人脸识别：城市公共交通
Hi，您好，欢迎使用百度人脸识别服务。
本文档主要针对 城市公共交通行业相关场景，描述百度人脸识别产品的相关 架构方案。如果您对文档内容有任何疑问，可以通过以下几种方式联系我们：
1、业务背景
随着人脸识别逐渐广泛的应用，轨道交通行业也逐渐试点及落地一些刷脸项目。应用人脸识别，不仅可以提升用户使用体验，也可更加精细化管理，解决丢卡、串票、二次核验困难等情况发生。
随着国家相关部门及省市等文件的出台，人脸识别在公共交通方面的应用，也将愈加积极与紧迫。
1.1 主要场景及需求：
地铁：刷脸支付过闸、工作人员通道核验、老人儿童核验
高铁：实名制进站验票、刷脸验票进站
有轨电车：刷脸验票
城市公交：刷脸验票、老年刷脸乘车、学生刷脸乘车
观光汽车：刷脸验票（多次搭乘）
长途汽车：刷脸验票
1.2 面临的场景困难
人脸底库大：公共交通乘客人员基数动辄几十万、几百万。甚至千万级，传统的 1：N 方案难以保障高精度识别，涉及到频繁的支付，业务操作更需要谨慎。
人员流量大：存在早晚高峰时段，通闸速度要求高，识别速度需要有效保障，不可显著低于刷卡形式。
稳定性要求高：设备和业务程序需要经过严格测试，如出现现场问题，将引发较大的人员通行堵塞。
1.3 场景特殊要求
网络条件：网络环境不一定十分稳定，如果出现断网、网络抖动情况，对核验效果会有很大影响。
数据隐私：必须要求离线化部署，人脸信息统一进行局域网部署，或者集中化专线管理。
识别精度：涉及支付核验，对于识别精度要求更高，容错率很低。
2、业务架构
上图为整体产品及技术架构的方案示意图，下面进行拆解分述。
2.1 人脸采集与业务关联
相比于传统的卡证形式，人脸的录入需要进行一个必要的采集过程，需要确保采集人脸的质量同时，还要确保实名录入、账户与人脸有效关联等问题。我们为您提供了一系列产品方案，用于快速集成应用。
2.1.1 APP 采集
通过轨道交通相关 APP，进行「人脸二次关联操作」，将账号与人脸信息进行关联，作为后续消费的主要依据，同时也充当了账号+密码、或账号的作用。
优点：使用百度手机端采集 SDK，可以有效提升采集的用户体验，及采集图片的质量，确保入库的图片符合后续识别的要求，如模糊度、遮挡、光照等。同时 APP 方式也可使用 SDK 本地化的有动作活体校验，配合云端活体检测接口，做到二次活体核验，避免作弊。
缺点：用户安装成本高；推广成本高；开发成本较高，需要强行推动用户在 APP 中进行刷脸验证。
相关产品链接：
2.2.2 H5/PC Web 采集
主要应用与 H5 方案、微信公众号或小程序、PC Web 站点。
优点：用户接入成本低，覆盖渠道广，便于宣传推广。
缺点：安全性差，活体检测容易遭到攻击；仅具备浏览器权限，对于图片的质量把控不容易很严格，容易造成采集的人脸图片质量不佳，影响后续业务应用效果。
相关产品链接：
2.2.3 固定设备采集
使用在柜台或者固定地点的设备，需要用户自助或者在被指导情况下，进行配合录入人脸。
优点：因为是单独定制的设备，具备更好的镜头效果、更流畅的业务应用运转效果；同时可以让用户充分进行配合，录入图片质量更好。
缺点：初期建设成本高；采集人数有限，用户很难全部到指定地点操作；维护和人员指导成本高。
相关产品链接：
2.2.4 实名认证
用户在初次录入人脸时，需要确保是「真人」的同时（通过活体检测实现），也要确保是「本人」，故需要在用户首次录入人脸并关联账户时，做一次远程的 实名认证。此认证需要链接公安居民身份库，进行权威官方数据核验，可以使用下方身份验证 API，使用官方直连数据服务。
另外如使用固定设备采集方式，也可以要求用户使用身份证进行 1：1 身份对比，保留实际采集到的那张生活照照片。
相关产品链接：
2.2.5 业务关联构建
录入人脸后，需要与系统中已有的账号 ID 进行关联，并先进行业务数据库构建，此时需要储存的原始数据包括：
人脸数据（保留原图，便于后续更新模型时刷库）
人脸-ID 的关联映射表
ID-支付账户-支付信息的关联映射表
上述两表做关联
2.2 前端设备模块
在闸机、核验卡口等身份核验的关键位置，需要布设人脸核验设备，此设备一般采用定制化研发，形成一个整机，并与通行管理的设备联动应用。
以下简要介绍以下核验设备的几个核心部分构成及作用。
2.2.1 镜头
镜头外设一般为四种选择：
单目可见光：成本低，活体安全性差，如有人看守下首选。
双目近红外：有 IR 活体，RGB 做识别，成本相对较低，是安全性和成本的平衡选择。
3D 结构光：RGB+Depth 活体，安全性高，技术稳定成熟，但成本较高。
ToF：RGB+Depth 活体，安全性高，技术相对稳定成熟，但成本较高。
参考链接：
2.2.2 主板
主板的选型，一般要考虑以下几个因素：
功耗：涉及整机的散热及产品稳定性
兼容性：与 SDK 的兼容性，避免使用特别特殊的选型
芯片推荐：Rockchip、MTK、高通、NXP
2.2.3 设备整体
此处主要有一些注意事项：
整体散热
信号（如使用无线网络）
各项接线的稳定性
架设角度（一般推荐与垂直方向相差 10°—15°）
2.2.4 离线 SDK
需要在设备前端动态实时地获取人脸信息，SDK 需要具备以下几个核心能力：
离线人脸检测
离线质量判断
离线活体检测
离线活体检测
离线识别比对（一般为后端统一对比，但也可在前端进行小库查询）
性能方面，如 rk3288，整体全流程耗时在 300ms 左右。
产品链接：
2.3 局域网人脸私有化部署
因为使用超大库检索，我们推荐使用私有化部署包，应用大模型进行特征比对环节的处理。
私有化部署包具备以下几个特点：
大模型，精度更高。十万分之一误识率下，准确率 99%以上
服务器部署形态，可直接构建后端整套人脸识别服务
完全离线形态，可满足数据隐私和安全性要求
预设基础业务逻辑接口，包含人脸对比、人脸搜索、人脸库管理、活体检测二次核验接口
产品链接：
2.4 业务逻辑模块
此模块主要包括以下几个常见能力：
刷脸与支付的业务关联：进出站扣费逻辑、去重逻辑、阈值设定等
人脸管理逻辑：更新、删除人脸；关闭人脸支付等
3、应用策略
3.1 人脸底库构建
3.1.1 分组方式
以身份证 ID 尾号，或者手机尾号作为组命名依据，将整体大人脸库分为若干个小组。
3.1.2 用户 ID 定义
用户 ID 可使用身份证 ID、手机号码，或者系统单独定义的 ID
3.1.3 模型替换与刷库
特征抽取模型的更换，涉及到要将所有原图重新刷一遍特征值（不同模型的特征值不能通用），所以为了后续的长期维护，请务必要保留用户采集注册的人脸原图。
3.1.4 底库图片例行更新
如果用户在识别过程中，人脸得分非常高（95 分以上），且质量较好，可使用识别过程中的图片，更新用户的底库原图。通过对底库的持续动态更新，不断修正识别的效果。
3.1.5 注意事项
注册图片一定要质量较好，详细请参考：如何保证图片采集质量
不要使用身份证的芯片照注册，如需要通过人证对比来采集图片，请使用实际采集的生活照
3.2 超大库人脸库检索
3.2.1 最佳库大小
单个分组库大小，最好不要超过 30w，如果分组可足够精细，推荐最佳不要超过 5w。
3.2.2 预检索
可基于以下几点进行数据库维度的预检索，查询到固定的组，将实际检索的人脸库锁定到这个组上。这个数据库预检索的方案，包括：
基于手机蓝牙
WiFi 探针
相关证件
3.3 活体检测选型
详细请参见：活体检测选型
3.4 人脸采集质量
详细请参见：
版权声明: 本文为 InfoQ 作者【百度开发者中心】的原创文章。
原文链接:【http://xie.infoq.cn/article/c5f6a9a437db0039b6677de10】。
本文遵守【CC-BY 4.0】协议，转载请保留原文出处及本版权声明。
关注百度开发者中心，收获一手技术干货。 2018-11-12 加入
汇聚百度所有对外开放技术、平台和服务资源，提供全方位支持，助力开发者加速成功，实现开发者、消费者和百度三方共赢。https://developer.baidu.com/
评论