基于Adaboost人臉識(shí)別的汽車充電樁控制裝置及其控制方法的研究

0   引言

隨著新能源汽車的不斷發(fā)展，電動(dòng)汽車覆蓋率也逐年提升，充電式電動(dòng)車成為目前電動(dòng)車發(fā)展的主要方向，特斯拉下沉式銷售與比亞迪、蔚來(lái)等國(guó)產(chǎn)電動(dòng)車在市場(chǎng)中不斷角逐。而與電動(dòng)汽車配合使用的充電樁也已經(jīng)被廣泛應(yīng)用于住宅區(qū)、高速公路服務(wù)區(qū)等場(chǎng)所。

但是傳統(tǒng)的充電樁的用戶識(shí)別模式為集成RDIF 芯片，與IC 卡配合使用。傳統(tǒng)IC 卡采用硅片存儲(chǔ)信息，與傳統(tǒng)標(biāo)識(shí)卡（磁條卡，條碼）相比，具有非接觸性、技術(shù)成熟等特點(diǎn)。

IC 卡作為身份識(shí)別秘鑰，主要用于配合充電樁識(shí)別身份。用戶需要充電時(shí)，將IC 卡放置在IC 卡識(shí)別區(qū)，充電樁內(nèi)置電路識(shí)別身份無(wú)誤后核對(duì)信息，確認(rèn)信息無(wú)誤后觸發(fā)充電電路開(kāi)始充電?；ヂ?lián)網(wǎng)技術(shù)的不斷發(fā)展，用戶體驗(yàn)要求的不斷提升，已經(jīng)無(wú)法滿足潮流發(fā)展的要求。

作者簡(jiǎn)介:申志成(1989一)，男，碩士，工程師，從事電力一線生產(chǎn)工作。

1   技術(shù)分析

1.1 傳統(tǒng)問(wèn)題分析

目前IC 卡存在以下問(wèn)題：

1)IC 卡作為小件實(shí)體容易遺失，遺失補(bǔ)辦手續(xù)多有不便；

2) 部分IC 卡只預(yù)置信息而沒(méi)有身份識(shí)別區(qū)，意味著卡片一旦遺失就不能再確認(rèn)剩余額度；

3)IC 卡基于電磁感應(yīng)原理需要遠(yuǎn)離手機(jī)等帶磁物體，防止因消磁而失效；

4)IC 卡因板材結(jié)構(gòu)不能接觸高溫環(huán)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(fù)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(lǐng)域。

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

1.2 控制裝置功能設(shè)計(jì)

采用人臉識(shí)別技術(shù)為支撐，代替?zhèn)鹘y(tǒng)的IC 卡信息，進(jìn)一步提升信息安全性與用戶無(wú)接觸式體驗(yàn)，杜絕由于卡丟失或損壞造成的用戶無(wú)法充電的問(wèn)題。

控制裝置方面將裝置分模塊設(shè)計(jì)，包括采集、控制、通訊、比對(duì)四大模塊。采集模塊以人臉圖像信息為基礎(chǔ)，采用高精度攝像機(jī)，收集用戶信息。采集完成后，將有效信息傳給控制模塊?？刂颇K對(duì)圖像進(jìn)行預(yù)處理及標(biāo)準(zhǔn)化，通過(guò)相關(guān)人臉圖像識(shí)別算法對(duì)圖像進(jìn)行特征識(shí)別及提取，然后將識(shí)別出來(lái)的特征信息輸出到服務(wù)器端。

服務(wù)器端將上傳來(lái)的特征信息與預(yù)置的特征信息進(jìn)行對(duì)比。最后，服務(wù)器端將對(duì)比結(jié)果回傳給充電樁，然后由充電樁來(lái)控制是否對(duì)用戶進(jìn)行充電。

人臉圖像識(shí)別算法主要通過(guò)設(shè)置一定分辨率的檢測(cè)器，然后通過(guò)積分法將圖像信息轉(zhuǎn)化為檢測(cè)器各分辨率內(nèi)的特征信息，篩選錯(cuò)誤率少的特征信息，最后轉(zhuǎn)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(jí)聯(lián)分類方式的相關(guān)模型。所謂的級(jí)聯(lián)分類方式，就是將多個(gè)不同的強(qiáng)分類器按照各自特性，形成級(jí)差配合，一級(jí)一級(jí)完成串聯(lián)。而每個(gè)單獨(dú)的強(qiáng)分類器分別由多個(gè)弱分類器構(gòu)成，弱分類器通過(guò)加權(quán)方式進(jìn)行組合，不同的強(qiáng)分類器的構(gòu)成內(nèi)容不同。一個(gè)強(qiáng)分類器可能包含8 個(gè)弱分類器而也可能包含28 個(gè)弱分類器。級(jí)聯(lián)的方式就是將分類器進(jìn)行串聯(lián)，一般情況級(jí)聯(lián)用的單個(gè)強(qiáng)分類器最少應(yīng)配置18 個(gè)弱分類器，一次級(jí)聯(lián)應(yīng)配置12 個(gè)強(qiáng)分類器。從而構(gòu)成了一個(gè)包括200 多個(gè)弱分類器的級(jí)聯(lián)強(qiáng)分類器。由于強(qiáng)分類器的計(jì)算精準(zhǔn)較高、對(duì)樣本判別度高，可以實(shí)現(xiàn)負(fù)樣本精確識(shí)別，所以級(jí)聯(lián)強(qiáng)分類器一旦發(fā)現(xiàn)被監(jiān)測(cè)樣本為負(fù)樣本就立即終止分類器調(diào)用進(jìn)程，進(jìn)一步縮短檢測(cè)時(shí)間，提高效率。同時(shí)，由于圖像識(shí)別中的對(duì)象經(jīng)常存在大量的負(fù)樣本區(qū)域，通過(guò)級(jí)聯(lián)分類器可以完成初步高速篩選，對(duì)負(fù)樣本進(jìn)行粗篩加拋棄工作，精益化工作進(jìn)程。由于負(fù)樣本被大量拋棄，只有正樣本和少量的負(fù)樣本才能進(jìn)入下個(gè)流程，通過(guò)一級(jí)一級(jí)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(xùn)練樣本的權(quán)重都統(tǒng)一設(shè)定為1，在此樣本分布下訓(xùn)練出一個(gè)弱分類器。在第n 次（n=1,2,3,…M，M 為迭代次數(shù)）迭代中，該樣本的計(jì)算權(quán)重由上一次即第n-1 次迭代的結(jié)果而設(shè)定。從而實(shí)現(xiàn)在每次迭代的最后，都對(duì)樣本權(quán)重進(jìn)行再計(jì)算的過(guò)程，被分類錯(cuò)誤的樣本將得到更高的權(quán)重。通過(guò)這樣的方式，實(shí)現(xiàn)分錯(cuò)的樣本快速識(shí)別，形成全新的一個(gè)樣本分布，從而開(kāi)始下一次迭代。一次又一次的迭代從而產(chǎn)生了一代又一代的弱分類器。經(jīng)過(guò)M 次循環(huán)迭代，得到M 個(gè)弱分類器，把這M個(gè)弱分類器按照各自的權(quán)重疊加起來(lái)，就得到最終的強(qiáng)分類器。

2   控制裝置結(jié)構(gòu)

根據(jù)提出的控制裝置的功能設(shè)計(jì)方案，進(jìn)一步確定各模塊的物理元件配置，配置圖如圖1 所示。

圖1 人臉識(shí)別充電控制裝置模塊配置圖

2.1 各模塊配置及功能

采集模塊采用高清攝像機(jī)，用于采集人臉圖像并且輸出人臉圖像的數(shù)字信息。

控制模塊采用PLC 電路板，根據(jù)攝像機(jī)采集的人臉信息進(jìn)行圖像預(yù)處理及標(biāo)準(zhǔn)化，以輸出人臉圖像的預(yù)處理標(biāo)準(zhǔn)信息。再將上述人臉圖像預(yù)處理標(biāo)準(zhǔn)信息進(jìn)一步進(jìn)行基于Adaboost 算法的特征識(shí)別及提取，以輸出人臉圖像的灰度特征信息，算法相關(guān)部分程序結(jié)構(gòu)如圖2 所示。

通訊模塊包括有線的信號(hào)傳輸與無(wú)線信號(hào)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(duì)比模塊。為了保證傳輸?shù)木_性，要求通訊模塊獨(dú)立于控制模塊與之后的比對(duì)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(duì)模塊，將對(duì)比信息從比對(duì)模塊傳輸給控制模塊。

比對(duì)模塊包括一套聯(lián)網(wǎng)數(shù)據(jù)庫(kù)，信息隨時(shí)更新，該模塊只具有數(shù)據(jù)庫(kù)讀的功能與權(quán)限，無(wú)法編輯和上傳。

局域網(wǎng)服務(wù)器負(fù)責(zé)數(shù)據(jù)判別，將輸入的人臉圖像灰度特征信息與數(shù)據(jù)庫(kù)中預(yù)置灰度特征信息進(jìn)行比對(duì)，輸出成功（允許充電）或失敗信號(hào)（拒絕訪問(wèn)/ 拒絕用戶使用充電樁進(jìn)行充電）。

最后，配置的交互模塊實(shí)現(xiàn)人機(jī)互動(dòng)，主要包括觸控屏與音頻輸出揚(yáng)聲器。如果控制電路板獲取比對(duì)失敗信號(hào)，則通過(guò)觸摸屏和揚(yáng)聲器提醒用戶未注冊(cè)或者未匹配，提醒用于進(jìn)行注冊(cè)或者再次嘗試人臉識(shí)別；如果控制電路板獲取比對(duì)成功信號(hào)，則通過(guò)觸摸屏和或揚(yáng)聲器提醒用戶選擇充電時(shí)長(zhǎng)、充電金額等交互信息。

2.2 基于Adaboost算法的人臉識(shí)別疊加算法

利用Adaboost 算法對(duì)大量人臉樣本進(jìn)行學(xué)習(xí)，在人臉和非人臉摻雜的樣本中訓(xùn)練出弱分類器。將多個(gè)訓(xùn)練完成的弱分類器進(jìn)行級(jí)聯(lián)，從而構(gòu)成了人臉識(shí)別的級(jí)聯(lián)成強(qiáng)分類器。該算法具有增益特性，是一種自適應(yīng)增強(qiáng)算法，理論上只要迭代次數(shù)無(wú)限多錯(cuò)誤率就能達(dá)到無(wú)限低。Adaboost 級(jí)聯(lián)強(qiáng)分類器對(duì)特定的實(shí)體進(jìn)行分類，從原生的弱分類器開(kāi)始訓(xùn)練出來(lái)。

Adaboost 算法進(jìn)行人臉檢測(cè)，主要利用人臉灰度分布不一致這一特性，其采用積分圖計(jì)算Haar 特征，Haar 特征具有計(jì)算簡(jiǎn)單、檢測(cè)速度快等優(yōu)點(diǎn)。Adaboost算法檢測(cè)過(guò)程首先計(jì)算圖像的Haar 特征，并且在算法訓(xùn)練過(guò)程中將錯(cuò)誤率最小的Haar特征轉(zhuǎn)換為弱分類器，再把弱分類器組合成強(qiáng)分類器實(shí)現(xiàn)人臉識(shí)別。Haar 特征值能夠準(zhǔn)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(cè)顏色比鼻梁顏色更深，通過(guò)對(duì)臉部特征的計(jì)算可提取到人臉的Haar 特征值。

3   控制方法流程

根據(jù)設(shè)計(jì)完成的充電樁控制裝置，進(jìn)行控制流程設(shè)計(jì)，以用戶最優(yōu)為出發(fā)點(diǎn)，開(kāi)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(shí)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(jī)）進(jìn)行采集人臉圖像并且輸出人臉圖像的數(shù)字信息。

步驟2 控制模塊獲取上述人臉圖像數(shù)字信息，并且將上述人臉圖像數(shù)字信息進(jìn)行圖像預(yù)處理及標(biāo)準(zhǔn)化，以輸出人臉圖像的預(yù)處理標(biāo)準(zhǔn)信息。

步驟3 控制模塊將上述人臉圖像預(yù)處理標(biāo)準(zhǔn)信息進(jìn)行基于Adaboost 算法的特征識(shí)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(duì)模塊進(jìn)行有線輸出上述人臉圖像灰度特征信息。比對(duì)模塊在獲取上述人臉圖像灰度特征信息后，利用局域網(wǎng)服務(wù)器將上述人臉圖像特征信息與預(yù)置灰度特征信息與互聯(lián)網(wǎng)數(shù)據(jù)庫(kù)中的預(yù)置信息進(jìn)行比對(duì)，以輸出比對(duì)成功或者失敗信號(hào)；各模塊關(guān)聯(lián)情況如圖4 所示，可以看出通訊模塊是整個(gè)流程中的核心部分。

步驟5 局域網(wǎng)服務(wù)器通過(guò)通訊模塊將比對(duì)成功或者失敗信號(hào)發(fā)送至控制模塊。

步驟6 控制模塊獲取上述比對(duì)成功或者失敗信號(hào)，并且根據(jù)上述比對(duì)成功或者失 敗信號(hào)通過(guò)通訊模塊進(jìn)行充電樁控制，觸發(fā)或者關(guān)閉充電樁的充電電路。并同時(shí)通過(guò)通訊模塊控制交互模塊，做出相應(yīng)反饋與交互，并開(kāi)放用戶注冊(cè)及新一次人臉識(shí)別。

步驟7 通過(guò)交互模塊與控制模塊進(jìn)行觸控交互和語(yǔ)音交互。

4   Adaboost人臉識(shí)別流程

Adaboost 算法，通過(guò)設(shè)置24×24 檢測(cè)器，其內(nèi)包含了15 000 個(gè)特征矩形，以甄選合適的矩形特征，并將其組合成強(qiáng)分類器，從而實(shí)現(xiàn)高精度的人臉識(shí)別效果。

Adaboost 迭代計(jì)算檢測(cè)的訓(xùn)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(jì)算。人臉的面部特征通?？梢跃匦谓Y(jié)構(gòu)特征進(jìn)行簡(jiǎn)單的描繪。如圖5 所示。

圖5 中的人臉的面部特征由兩個(gè)矩形結(jié)構(gòu)特征完成。通常一個(gè)24×24 檢測(cè)器，其像素?cái)?shù)量巨大，包含了約150 000 個(gè)矩形結(jié)構(gòu)特征，必須通過(guò)Adaboost 迭代算法進(jìn)行快速篩選，通過(guò)級(jí)聯(lián)強(qiáng)分類器實(shí)現(xiàn)人臉特征甄別。

因此，Adaboost 人臉識(shí)別主要流程如下：

步驟1 設(shè)置24×24 檢測(cè)器；

步驟2 利用積分圖計(jì)算人臉圖像預(yù)處理標(biāo)準(zhǔn)信息的Haar 特征；

步驟3 將錯(cuò)誤率最小的Haar 特征轉(zhuǎn)換為弱分類器；

步驟4 將弱分類器組合為強(qiáng)分類器。

5   結(jié)論

基于Adaboost 人臉識(shí)別的電動(dòng)汽車充電樁控制裝置及相應(yīng)控制方法通過(guò)Adaboost 算法，配合高清攝像機(jī)，能在各種環(huán)境下實(shí)現(xiàn)高效準(zhǔn)確地人臉識(shí)別，用戶在使用充電樁過(guò)程中，不需要攜帶IC 卡等密鑰，避免IC 卡遺失、消磁等問(wèn)題，在方便使用的同時(shí)提高可靠性，有效防止IC 卡被破解、仿制等安全隱患。人臉識(shí)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(lái)且不易改變。與其他識(shí)別技術(shù)相比，人臉識(shí)別具有非侵?jǐn)_性，無(wú)需干預(yù)正常行為即可達(dá)到良好的識(shí)別效果。該裝置及對(duì)應(yīng)方法研究完后可以應(yīng)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(shí)能夠保障電動(dòng)汽車用戶的財(cái)產(chǎn)安全與隱私權(quán)利，推動(dòng)充電樁的快速普及，提升基礎(chǔ)設(shè)施建設(shè)質(zhì)量，促進(jìn)社會(huì)主義現(xiàn)代化建設(shè)。

參考文獻(xiàn)：

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

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

[3] 趙迪.電動(dòng)汽車智能充電樁的設(shè)計(jì)[J].中國(guó)高新科技. 2020(16):101-103.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2021年4月期）