基于深度學(xué)習(xí)的ATM機(jī)非法改裝行為自動(dòng)識(shí)別

易先軍，周巨，羅兵，楊銳

（1.荊州市公安局信通科，湖北 荊州 434000；2.五邑大學(xué) 智能制造學(xué)部，廣東 江門 529020）

銀行自動(dòng)柜員機(jī)（Automatic Teller Machine，ATM）給人們帶來方便的同時(shí)，也存在一定安全風(fēng)險(xiǎn)問題，如通過非法改裝 ATM 機(jī)來盜取用戶信息，從而盜取用戶資金，造成財(cái)產(chǎn)損失[1]. 對(duì)于ATM非法改裝行為自動(dòng)識(shí)別的研究，最初主要集中在ATM設(shè)備本身和資金的安全，以及事后的人工查看發(fā)現(xiàn)線索[2]. 本世紀(jì)初就提出了基于圖像和視頻特征的識(shí)別方法，但準(zhǔn)確率低，處理速度慢[3].隨著深度學(xué)習(xí)理論研究的突破，該技術(shù)也被應(yīng)用到行為識(shí)別，但結(jié)合 ATM 應(yīng)用中存在非法行為樣本少，難以進(jìn)行深度學(xué)習(xí)的困難[4]. 此外，設(shè)計(jì)的方法通用性差，算法程序難以適應(yīng)不同視角、分辨率的視頻設(shè)備 . 為此，本文結(jié)合深度學(xué)習(xí)技術(shù)，設(shè)計(jì)了3D深度網(wǎng)絡(luò)結(jié)構(gòu)，建立了ATM監(jiān)控視頻樣本庫，設(shè)計(jì)了設(shè)定輸入?yún)^(qū)域和視頻比例調(diào)整來適應(yīng)不同視頻設(shè)備的差異性，并通過樣本庫的樣本對(duì)建立的深度網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，取得了快速、準(zhǔn)確的識(shí)別結(jié)果.

1 非法改裝ATM機(jī)的行為特點(diǎn)

非法改裝 ATM 機(jī)的行為一般是在插卡口上加上一個(gè)附加的讀卡器，并在鍵盤上部某個(gè)位置安裝一個(gè)微型攝像頭，讀卡器盜取用戶的卡號(hào)信息，攝像頭偷拍用戶輸入的密碼. 非法改裝ATM機(jī)的行為與正常的 ATM 操作行為在行為表現(xiàn)有明顯差異. 但將這些行為差異準(zhǔn)確描述為計(jì)算機(jī)可使用的圖像或視頻特征并不容易.

圖1是監(jiān)控拍攝的非法改裝ATM機(jī)的視頻截圖. 多數(shù)情況下，嫌疑人還會(huì)戴口罩、墨鏡等進(jìn)行面部遮擋、偽裝，如圖2.

圖1 非法改裝ATM機(jī)視頻截圖

圖2 非法改裝ATM機(jī)嫌疑人的臉部遮擋視頻截圖

雖然不同的 ATM 機(jī)的視頻攝像頭型號(hào)、角度等會(huì)有差異，但非法改裝行為在插卡口、機(jī)器頂部或鍵盤上都會(huì)有異常行為表現(xiàn)，存在共性特點(diǎn)，雖然人工處理難以選擇明顯、準(zhǔn)確的特征，但深度學(xué)習(xí)可以通過對(duì)大量樣本的學(xué)習(xí)自動(dòng)產(chǎn)生歸類特征[6].

2 基于深度學(xué)習(xí)的異常行為識(shí)別

近十年人工智能、深度學(xué)習(xí)理論研究和應(yīng)用技術(shù)發(fā)展進(jìn)步迅速，基于視頻進(jìn)行異常行為檢測(cè)得到深入研究和廣泛應(yīng)用 . 采用深度學(xué)習(xí)方法，使異常行為檢測(cè)準(zhǔn)確率得到大大提高，可以很好地從圖像或視頻樣本自動(dòng)學(xué)習(xí)來提取發(fā)現(xiàn)過去人工難以準(zhǔn)確描述的類別特征[5].

傳統(tǒng)基于圖像或視頻特征的方法，提取人工特征需要精巧的設(shè)計(jì)、大量實(shí)驗(yàn)嘗試來選擇圖像特征或視頻的光流特征等[4-5]，識(shí)別準(zhǔn)確率低，提取的特征依賴于人的經(jīng)驗(yàn)和嘗試，可靠性、準(zhǔn)確性都很差[6].

深度學(xué)習(xí)是對(duì)神經(jīng)網(wǎng)絡(luò)（ANN）、機(jī)器學(xué)習(xí)的發(fā)展. 神經(jīng)網(wǎng)絡(luò)可以很好地實(shí)現(xiàn)非線性映射、分類等工作，根據(jù)經(jīng)驗(yàn)建立網(wǎng)絡(luò)結(jié)構(gòu)，通過樣本進(jìn)行機(jī)器學(xué)習(xí)優(yōu)化網(wǎng)絡(luò)權(quán)重參數(shù)，但神經(jīng)網(wǎng)絡(luò)存在輸入維數(shù)不能太高、網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)、層數(shù)也不能太多、樣本不能太多的局限，否則其機(jī)器學(xué)習(xí)將陷入局部最優(yōu)而無法找到優(yōu)化結(jié)果或過擬合[6]. 深度學(xué)習(xí)通過多隱層結(jié)構(gòu)、無監(jiān)督學(xué)習(xí)聚類的特征發(fā)現(xiàn)、監(jiān)督學(xué)習(xí)過程中的隨機(jī)樣本抽取、反復(fù)迭代等方法使其能夠輸入更高的維數(shù)，可直接輸入圖像、視頻而無需人工提取特征，通過大量的樣本學(xué)習(xí)而達(dá)到針對(duì)高維數(shù)據(jù)的準(zhǔn)確非線性分類[6]. 因此深度學(xué)習(xí)方法在有大量樣本的基于視頻的異常行為識(shí)別上得以應(yīng)用并取得了較好的應(yīng)用效果[7].

對(duì)于 ATM 機(jī)前搶劫用戶、偷窺輸入密碼等異常行為，已有學(xué)者研發(fā)了基于深度學(xué)習(xí)的識(shí)別方法[8]. 這些基于深度學(xué)習(xí)進(jìn)行視頻中異常行為檢測(cè)都是利用視頻的全視場(chǎng)，如果測(cè)試樣本與訓(xùn)練樣本的攝像機(jī)拍攝角度或分辨率存在差異，或 ATM 機(jī)型號(hào)不同、插卡口位置不同等，訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)就難以很好地適應(yīng)這種差異，甚至無法有效識(shí)別；而且，網(wǎng)絡(luò)參數(shù)多，訓(xùn)練、識(shí)別速度均較慢[6-8]. 為此，本文設(shè)計(jì)了專門針對(duì)視頻中插卡口區(qū)域的局部視場(chǎng)的視頻圖像作為插卡口區(qū)域異常行為識(shí)別. 取視場(chǎng)中頂部區(qū)域作為非法安裝頂部攝像頭異常行為識(shí)別網(wǎng)絡(luò)的輸入；取鍵盤區(qū)域作為加裝偽鍵盤的識(shí)別輸入. 這樣用3個(gè)深度網(wǎng)絡(luò)分別識(shí)別3種異常行為，分別用各自區(qū)域樣本進(jìn)行訓(xùn)練. 3個(gè)網(wǎng)絡(luò)比一個(gè)全視場(chǎng)輸入網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)化，且可以通過人工設(shè)定輸入?yún)^(qū)域，可以適應(yīng)ATM不同機(jī)型的差異而無需重新進(jìn)行機(jī)器學(xué)習(xí)，使建立的網(wǎng)絡(luò)具有了通用性.

本文研究對(duì)于ATM機(jī)前非法改裝行為的識(shí)別，還建立了非法行為視頻樣本庫，針對(duì)不同型號(hào)、不同分辨率、不同視角攝像頭的通用識(shí)別方法進(jìn)行了研究.

3 ATM機(jī)非法改裝行為識(shí)別算法設(shè)計(jì)

3.1 軟件框架

深度學(xué)習(xí)可以較好地對(duì)視頻進(jìn)行異常行為識(shí)別，但大數(shù)據(jù)量的樣本庫建立與訓(xùn)練以適應(yīng)不同型號(hào)攝像頭、不同拍攝角度獲取的視頻仍然是需要解決的問題. 文獻(xiàn)[9]采用正交歸一化處理方法，但適應(yīng)性仍然不足. 本文設(shè)計(jì)了按指定區(qū)域分割視頻，分別用于識(shí)別插卡口的改裝異常行為、頂部安裝攝像頭異常行為、鍵盤部位覆蓋鍵盤的異常行為，并檢測(cè)人臉后利用臉部圖像進(jìn)行遮擋偽裝判斷.這樣，即使攝像頭型號(hào)、視角的差異，但在插卡口的正常插取卡行為、改裝異常行為就更好地形成兩類聚類，頂部改裝與正常使用 ATM 機(jī)行為也較好形成了兩類聚類，正常使用鍵盤與改裝鍵盤的異常行為也形成了兩類聚類. 另外，對(duì)視頻圖像進(jìn)行人臉檢測(cè). 檢測(cè)到人臉后，進(jìn)行臉部有遮擋偽裝的檢測(cè)判斷，可用于進(jìn)一步的智能監(jiān)控功能，如防止異常取款交易等. 也可以通過檢測(cè)到人臉后，再啟動(dòng)非法改裝ATM機(jī)行為的識(shí)別程序. 軟件框架如圖3所示.

圖3 基于視頻的ATM機(jī)非法改裝行為識(shí)別軟件框架圖

圖3的軟件結(jié)構(gòu)框架中的深度網(wǎng)絡(luò)2、3和深度網(wǎng)絡(luò)4的結(jié)構(gòu)如圖4所示，均為三維時(shí)序卷積神經(jīng)網(wǎng)絡(luò).

圖4 三維時(shí)序卷積網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖4中的三個(gè)時(shí)序過渡層由四個(gè)并聯(lián)的可變時(shí)序深度的三維卷積層組成，后面再連接一個(gè)1× 1× 1的三維卷積層和一個(gè)2× 2× 2的平均池化層，這種結(jié)構(gòu)可以更好地利用視頻圖像多幀圖像間的時(shí)序信息[8]. 這三個(gè)時(shí)序過渡層的結(jié)構(gòu)相同，如圖5所示.

圖5 時(shí)序過渡層的結(jié)構(gòu)示意圖

3.2 樣本庫的建立

已有的ATM機(jī)監(jiān)控視頻收集了大量的正常行為視頻，非法改裝異常行為視頻非常少. 為此，本文采用拍攝模擬非法改裝行為來擴(kuò)充非法改裝行為視頻.

用各種型號(hào)攝像機(jī)在多種型號(hào) ATM 機(jī)上采集視頻，人工模擬非法改裝行為：臉部帶墨鏡、口罩、圍巾、頭盔遮擋或不遮擋等多種情形；在插卡口模擬各種非法改裝動(dòng)作；在頂部模擬非法加裝攝像頭；在鍵盤上模擬非法加蓋假鍵盤等.

這樣，收集了10 000個(gè)正常使用ATM機(jī)的行為視頻，收集了3種非法改裝行為視頻各2 000個(gè)，建立了樣本庫. 隨機(jī)抽取各100個(gè)作為測(cè)試樣本，其余作為訓(xùn)練樣本.

3.3 視頻圖像預(yù)處理

對(duì)于輸入視頻，采用識(shí)別前人為設(shè)置3個(gè)區(qū)域：插卡口區(qū)域、頂部區(qū)域、鍵盤區(qū)域，這樣來解決不同ATM型號(hào)設(shè)備攝像頭拍攝角度的差異. 插卡口區(qū)域選取寬為240像素點(diǎn)、高為160像素點(diǎn)；頂部區(qū)域選取為寬480像素點(diǎn)、高為160像素點(diǎn)；鍵盤區(qū)域?yàn)閷?60像素點(diǎn)、高160像素點(diǎn). 這樣各區(qū)域的像素點(diǎn)數(shù)與三個(gè)深度網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)也一致了. 對(duì)不同設(shè)備，可人為設(shè)置 3個(gè)區(qū)域的位置，可以根據(jù)實(shí)際圖像區(qū)域，拖動(dòng)長(zhǎng)寬比例固定的框、并可按比例調(diào)整框的大小.

同時(shí)，降低視頻數(shù)據(jù)量. 將視頻進(jìn)行每秒2幀的下采樣以減少數(shù)據(jù)量，然后將3個(gè)區(qū)域的視頻分別送入3個(gè)識(shí)別三種異常行為的深度網(wǎng)絡(luò).

對(duì)于不同分辨率的攝像頭，深度學(xué)習(xí)可以適應(yīng)差異不大的空間差異，但如果分辨率成倍數(shù)變化，則可以根據(jù)設(shè)備分辨率調(diào)整參數(shù)來進(jìn)行視頻圖像的空間采樣使視頻圖像分辨率歸一化. 或者通過人為設(shè)定輸入?yún)^(qū)域時(shí)設(shè)定的區(qū)域大小自動(dòng)進(jìn)行圖像采樣調(diào)整，使3個(gè)區(qū)域的輸入圖像像素歸一化為設(shè)定的3個(gè)深度網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù).

這樣，不同型號(hào)與分辨率的攝像頭采集的視頻，經(jīng)過預(yù)處理后可以得到近似的視頻輸入效果.

3.4 分區(qū)域的異常行為識(shí)別

對(duì)視頻圖像進(jìn)行人臉檢測(cè)采用 OpenCV的開源人臉檢測(cè)算法. 然后用檢測(cè)到的人臉區(qū)域圖像作為人臉遮擋偽裝檢測(cè)判斷的輸入. 也可以根據(jù)檢測(cè)到人臉后啟動(dòng)異常行為程序.

對(duì) ATM監(jiān)控視頻分割出的 3個(gè)區(qū)域：機(jī)插卡口處、頂部區(qū)域、鍵盤區(qū)域分別建立深度網(wǎng)絡(luò)以進(jìn)行各自異常行為的識(shí)別. 3個(gè)深度網(wǎng)絡(luò)均采用三維時(shí)序卷積網(wǎng)絡(luò)，使用 Facebook公司的 PyTorch框架實(shí)現(xiàn). 每個(gè)深度網(wǎng)絡(luò)的輸入視頻分辨率采用 3.3節(jié)劃分的區(qū)域大小像素和時(shí)間下采樣率，每次輸入16幀（即8 s的視頻數(shù)據(jù)）.

4 實(shí)驗(yàn)結(jié)果與分析

用3.2節(jié)描述建立的樣本庫，對(duì)3.4節(jié)描述的3個(gè)深度網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)訓(xùn)練和測(cè)試. 作為對(duì)比，分別用人工特征方法、全視場(chǎng)區(qū)域深度學(xué)習(xí)方法進(jìn)行異常行為識(shí)別對(duì)比[4-5].

訓(xùn)練樣本總數(shù)為15 400個(gè)，測(cè)試樣本數(shù)為600個(gè). 訓(xùn)練樣本中，正常行為視頻9 700個(gè)；三類異常行為視頻各1 900個(gè). 測(cè)試樣本中，正常行為視頻 300個(gè)，3類異常行為視頻各 100個(gè). 視頻長(zhǎng)度均為8 s，每秒24幀.

硬件采用Intel i7-3770 3.4GHz CPU + GeForce GTX 1080 NVIDIA GPU進(jìn)行訓(xùn)練和識(shí)別測(cè)試.

用15 400個(gè)訓(xùn)練樣本，全視場(chǎng)區(qū)域視頻輸入深度學(xué)習(xí)方法和本文分區(qū)域三網(wǎng)絡(luò)深度學(xué)習(xí)方法進(jìn)行訓(xùn)練的時(shí)間對(duì)比如表1. 對(duì)600個(gè)測(cè)試樣本的測(cè)試時(shí)間對(duì)比如表2. 本文方法雖然只有3個(gè)深度網(wǎng)絡(luò)，但輸入維數(shù)大大減小、網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)化、需訓(xùn)練的權(quán)值少，所以訓(xùn)練時(shí)間減少. 測(cè)試時(shí)，3個(gè)深度網(wǎng)絡(luò)采用并行處理，因此測(cè)試時(shí)間也得以縮短.

表1 兩種深度學(xué)習(xí)方法的訓(xùn)練時(shí)間對(duì)比

表2 兩種深度學(xué)習(xí)方法的平均測(cè)試時(shí)間對(duì)比

表3是人工特征方法、全監(jiān)控區(qū)域視頻輸入深度學(xué)習(xí)方法和本文分區(qū)域三深度網(wǎng)絡(luò)識(shí)別方法對(duì)600個(gè)測(cè)試樣本的識(shí)別準(zhǔn)確率對(duì)比.

表3 3種識(shí)別方法對(duì)測(cè)試樣本的識(shí)別準(zhǔn)確率對(duì)比 %

從實(shí)驗(yàn)結(jié)果可以看出，分區(qū)域分割視頻進(jìn)行不同異常行為識(shí)別，使得聚類效果更明晰，深度學(xué)習(xí)效果更好.

5 總結(jié)與展望

基于ATM機(jī)監(jiān)控視頻可以很好地自動(dòng)識(shí)別非法改裝ATM機(jī)的異常行為. 通過對(duì)插卡口、頂部、鍵盤3個(gè)區(qū)域分別人為劃定固定長(zhǎng)寬比例的區(qū)域，將3個(gè)區(qū)域的視頻分別用3個(gè)三維時(shí)序卷積深度網(wǎng)絡(luò)進(jìn)行識(shí)別，使得識(shí)別精度大大提高、訓(xùn)練時(shí)間和識(shí)別時(shí)間均得以縮短，而且可以適應(yīng)不同型號(hào)ATM機(jī)分辨率、視角位置差異的攝像頭采集的視頻.

本方法由于輸入8 s時(shí)長(zhǎng)視頻，所以存在大約9 s的延時(shí). 另外，對(duì)于不同視角的視頻，沒有對(duì)視角差異太大的視頻進(jìn)行實(shí)驗(yàn). 進(jìn)一步將本系統(tǒng)集成到 ATM 機(jī)并進(jìn)行總體控制是還需要深入研究開發(fā)的內(nèi)容.