基于HMM的嵌入式人臉識(shí)別系統(tǒng)研究

崔紹華，王懷友

（承德供電隆化分公司，河北承德 068150）

由于不需要特殊的采集設(shè)備，基于嵌入式的人臉識(shí)別系統(tǒng)，相比傳統(tǒng)鑒別身份的系統(tǒng)，具有很強(qiáng)的優(yōu)勢，它成本較低，并且使用簡單;同時(shí)，由于人臉識(shí)別不對(duì)使用者造成干擾，并不去侵犯使用者的個(gè)人隱私，容易被用戶所接受。

本文以嵌入式ARM11系統(tǒng)設(shè)計(jì)為主線，以HMM數(shù)學(xué)模型為圖像處理理論基礎(chǔ)，描述了完成視頻采集、面部檢測與人臉識(shí)別等功能相對(duì)應(yīng)的硬件平臺(tái)研發(fā)和軟件功能的開發(fā)及實(shí)現(xiàn)過程;以及并對(duì)圖像預(yù)處理的相應(yīng)浮點(diǎn)算法進(jìn)行了優(yōu)化，從而提高了該嵌入式系統(tǒng)的性能。

1 系統(tǒng)硬件架構(gòu)

本系統(tǒng)采用了S3C6410作為處理器，它是Samsung推出的以ARM 11 76JZF-S為內(nèi)核的芯片。它的優(yōu)秀的處理能力已成為設(shè)計(jì)便攜式設(shè)備的首選。設(shè)計(jì)中為了滿足智能終端對(duì)圖像視頻采集的要求，人臉識(shí)別系統(tǒng)硬件結(jié)構(gòu)圖如圖1所示。

圖1 人臉識(shí)別系統(tǒng)硬件結(jié)構(gòu)圖

2 圖像采集硬件設(shè)計(jì)

OmniVision公司生產(chǎn)的圖像傳感器OV7640 CMOS芯片，是一款高靈敏度、低電壓（2.5V）、高性能的圖像傳感器。

由于圖像采集系統(tǒng)需要對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)采集并存儲(chǔ)，因此需要系統(tǒng)的數(shù)據(jù)傳輸速率較高，需要硬件之間的搭配盡量合理。本系統(tǒng)硬件設(shè)計(jì)中，在采集和傳輸設(shè)備中間加了相應(yīng)的緩存器件。即采用OV511芯片擴(kuò)展OV7640的DRAM，OV511是一個(gè)專用的數(shù)字?jǐn)z像IC的USB接口芯片，它能夠起到緩存作用，從而實(shí)現(xiàn)高速USB數(shù)字視頻圖像采集并存入嵌入式處理器。

3 圖像采集程序

本設(shè)計(jì)使用Linux做為操作系統(tǒng)開發(fā)平臺(tái)，關(guān)于操作系統(tǒng)的移植方法在此不再介紹。Video 4 Linux（簡稱V4L），是Linux操作系統(tǒng)內(nèi)核中關(guān)于視頻設(shè)備的驅(qū)動(dòng)模塊，它有專門針對(duì)視頻設(shè)備的接口函數(shù)，為進(jìn)行圖像編程提供方便。在程序設(shè)計(jì)時(shí)，Linux內(nèi)核開放了Video4Linux接口，所以在圖像處理時(shí)，我們首先做的設(shè)計(jì)程序是基于Video4Linux的API函數(shù)編程。

圖像采集的程序框圖如圖2所示。

圖2 圖像采集的程序框圖

4 識(shí)別算法設(shè)計(jì)

視頻采集、數(shù)字圖像處理、傳送和HMM識(shí)別算法等多個(gè)技術(shù)都在這個(gè)設(shè)計(jì)中得到應(yīng)用。面部識(shí)別過程，第一步要判斷輸入的視頻單幀圖像中是否包含人臉信息，如果有，就進(jìn)一步判斷人臉的具體位置、尺寸和每個(gè)主要面部器官的具體位置，并根據(jù)這些數(shù)據(jù)，再計(jì)算每個(gè)人臉范圍內(nèi)所包含的個(gè)人身份特征。通過將其與數(shù)據(jù)庫中的已有人臉信息進(jìn)行對(duì)比，判斷并識(shí)別人的身份［3］。

人臉識(shí)別的算法過程包括視頻預(yù)處理、圖像面部區(qū)域檢測和人臉識(shí)別等部分。

從待識(shí)別圖像中確定人臉區(qū)域中各特征目標(biāo)的區(qū)域，并將此區(qū)域分割開稱為人臉檢測。根據(jù)現(xiàn)有的人臉數(shù)據(jù)庫，完成待測人臉?biāo)鶎?duì)應(yīng)人臉庫中的唯一標(biāo)號(hào)稱為人臉識(shí)別。人臉檢測和人臉識(shí)別互為前提和目的。鑒于HMM同時(shí)可完成人臉檢測和人臉識(shí)別，因此在程序設(shè)計(jì)中我們將這兩者同時(shí)處理。

4.1 隱馬爾可夫模型描述

隱馬爾可夫模型是一組針對(duì)特征化信號(hào)進(jìn)行特性統(tǒng)計(jì)的數(shù)學(xué)模型，這其中包括兩個(gè)相關(guān)的過程:第一個(gè)是有限狀態(tài)馬爾可夫鏈，它是是隱藏的、不可見的，由初始狀態(tài)概率分布函數(shù)和狀態(tài)轉(zhuǎn)移概率矩陣組成，第二個(gè)是一組概率密度函數(shù)，它是與狀態(tài)有關(guān)的。

一個(gè)HMM的基本組成元素如下:

（1）HMM模型的狀態(tài)個(gè)數(shù)N，如果假設(shè)S是狀態(tài)集合，那么S={S1，S2，…，SN}。模型在時(shí)間t的狀態(tài)記作qt∈S，其中1≤t≤T，此處T為所被測序列的幀數(shù)（又稱長度）。模型歷經(jīng)的狀態(tài)序列記為Q={q1，q2，…，qT}。

（2）設(shè)被測符號(hào)數(shù)為M，V是所有模型的Codebook（又稱為被測符號(hào)的集合），則V={v1，v2，…，vm}。

（3）狀態(tài)轉(zhuǎn)移概率矩陣A={aij}，aij=P（qt=Sj|qt－1=Si），1 ≤i，j≤N。對(duì)它的約束條件為0 ≤aij≤1，而aij

=1。

（4）被測符號(hào)概率矩陣B={bj（k）}，bj（k）=p（ot=vk|qt=Sj），1≤j≤N，1≤j≤M。其中ot是時(shí)間t下的被測符號(hào)（被測矢量序列為O={o1，o2，…，oT}）。

（5）被測符號(hào)初始狀態(tài)概率分布∏={πi}，πi=P（qi=si），1≤i≤N。

因此一個(gè)HMM可以表示為λ={A，B，∏}。由于其輸入V={v1，v2，…，vm}是有限元集合，因此稱其為離散隱馬爾可夫模型［4］。

4.2 人臉識(shí)別HMM模型設(shè)計(jì)

根據(jù)狀態(tài)轉(zhuǎn)移的過程，HMM可分為ergodic（遍歷的）和1eft-right（從左到右的）。遍歷表示其狀態(tài)轉(zhuǎn)移是隨意的，可以到自身和所有可能的狀態(tài)，從左到右的狀態(tài)轉(zhuǎn)移只限于本身和下一個(gè)狀態(tài)。由于人臉垂直方向（由上至下）和水平方向（從左至右）各個(gè)特征具有自然不變的順序，所以用由上至下的1D-HMM來模擬人臉，如圖3所示。

圖3 用于人臉識(shí)別的HMM模型

4.3 面部特征提取

我們將寬度定義為W，高度定義為H的人臉圖像，劃分為可重疊的塊。塊的高度定義為L，重疊深度定義為P。因此，從該圖像提取的總分塊數(shù)做為被測矢量數(shù)T，則T=（H-L）/（L-P）+1。其中參數(shù)L和P的選取會(huì)影響系統(tǒng)的識(shí)別率，L的選擇應(yīng)該比較謹(jǐn)慎，因?yàn)檩^小的L值會(huì)使被測矢量不能得到有效鑒別;過大的L會(huì)增加剪切時(shí)的相交特征概率。過大的重疊深度值P會(huì)增加垂直特征向量的數(shù)量，能夠提升系統(tǒng)的識(shí)別率。經(jīng)過檢驗(yàn)當(dāng)P大時(shí)，L的變化對(duì)最終識(shí)別率影響不大。文獻(xiàn)［6］詳細(xì)闡述了與HMM使用的狀態(tài)數(shù)與參數(shù)P和L之間的相互作用關(guān)系。面部特征提取分割算法流程如圖4所示［5］。

圖4 人臉區(qū)域提取流程圖

4.4 隱馬爾可夫模型的訓(xùn)練

我們?yōu)槿四様?shù)據(jù)庫中每個(gè)圖像建立一個(gè)HMM模型，使用同一個(gè)人的6張不同面部照片對(duì)模型進(jìn)行訓(xùn)練。方法是:采用子塊劃分的方法，得到了被測矢量序列——2D-DCT變換系數(shù)矢量。采用被測矢量序列O={o1，o2，…，oT}對(duì)人臉HMM模型進(jìn)行訓(xùn)練，得到參數(shù)。

首先需要我們對(duì)HMM模型λ={A，B，∏}進(jìn)行初始化工作，通過對(duì)人臉圖像數(shù)據(jù)自上而下均勻分割，我們能得到訓(xùn)練數(shù)據(jù)。模型狀態(tài)數(shù)N對(duì)應(yīng)照片數(shù)，等于6，被測概率矩陣B的初始估計(jì)就是每一個(gè)狀態(tài)有關(guān)的被測矢量序列。A和Π的初始估計(jì)按自左到右的人臉模型結(jié)構(gòu)給出。通過使用Baum-Welch估計(jì)算法 （最大似然估計(jì)方法）重新估算模型參數(shù)，用它來檢測P（O/λ）的收斂條件。

當(dāng)滿足式（1）時(shí)，表面模型收斂，結(jié)束迭代訓(xùn)練過程，不然繼續(xù)對(duì)模型進(jìn)行訓(xùn)練。

式中，C為預(yù)先設(shè)定的閾值。

4.5 人臉識(shí)別

和訓(xùn)練過程相同提取被測矢量序列的方法相同，被測矢量序列的概率由人臉圖像HMM模型計(jì)算得出，即:

當(dāng)被識(shí)別人臉圖像和對(duì)應(yīng)數(shù)據(jù)庫中第k個(gè)人的特征信息相同時(shí)，則被識(shí)別出［6］。

試驗(yàn)證明，此算法簡單，易于在嵌入式系統(tǒng)上實(shí)現(xiàn)實(shí)時(shí)處理。由于不受臉部表情變化的影響，因此錯(cuò)誤率低，魯棒性好。研究中也發(fā)現(xiàn)，在人臉識(shí)別過程中的光照影響和姿態(tài)問題需要解決，問題還有待于深入研究。

5 結(jié)論

具有硬件體積小、算法計(jì)算簡便、運(yùn)算性能高，性能突出等特點(diǎn)，基于嵌入式ARM11硬件平臺(tái)和隱馬爾可夫的人臉識(shí)別系統(tǒng)，可以滿足識(shí)別設(shè)備微型化的需要。隨著技術(shù)的發(fā)展，在不久的將來，基于人臉識(shí)別的嵌入式系統(tǒng)將在各種安檢、樓宇門禁、身份驗(yàn)證、工作考勤等場合得到廣泛應(yīng)用。

創(chuàng)新點(diǎn):

人臉識(shí)別是人類特征識(shí)別中一個(gè)主要的研究方向，是無侵犯式、非接觸身份識(shí)別的重要方法。在嵌入式系統(tǒng)能夠?qū)崿F(xiàn)人臉識(shí)別設(shè)備的便攜化，通過它進(jìn)行人臉識(shí)別，能夠極大地拓寬識(shí)別設(shè)備的使用范圍，為工作提供便利。使用HMM算法實(shí)現(xiàn)識(shí)別功能，可以有效降低識(shí)別算法難度，提高效率，為實(shí)現(xiàn)實(shí)時(shí)地識(shí)別提供了一種可能。

［1］Wang Zhiliang，Zhao Yanling.An Expert System of Commodity Choose Applied with Artificial Psychology［J］.IEEE International Conference on Systems，Man and Cybernetics，2001:2326-2330.

［2］李侃，廖啟征.基于S3C2410開發(fā)平臺(tái)與嵌入式Linux的視頻采集應(yīng)用［J］.微計(jì)算機(jī)信息，2006，22（3-2）:125-127，168.

［3］徐毅瓊，李弱程，王波.基于隱馬爾可夫模型的自動(dòng)人臉識(shí)別方法［J］.計(jì)算機(jī)應(yīng)用，2004，24:225-227.

［4］黎冰，吳松，曾凡濤.人臉識(shí)別在智能終端中的實(shí)現(xiàn)［J］.計(jì)算機(jī)工程，2006，32（7）:272-274.

［5］NEFIAN AV，HAYES MH.Face Detection and Recognition Using Hidden Markov Models［A］.Proceedings of the International Conference on Image Processing［C］.1998.141-145.

［6］Samaria F，Young S.HMM Based Architecture for Face I-dentification［J］.Image and Computer Vision，1994，12（4）:537-543.

［7］Samaria F.Halter A.Parameterization of Stochastic Model for Human Face Identification［C］.USA:Proceedings of the Second IEEE Workshop on Application of Computer Vision，1994.