新闻中心

EEPW首页 > 业界动态 > 基于Adaboost人脸识别的汽车充电桩控制装置及其控制方法的研究

基于Adaboost人脸识别的汽车充电桩控制装置及其控制方法的研究

作者:申志成,张拥军,尹 琪 (国网浙江省电力有限公司嘉兴供电公司,浙江 嘉兴 314000) 时间:2021-05-25 来源:电子产品世界 收藏
编者按:电动汽车的逐渐普及以及用户体验要求不断提高,传统的充电桩控制模式已经亟待改善。Adaboost迭代算法利用矩阵特征实现人脸识别,全面革新电动汽车充电桩控制方式与方法,实现精准识别、快速响应、无接触交互,避免IC遗落或损坏导致的各种负面影响,增强电动车用户的用户黏性。


本文引用地址:http://www.eepw.com.cn/article/202105/425855.htm

0   引言

随着新能源汽车的不断发展,电动汽车覆盖率也逐年提升,充电式电动车成为目前电动车发展的主要方向,特斯拉下沉式销售与比亚迪、蔚来等国产电动车在市场中不断角逐。而与电动汽车配合使用的也已经被广泛应用于住宅区、高速公路服务区等场所。

但是传统的的用户识别模式为集成RDIF 芯片,与IC 卡配合使用。传统IC 卡采用硅片存储信息,与传统标识卡(磁条卡,条码)相比,具有非接触性、技术成熟等特点。

IC 卡作为身份识别秘钥,主要用于配合识别身份。用户需要充电时,将IC 卡放置在IC 卡识别区,充电桩内置电路识别身份无误后核对信息,确认信息无误后触发充电电路开始充电。互联网技术的不断发展,用户体验要求的不断提升,已经无法满足潮流发展的要求。

作者简介:申志成(1989一),男,硕士,工程师,从事电力一线生产工作。

1   技术分析

1.1 传统问题分析

目前IC 卡存在以下问题:

1)IC 卡作为小件实体容易遗失,遗失补办手续多有不便;

2) 部分IC 卡只预置信息而没有身份识别区,意味着卡片一旦遗失就不能再确认剩余额度;

3)IC 卡基于电磁感应原理需要远离手机等带磁物体,防止因消磁而失效;

4)IC 卡因板材结构不能接触高温环境,并且不能弯折,容易老化且表面丝印磨损;

5)IC 还存在信息容易被恶意破解、复制、修改等安全隐患,不再适用于具有较高安全要求的充电桩控制领域。

另外,IC 卡的损坏、丢失等情况而发生将造成电动车无法充电,这就会降低用户黏性,造成用户的使用体验变得非常糟糕,为电动车的广泛普及造成损害。

1.2 控制装置功能设计

采用技术为支撑,代替传统的IC 卡信息,进一步提升信息安全性与用户无接触式体验,杜绝由于卡丢失或损坏造成的用户无法充电的问题。

控制装置方面将装置分模块设计,包括采集、控制、通讯、比对四大模块。采集模块以人脸图像信息为基础,采用高精度摄像机,收集用户信息。采集完成后,将有效信息传给控制模块。控制模块对图像进行预处理及标准化,通过相关人脸图像识别算法对图像进行特征识别及提取,然后将识别出来的特征信息输出到服务器端。

服务器端将上传来的特征信息与预置的特征信息进行对比。最后,服务器端将对比结果回传给充电桩,然后由充电桩来控制是否对用户进行充电。

人脸图像识别算法主要通过设置一定分辨率的检测器,然后通过积分法将图像信息转化为检测器各分辨率内的特征信息,筛选错误率少的特征信息,最后转化为一般性的特征。

1.3 算法

算法是一种分类器算法,其原理是基于级联分类方式的相关模型。所谓的级联分类方式,就是将多个不同的强分类器按照各自特性,形成级差配合,一级一级完成串联。而每个单独的强分类器分别由多个弱分类器构成,弱分类器通过加权方式进行组合,不同的强分类器的构成内容不同。一个强分类器可能包含8 个弱分类器而也可能包含28 个弱分类器。级联的方式就是将分类器进行串联,一般情况级联用的单个强分类器最少应配置18 个弱分类器,一次级联应配置12 个强分类器。从而构成了一个包括200 多个弱分类器的级联强分类器。由于强分类器的计算精准较高、对样本判别度高,可以实现负样本精确识别,所以级联强分类器一旦发现被监测样本为负样本就立即终止分类器调用进程,进一步缩短检测时间,提高效率。同时,由于图像识别中的对象经常存在大量的负样本区域,通过级联分类器可以完成初步高速筛选,对负样本进行粗筛加抛弃工作,精益化工作进程。由于负样本被大量抛弃,只有正样本和少量的负样本才能进入下个流程,通过一级一级地筛选,保证了最后输出的样本的可用性,从而保证了最后输出的正样本的伪正(false positive) 的可能性非常低。

另外, 算法是基于迭代的一种算法。在迭代起始阶段,所有训练样本的权重都统一设定为1,在此样本分布下训练出一个弱分类器。在第n 次(n=1,2,3,…M,M 为迭代次数)迭代中,该样本的计算权重由上一次即第n-1 次迭代的结果而设定。从而实现在每次迭代的最后,都对样本权重进行再计算的过程,被分类错误的样本将得到更高的权重。通过这样的方式,实现分错的样本快速识别,形成全新的一个样本分布,从而开始下一次迭代。一次又一次的迭代从而产生了一代又一代的弱分类器。经过M 次循环迭代,得到M 个弱分类器,把这M个弱分类器按照各自的权重叠加起来,就得到最终的强分类器。

2   控制装置结构

根据提出的控制装置的功能设计方案,进一步确定各模块的物理元件配置,配置图如图1 所示。

image.png

图1 充电控制装置模块配置图

2.1 各模块配置及功能

采集模块采用高清摄像机,用于采集人脸图像并且输出人脸图像的数字信息。

控制模块采用PLC 电路板,根据摄像机采集的人脸信息进行图像预处理及标准化,以输出人脸图像的预处理标准信息。再将上述人脸图像预处理标准信息进一步进行基于Adaboost 算法的特征识别及提取,以输出人脸图像的灰度特征信息,算法相关部分程序结构如图2 所示。

通讯模块包括有线的信号传输与无线信号传输两种模式,两种通讯方式均为上传下送双向通讯,沟通控制模块与对比模块。为了保证传输的精确性,要求通讯模块独立于控制模块与之后的比对模块。通讯模块将人脸图像灰度特征信息从控制模块输出给比对模块,将对比信息从比对模块传输给控制模块。

比对模块包括一套联网数据库,信息随时更新,该模块只具有数据库读的功能与权限,无法编辑和上传。

局域网服务器负责数据判别,将输入的人脸图像灰度特征信息与数据库中预置灰度特征信息进行比对,输出成功(允许充电)或失败信号(拒绝访问/ 拒绝用户使用充电桩进行充电)。

最后,配置的交互模块实现人机互动,主要包括触控屏与音频输出扬声器。如果控制电路板获取比对失败信号,则通过触摸屏和扬声器提醒用户未注册或者未匹配,提醒用于进行注册或者再次尝试;如果控制电路板获取比对成功信号,则通过触摸屏和或扬声器提醒用户选择充电时长、充电金额等交互信息。

image.png

2.2 基于Adaboost算法的人脸识别叠加算法

利用Adaboost 算法对大量人脸样本进行学习,在人脸和非人脸掺杂的样本中训练出弱分类器。将多个训练完成的弱分类器进行级联,从而构成了人脸识别的级联成强分类器。该算法具有增益特性,是一种自适应增强算法,理论上只要迭代次数无限多错误率就能达到无限低。Adaboost 级联强分类器对特定的实体进行分类,从原生的弱分类器开始训练出来。

Adaboost 算法进行人脸检测,主要利用人脸灰度分布不一致这一特性,其采用积分图计算Haar 特征,Haar 特征具有计算简单、检测速度快等优点。Adaboost算法检测过程首先计算图像的Haar 特征,并且在算法训练过程中将错误率最小的Haar特征转换为弱分类器,再把弱分类器组合成强分类器实现人脸识别。Haar 特征值能够准确地反映图像的灰度变化,人脸的眼睛比脸颊的颜色更深,鼻梁两侧颜色比鼻梁颜色更深,通过对脸部特征的计算可提取到人脸的Haar 特征值。

image.png

3   控制方法流程

根据设计完成的充电桩控制装置,进行控制流程设计,以用户最优为出发点,开展汽车充电桩的控制方法研究。本控制方法是基于Adaboost 算法的人脸识别的控制方法,因此,流程起始即为人脸采集,具体流程如图3 所示。

步骤1 采集模块(高清摄像机)进行采集人脸图像并且输出人脸图像的数字信息。

步骤2 控制模块获取上述人脸图像数字信息,并且将上述人脸图像数字信息进行图像预处理及标准化,以输出人脸图像的预处理标准信息。

步骤3 控制模块将上述人脸图像预处理标准信息进行基于Adaboost 算法的特征识别及提取,以输出人脸图像的灰度特征信息。

步骤4 通讯模块向比对模块进行有线输出上述人脸图像灰度特征信息。比对模块在获取上述人脸图像灰度特征信息后,利用局域网服务器将上述人脸图像特征信息与预置灰度特征信息与互联网数据库中的预置信息进行比对,以输出比对成功或者失败信号;各模块关联情况如图4 所示,可以看出通讯模块是整个流程中的核心部分。

步骤5 局域网服务器通过通讯模块将比对成功或者失败信号发送至控制模块。

步骤6 控制模块获取上述比对成功或者失败信号,并且根据上述比对成功或者失 败信号通过通讯模块进行充电桩控制,触发或者关闭充电桩的充电电路。并同时通过通讯模块控制交互模块,做出相应反馈与交互,并开放用户注册及新一次人脸识别。

步骤7 通过交互模块与控制模块进行触控交互和语音交互。

image.png

4   Adaboost人脸识别流程

Adaboost 算法,通过设置24×24 检测器,其内包含了15 000 个特征矩形,以甄选合适的矩形特征,并将其组合成强分类器,从而实现高精度的人脸识别效果。

Adaboost 迭代计算检测的训练速度受到两方面的重要影响,一方面是特征的选取,而另外一方面是特征值的计算。人脸的面部特征通常可以矩形结构特征进行简单的描绘。如图5 所示。

图5 中的人脸的面部特征由两个矩形结构特征完成。通常一个24×24 检测器,其像素数量巨大,包含了约150 000 个矩形结构特征,必须通过Adaboost 迭代算法进行快速筛选,通过级联强分类器实现人脸特征甄别。

因此,Adaboost 人脸识别主要流程如下:

步骤1 设置24×24 检测器;

步骤2 利用积分图计算人脸图像预处理标准信息的Haar 特征;

步骤3 将错误率最小的Haar 特征转换为弱分类器;

步骤4 将弱分类器组合为强分类器。

image.png

5   结论

基于Adaboost 人脸识别的电动汽车充电桩控制装置及相应控制方法通过Adaboost 算法,配合高清摄像机,能在各种环境下实现高效准确地人脸识别,用户在使用充电桩过程中,不需要携带IC 卡等密钥,避免IC 卡遗失、消磁等问题,在方便使用的同时提高可靠性,有效防止IC 卡被破解、仿制等安全隐患。人脸识别是指人的面部五官以及轮廓的分布,这些特征因人而异,与生俱来且不易改变。与其他识别技术相比,人脸识别具有非侵扰性,无需干预正常行为即可达到良好的识别效果。该装置及对应方法研究完后可以应用于各类新型交直流充电桩,能够有效提升各类充电桩的易用性,提高充电桩使用的可靠性和安全性,同时能够保障电动汽车用户的财产安全与隐私权利,推动充电桩的快速普及,提升基础设施建设质量,促进社会主义现代化建设。

参考文献:

[1] 刘建明,张捷,雷婕,等.基于Adaboost的孪生支持向量机人脸识别方法[J].传感器与微系统,2020(7):51-53+57.

[2] 王硕楠.一种基于STM单片机的智能充电桩控制系统[J]. 中国科技信息,2020(21):82-83.

[3] 赵迪.电动汽车智能充电桩的设计[J].中国高新科技. 2020(16):101-103.

(本文来源于《电子产品世界》杂志2021年4月期)



评论


相关推荐

技术专区

关闭