中人臉數(shù)目增多時(shí)，特征值和特征向量的計(jì)算將占用較多時(shí)間，實(shí)驗(yàn)中，當(dāng)訓(xùn)練集中的人臉圖像增加到300幅時(shí)，每幅人臉圖像大小為110x90像素，訓(xùn)練時(shí)間為18.85s左右。

由于識(shí)別時(shí)，只要計(jì)算待識(shí)別人臉圖像到訓(xùn)練集中人臉圖像在“人臉子空間”中的歐氏距離，用時(shí)相對(duì)較少，訓(xùn)練集中的人臉圖像為300幅時(shí)，識(shí)別時(shí)間約為 32ms。

可以發(fā)現(xiàn)，包含300幅人臉圖像的訓(xùn)練集在身份認(rèn)證階段所消耗的時(shí)間約為19.4s。顯然19.4s的認(rèn)證時(shí)間用于投票操作前的身份判斷是不能接受的。然而，根據(jù)該投票系統(tǒng)的特點(diǎn)可以發(fā)現(xiàn)，用于判斷當(dāng)前投票人是否是首次投票的訓(xùn)練集由已經(jīng)完成投票的投票人的人臉圖像構(gòu)成，而與當(dāng)前投票人的人臉圖像無(wú)關(guān)，因此，耗時(shí)較多的訓(xùn)練過(guò)程可以在上一個(gè)投票人的投票過(guò)程中由后臺(tái)進(jìn)程并發(fā)完成。在這樣的方式下，投票前的身份判別時(shí)間僅包括人臉檢測(cè)時(shí)間和識(shí)別時(shí)間，訓(xùn)練集規(guī)模達(dá)到300幅時(shí)，身份判別時(shí)間僅為0.5s，可以滿(mǎn)足應(yīng)用需求。

4 結(jié)束語(yǔ)

人臉識(shí)別技術(shù)已經(jīng)在很多需要身份識(shí)別的地方得以應(yīng)用，本文將人臉識(shí)別技術(shù)用電子投票系統(tǒng)中，限制重復(fù)投票行為的發(fā)生，并得到較好的效果。然而，受到人臉識(shí)別精度的限制，目前的技術(shù)還無(wú)法做到100%的識(shí)別精度，因此，需要進(jìn)一步改進(jìn)人臉識(shí)別算法。另外一方面，身份認(rèn)證的時(shí)間依賴(lài)于訓(xùn)練集的大小，即身份認(rèn)證時(shí)間隨已完成投票的投票人的數(shù)目增長(zhǎng)，這同樣在一定程度上制約了人臉識(shí)別技術(shù)在大規(guī)模投票系統(tǒng)中的應(yīng)用。因此，實(shí)時(shí)的人臉識(shí)別算法以及其它關(guān)鍵技術(shù)決定了人臉識(shí)別技術(shù)是否能夠在電子投票系統(tǒng)中成功應(yīng)用。

[1] G. Yang, T. S. Huang. Human face detection in complex background [J]. Pattern Recognition, 1994, 27(1): 53-63.

[2] 徐信,郝曉麗,王芳.基于 Adaboost 算法的遠(yuǎn)距離人臉檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì), 2015, 36(4): 983-986.

[3] R.Burnelli,T.Poggio.Template matching: matched spatial filters and beyond[J].Pattern Recognition, 1997, 30(5): 751-768.

[4] A.L.Yuille, P. Hallinan, D. Cohen. Feature extraction from faces using deofrmbale templates[J]. Jounral of Computer Vision, 1992, 8(2): 99-111.

[5] 葉亮.一種基于變形模板匹配的人臉檢測(cè)方法[J].計(jì)算機(jī)工程, 2004, 30(11): 115-117.

[6] P. Viola, M. Jones. Rapid object detection using a boosted cascade of simple features. CVPR, 2001, 511-518.

[7] M.Turk,A. Pentland. Eigenfaces for recognition[J].Journal of Cognitive Neuroscience, 1991, 3(1): 71-86.

[8] 沈杰,王正群,鄒軍.一種基于嵌入式隱馬爾可夫模型的人臉識(shí)別方法[J].揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版)，2008，11(1): 58-62.

[9] 孫靜靜,張宏飛,孫昌.一種基于奇異值分解的人臉識(shí)別新方法[J].科學(xué)技術(shù)與工程，2010，10(25): 6204-6208.

[10] P.N. Belhumeur, J.P. Hespanha, D.J. Kriegman. Eigenfaces vs. Fisherfaces: recognition using class specific linear projection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(7): 711-720.

全新Fluke電機(jī)診斷工具采用Veros機(jī)器學(xué)習(xí)技術(shù)新產(chǎn)品提高電機(jī)效率并縮短停工時(shí)間

美國(guó)華盛頓州，埃弗雷特2017年4月27日消息——Fluke和Veros Systems達(dá)成協(xié)議，在資產(chǎn)性能和條件監(jiān)測(cè)技術(shù)方面進(jìn)行合作，旨在提高對(duì)電機(jī)驅(qū)動(dòng)機(jī)器的效率和可靠性的洞察力。Fluke 438-II電機(jī)效率和電氣性能綜合測(cè)試儀是此次合作后推出的第一款工具。

福祿克是關(guān)鍵工業(yè)設(shè)備維護(hù)領(lǐng)域電能質(zhì)量?jī)x器和技術(shù)的領(lǐng)先供應(yīng)商。Fluke 438-II分析三相電能質(zhì)量測(cè)量數(shù)據(jù)，并采用由Veros研發(fā)的創(chuàng)新方法來(lái)計(jì)算電機(jī)輸出扭矩、轉(zhuǎn)速、馬力和效率。利用上述信息，工程師和技術(shù)人員可以在電機(jī)運(yùn)轉(zhuǎn)期間評(píng)估系統(tǒng)性能和檢測(cè)過(guò)載條件，無(wú)需使用速度計(jì)、應(yīng)變計(jì)或其他侵入式傳感器等機(jī)械傳感器。該技術(shù)融合了Fluke 430系列和Veros技術(shù)，進(jìn)一步提高了業(yè)內(nèi)識(shí)別能量浪費(fèi)和維護(hù)關(guān)鍵機(jī)械的能力。

Design of the Electronic Voting System with Repetitious Voting Restricted by Face Recognition Technology

Zhu Jiangtu
(Zhejiang Joinan Linghting Co., Quzhou Zhejiang,324100)

Face recognition technology is applied in the electronic voting system to restrict repetitious voting operations. The structure of the electronic voting system is firstly analyzed and then the application scenario of face recognition technology in restricting repetitious voting is introduced. For the electronic voting system’s requirements on face recognition algorithm and the characteristics that the background of the voters’ images is simple and the illumination condition varies little, this paper analyzes face detection method based on AdaBoost and face recognition method based on Eigenface respectively, both of which meet the requirements of this system, presents the design flow of the identity recognition sub-system based on face recognition with OpenCV, and describes functions of each model of the basic voting sub-system briefly. Finally, performance analysis of the identify recognition sub-system is shown in this paper.

electronic voting system; face recognition; face detection; repetitious vote; identity recognition