面向边缘计算的医保基金监管人脸识别实名认证方法

    摘 要：为有效监管医保基金的合理使用，基于人脸识别的实名制认证是一种有效的手段。本文为医保基金监管设计了一个面向边缘计算的人脸识别实名制认证方法。通过普通的RGB彩色摄像头就可以完成人脸数据的采集，人脸定位、人脸活体检测、人脸特征提取以及人脸比对都在前端设备完成，服务器只负责数据的存放和管理，该认证方法大大减轻了服务器的计算压力。人脸识别实名认证时服务器只传送模板照片的人脸特征值，无需传输人脸图像，极大减轻了医保结算网络的传输压力。

    关键词：人脸识别;边缘计算;医保基金监管

    DOI：10.12249/j.issn.1005-4669.2020.26.305

    1 引言

    随着生活水平提高，国家医疗保障也越来越完善。如何有效监管医疗保障基金的合理使用成为医保监管部门的头等工作。人脸识别作为实名制认证的有效手段，可以用于监管医保基金的合理使用，有效防范冒名套取医保基金，为合理使用医保基金保驾护航。考虑到医保基金使用的场所如药店和医院都有大量现存的前端电脑和一体机设备，同时药店和医院所使用的医保结算网络带宽比较小的现状。本文为医保基金监管设计了一个面向边缘计算设备的人脸识别实名制认证方法，人脸数据的采集、活体特征和配对都在前端设备中完成，服务器只存放和管理数据，以此大大减轻服务器端的计算压力。同时人脸实名认证时服务器只传送人脸模型的特征值，无需传输人脸图像，大大减轻了医保结算网络传输压力。

    2 面向边缘计算设备的人脸实名认证方法

    边缘计算设备的人脸实名认证方法包括多尺度融合的RGB静默人脸活体检测、轻量级快速人脸识别模型以及人脸特征值同步机制三个部分。边缘计算设备首先采集人脸图像，然后对人脸进行检测，定位人脸位置。对人脸进行静默活体检测，如果是真实人脸，则对人脸提取特征值，再向服务器请求模板照片的人脸特征值，进行人脸比对，以确认是否为本人正在使用医保基金。

    2.1 多尺度融合的RGB静默人脸活体检测

    实名制认证首先要保证摄像头采集的人脸是真实的人脸图像，防止采用打印照片和手机录制视频来作弊。目前比较成熟的人脸活体检测一般采用以下两类方法：1）交互式动作方式，比如支付宝中提示用户”眨眨眼、张张嘴”，要求用户配合做出相应的动作，程序根据用户是否回应正确的动作来检测用户是否是真人，而不是照片或者录制视频。该方法要求用户配合完成动作，认证时间会比较长，用户体验不是很好;2）采用专用硬件的方式，如iphone手机和支付宝蜻蜓设备都采用专用的3D结构光摄像头来做活体检测。该方法准确性高，认证快，无需用户动作配合，缺点是采用专用人脸采集设备，成本较高，通用性较差。

    本文采用RGB静默人脸活体检测技术[1]，无需专用人脸采集设备，只需普通RGB摄像头，无需用户配合做动作，认证速度快。RGB静默人脸活体检测使用学习的方法来实现，首先基于各类应用场景，使用常见的RGB摄像头，在各种光照和角度下采集大量的真实人脸、以及打印照片和手机翻拍等攻击手段的数据。再把这些采集的数据分成真实人脸、打印照片和手机翻拍三类，设计一个深度学习的分类器模型进行学习。实名认证时，针对摄像头采集的图像数据，根据这个分类器进行分类，以确定是真实人脸还是作弊图像。

    为了提高准确性，并降低模型的计算量，以便适应计算能力弱的边缘设备，采用多尺度融合的机制来实现。通过人脸检测器定位到人脸，以人脸框中心点为基准点，分别以1倍、2倍和4倍人脸框的宽度截取图像，再把所截取的图像统一缩放到64*64的分辨率。每个尺度的图像训练一个模型，为了减少计算量，模型采用缩小后的Mobilenet作为深度网络结构[2]。人脸活体检测时，先定位人脸位置，以人脸框中心点为中心，按三个尺度截取图像，缩放到64*64大小之后，分别输入到对应的网络模型中，并对三个网络的输出概率取均值，根据其最大的分数确定分类结果。

    2.2 轻量级快速人脸识别模型

    人脸识别模型由人脸定位和人脸特征提取两个模型组成，其中人脸定位是检测图像中是否有人脸，并确定人脸的位置和大小;人脸特征提取是对图像中的人脸进行姿态校正之后，再缩放到112*112分辨率，由深度学习模型提取出其512维的特征向量。考虑到边缘设备的性能问题，同时为了获取更好的定位效果，我们采用Centerface這种无锚点的人脸检测方法[3]。该方法检测速度快，图像中人脸数量对计算速度影响不大，定位到人脸的同时可以获取对应人脸的双眼、鼻子和嘴角的5个特征点，方便后继人脸特征值提取时的预处理。考虑到医保监管应用场景中极端情况比较少，我们对网络结构进行了缩小，使其运行速度更快。

    人脸特征提取模型采用ArcLoss进行训练，网络结构采用在Mobilefacenets的基础之后，加入SE模块，以提高小模型的精度。训练数据大约1000多万张人脸图像，先进行人脸定位，获得5个特征点，再根据特征点进行仿射变换，并缩放到112*112分辨率输入到网络中进行训练。

    2.3 人脸特征值同步机制

    为了减轻医保结算网络的传输压力，人脸实名认证时不传输人脸图像，只传输人脸512维的人脸特征值。考虑到不同版本的人脸特征值是不通用的，当边缘设备端人脸识别进行更新之后，服务器端的特征值也必须记录对应的版本。因此，人脸特征值数据结构应该由人脸识别版本号、特征值提取时间戳和人脸特征值三个主要的数据构成。为了保证传输的安全性，特征值数据包传输之前先用加密数据进行加密，再进行Base64编码。前端设备收到数据之后，先解密，再比较特征值的版本号，只有当版本号一致时才进行人脸比对。当版本号不一致时，则通知服务器进行更新。

    3 实现与结论

    面向边缘计算的医保监管人脸识别实名认证的实现包括边缘设备端（即前端）和服务器端。服务器预存留参保用户的人脸模板照片，服务器需部署具有管理前端设备和基础数据的应用系统，由JAVA来实现。药店和医院等前端设备由普通PC和安卓一体机组成，其中普通PC上软件用VC++实现，安卓一体机中人脸识别相关的核心算法采用C++实现，编译成SO库，供APP调用。

    本文设计了一个面向边缘计算设备的医保监管人脸实名认证方法，针对医保监管应用场景中前端设备计算能力弱的特点，设计了一系列低计算量的RGB静默活体检测算法、人脸检测算法和人脸特征值提取算法;针对医保结算网络速度较差的现状，设计了一种不传输人脸图像数据，只传输人脸模板照片特征值的网络传输和特征值同步

    机制。

    参考文献

    [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.

    作者简介

    黄叶珏（1978-），女，浙江嵊州人，副教授，研究方向：计算机图形图像、计算机网络技术。