摘要:针对原有自动售货机在线支付系统在展开刷脸支付时，仅对正向人脸图像展开识别，造成其它方向图像识别较低的问题，引用人脸识别技术，设计基于人脸识别的烟草自动售货机在线支付系统。设计人脸图像设计设备以及中央处理器，将其引用至原有系统硬件框架中，完成系统硬件设计。以上述硬件框架为基础，使用AdaBoost算法完成人脸图像的检测，采用K-L算法实现对人脸的识别。将完成处理后的人脸识别结果，结合烟草交易信息构建交易信息数据表，将此表格发送至支付后台，完成在线支付。至此，基于人脸识别的烟草自动售货机在线支付系统设计完成。构建系统测试环节，与原有在线支付系统相比，此系统多角度人脸有效识别率为96%～100%，原有系统多角度人脸有效识别率仅为66.6%。综上可知，此在线支付系统使用性能优于原有系统。
关键词:人脸识别;在线支付;支付系统;特征分析;交互式指令
0引言
自动售货机被称为“永不下班的超级营业员”。目前，这种零售方式已在世界各地普遍应用，通常出售的商品为饮料、咖啡、酒类等等。随着近年来人们生活水平的不断提高，香烟也逐渐采用自动售货机的形式进行贩卖。随着计算机技术的不断进步，原有的售货机支付方式由投币支付更新为手机支付与更为先进的刷脸支付。刷脸支付功能自从面世以来，就受到了大众的广泛欢迎。作为新型支付方式，刷脸支付已被多家大型企业引用至日常的交易中，为保证烟草自动售货机符合时代的发展，在此设备中也引用了扫脸支付技术，通过此技术实现烟草的在线支付。机器学习是人工智能的核心，专门研究计算机怎样模拟和人类的学习行为，重新组织已有的知识结构并以此来改善自身功能。以机器学习经典算法中的BP神经网络算法为理论依据，对香烟自动售货机的中央控制器进行设计。
传统的自动售货机都是基于单片机或ARM7等结构比较简单的系统，新型的自动售货机已通过对GPRS网络、FPGA等研究实现了自动售货机无线上网的方案，利用中心计算机来统一集中管理、处理订单，并能够与支付宝等第三方工具网关直接进行通信，实现在线刷脸支付[1]。但在自动售货机线支付系统的使用过程中，还存在一些不足，如常出现仅对正向人脸展开识别，对其他角度的图像无法识别，很容易造成支付失败的情况，导致用户体验感较差。而人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，通常也叫做人像识别、面部识别[2]，其拥有强大的人脸识别功能，能够识别全方位的图像，使支付顺利进行。目前国内外很多学者都对人脸识别技术进行了相关研究，比如邓嘉明等人[3]结合人脸识别技术，并通过设计人脸识别流程等方式搭建了智慧校园学生行为管理平台，为智慧校园的建设提供了一种有效的管理方式;李梦潇等人[4]设计并改进了基于PCA的人脸识别系统，使性能得到一定提升;此外，国外的FranciscoChávez等人[5]使用了ECJ和Hadoop部署大量进化算法以减少人脸识别所需的兴趣点，解决了生活中人脸识别这一问题。如今，人脸识别技术已经在很多领域得到运用和研究，但仍然可以发现如今烟草自动售货机在线支付系统使用时仅对正向人脸展开识别，对其他角度的图像无法识别，很容易造成支付失败的情况，导致用户体验感较差，且如今很少有人专门对人脸识别技术在烟草自动售货机在线支付系统中的应用进行研究。为了丰富此方面的研究并解决以上问题，设计了基于人脸识别的烟草自动售货机在线支付系统。采用此技术对原有系统的图像识别模块展开优化，保证系统的在线支付能力。在完成在线支付系统的设计后，构建系统测试环节，获取原有在线支付系统与文中设计的在线支付系统的使用差异，确保文中设计系统的有效性与科学性。
1烟草自动售货机在线支付系统硬件设计
通过对原有自动售货机在线支付系统的研究可知，原有人脸识别支付中仅能对正位的人脸展开识别支付。为保证设计系统可对多角度的人脸进行识别，完成支付工作，采用优化硬件设备的形式提升系统的使用性能。为实现设计的软件与模块可进行正常的运行，将硬件设计分为两部分，其一为图像采集设备的设计，其二为中央控制器的设计。结合上述两部分完成硬件设计工作。
1.1人脸图像采集设备设计
在设计中，将人脸图像采集设备设定为微小设备的形式，采用深度摄像头D435，将其安装至烟草自动售货机中，确保人脸图像采集的精度与效果。人脸图像采集设备外观如图1所示。
相关期刊推荐：《自动化与仪器仪表》杂志是由重庆市自动化与仪器仪表学会和重庆工业自动化仪表研究所主办,主要报道控制理论、系统理论、自动化技术、工业自动化仪表、计算机及其应用技术等方面的研究成果、发展动态、经验交流。适合于从事工业自动化、仪器仪表、计算机应用、机电仪一体化、自动控制等专业的科研、设计、应用、生产、销售的科技工作者、大专院校师生、管理干部、技术工人阅读。
通过上述部分完成人脸图像采集设备的外部参数设计，其内部参数设定如表1所示。
采用上述参数完成人像采集设备的设计，将其安装至自动售货机的硬件框架中，使用此设备实现自动售货机的人脸识别性能。上述人脸图像采集设备中使用的摄像头为主动红外线立体深度摄像头D435，通过电磁波谱红外范围内的辐射生成辐射图像，在采集设备中具有2个此类摄像头，以确保图像采集的精准度与全面性。
1.2中央控制器设计
将上述设计的人脸图像采集设备安装至原有系统硬件框架中，为保证人脸图像采集设备的正常运行，在原有硬件框架中增加中央控制器。中央控制器设计框架如图2所示。
使用上述中央控制器实现人脸采集与自动售货机的商品零售功能。设计中的中央控制器主要用于实现基础零售功能的LCD模块[7-8]、按键模块、电机控制模块、红外掉货检测模块以及人脸图像采集模块，在此控制器中采用多个串口，实现控制器对系统中多个模块的控制工作，中央芯片设定为RS485[9]，采用此芯片可实现控制器的多通道通信功能。在设计的中央控制器内部不设定网络模块，使用原有硬件框架中的网络设定作为设计的中央控制器的网络支持。
将上述设定2种硬件设备安装至原有系统硬件框架中，并采用安装后的系统硬件框架作为实现文中软件模块的物质基础。
2烟草自动售货机在线支付系统软件设计
针对原有烟草自动售货机在线支付系统在刷脸支付时，对多角度的人脸图像无法识别的问题，对原有系统中的软件模块展开优化设计，软件设计框架如图3所示。
根据上述软件处理流程，完成对系统软件部分的设计。在原有的软件框架中增加图像识别模块以及人机交互反馈模块，以此保证系统中的人机交互功能与人脸识别功能的正常使用。
2.1人脸图像采集与识别
在使用移动支付时，采用设计的硬件部分完成消费者的人脸采集工作，利用人脸检测算法对图像中的人脸信息进行检测及活体判断，然后将其传输到云端服务器进行人脸识别处理。在此过程中采集到的人脸图像受到各种条件限制和噪声干扰，必须对人脸图像的噪声过滤(去噪)、灰度矫正等预处理，主要包括:灰度变换、直方图均衡化、归一化、几何校正等。经过预处理的图像人脸五官结构分布清晰，进行人脸特征提取，将采集到的人脸图像调整到相同的位置和大小，以便于图像信息的提取。调整后的图像进行光照补偿与以及滤镜等处理，降低售货机投放环境因素对图像采集设备图像采集识别的干扰。处理后的人脸头像采用AdaBoost算法[10-11]展开检测，提升图像在使用中的正确性。进行上述步骤之后，将采集到的人脸图像信息传送至云端服务器，采用K-L算法[12-13]进行人脸识别，简单来讲，这就是一个人脸匹配的过程，可分为两类:一是识别，将提取的人脸特征值与自动售货机中的人脸图像库中的特征模板进行匹配，这是一个1比N的过程;二类是确认，在云端存储的个人注册信息中，采集了个人在多种状态下的图像，将辨别后的身份各类图像再与提取的人脸特征进行1∶1的比较。最后将人脸识别的结果传输到移动端，如果识别匹配成功，则完成支付过程，否则取消支付。
3系统测试环节
结合上述设计的系统硬件设备与软件模块，完成基于人脸识别的烟草自动售货机在线支付系统的设计。为保证设计结果具有在线支付的能力，采用设计系统测试环节的形式，对比文献[1]系统与设计的在线支付系统在PubFig(PublicFiguresFaceDatabase)人脸识别数据库中的使用性能。
3.1系统测试平台
为保证文献[1]系统与设计的在线支付系统可进行同步操作与运行，设计系统测试平台保证系统测试过程中的变量一致性与测试结果的有效性。针对以往系统在使用过程中，出现除正向人脸外，其他角度人脸无法识别的问题，将此次测试对象设定为包含正向人脸的PubFig人脸库。采用文献[1]系统与设计的系统对人脸库进行识别，测试2种系统的人脸识别有效率。设定人脸库如表3所示。
采用上述样本作为此次系统测试中的数据基础，对人脸库中的图像展开识别，获取测试结果。
3.2系统测试结果分析
通过上述测试结果可知，设计的在线支付系统的人脸识别能力明显优于文献[1]系统，通过测试结果数据可知，文献[1]系统的有效识别率已恒定为66.6%。设计的系统图像有效识别率高达96%～100%。采用设计的系统可保证消费者在多角度下完成在线支付，文献[1]系统的支付角度过于单一，易造成在线支付处理时间过长或在线支付失败的情况。采用设计的系统可有效降低该类情况的发生，提升自动售货机的在线支付能力。
4结论
针对原有烟草自动售货机在进行扫脸识别时，仅能正向人脸识别的问题，设计基于人脸识别的烟草自动售货机在线支付系统。
在原有硬件框架的基础上，采用新型的人脸图像采集设备完成人脸图像的采集工作，确保采集到的人脸图像更加全面。在软件中设定与之对应的图像识别模块，提升系统的各角度人脸识别能力。
采用设定交易信息数据表的形式，将消费者的购买信息与人脸图像通过数据表格的形式与交易后台展开信息交换，完成自动售货机的在线支付。
构建系统测试环节，对原有系统与设计的系统的图像识别能力进行测试。通过测试结果可知，原有系统图像有效识别率为66.6%，设计的系统的图像有效识别率96%～100%。通过上述数据可知，设计的系统图像识别能力优于原有在线支付系统。——论文作者：吴鹃
转载请注明来自：http://www.lunwencheng.com/lunwen/dzi/20568.html
