人臉識別系統(tǒng)在嵌入式ARM上的實現(xiàn)

(西安科技大學通信與信息工程學院，西安710054)

(西安科技大學通信與信息工程學院，西安710054)

由于通用RU-LBP和PCA結合的人臉識別算法得到的子空間內各類之間距離不均衡導致人臉識別低，提出一種嶺回歸人臉識別方法。通過使用RU-LBP和PCA進行人臉特征提取，然后對這些特征使用嶺回歸算法進行識別，該算法能夠最大程度上均化各類之間的距離，提高分類能力。在FERET標準的人臉庫上的實驗結果表明，該算法能夠顯著改進人臉識別率。

嵌入式ARM;人臉識別;Adaboost;RU-LBP;PCA;嶺回歸

隨著安全監(jiān)控意識的不斷提高，平時所忽略的安全隱患也日趨嚴重。如何高效、方便地進行身份驗證和識別，已經成為人們日益關注的問題。人臉識別作為身份驗證的一種有效方式，已成為模式識別領域研究的熱點問題。

人臉識別可基于傳統(tǒng)的用于信號處理的DSP，但這不利于人機交互，沒有豐富的操作界面。而基于LINUX操作系統(tǒng)的嵌入式ARM具有豐富的界面編程接口，便于移植，在人機交互方面具有很大的優(yōu)勢，越來越受到專業(yè)人士的青睞。隨著高速ARM處理器的迅猛發(fā)展，使用ARM來進行圖像處理也越來越能夠滿足實時性的要求。

本文采用最新款高性能Cortex-A8處理器的Tiny210開發(fā)板，在LINUX操作系統(tǒng)下采用V4L2進行圖像采集和預處理，用Adaboost算法進行人臉檢測，在通過RU-LBP(旋轉模式和統(tǒng)一模式相結合的LBP算子)進行人臉特征提取的基礎上，經PCA降維，使用能夠最大程度上均化各類之間距離的嶺回歸方法進行識別［1-2］。最終實現(xiàn)了一個具有友好人機交互界面的嵌入式人臉識別系統(tǒng)，具有良好的實時性和識別率。

1 嵌入式硬件選擇與系統(tǒng)架構

由于嵌入式人臉識別系統(tǒng)運算量很大，對實時性要求高，對芯片的處理性能有很高的要求本系統(tǒng)采用三星公司新出的S5PV210為主處理器的Tiny210開發(fā)板為實現(xiàn)平臺，處理器運行主頻高達1 GHz，同時加入了用于多媒體和信號處理的NEONTM技術，以及內部集成的PowerVRSGX540高性能圖形引擎，很適合在圖像處理方面的應用。

本文需要進行初始化工作:LCD顯示驅動、USB攝像頭驅動和USB Host驅動的移植，以及開放的源碼庫OPENCV和QT用戶界面。本系統(tǒng)涵蓋了圖像的采集、處理、顯示等數(shù)字圖像處理技術，其整體結構如圖1所示［7］。

圖1 系統(tǒng)架構

2 軟件模塊的設計與開發(fā)

2.1 圖像采集和預處理

V4L2(Video for Linux2)是Linux系統(tǒng)下處理視頻采集設備的標準接口［5］。它為Linux下的視頻驅動提供了統(tǒng)一的接口，使得應用程序可以使用統(tǒng)一的API函數(shù)操作不同的視頻設備，極大地簡化了視頻系統(tǒng)的開發(fā)和維護。

V4L2視頻采集的流程如圖2所示。

圖2 V4L2視頻采集流程圖

打開設備文件后，首先取得設備的capability，查看設備的功能，比如視頻輸入、音頻輸入輸出等。然后設置視頻的制式和幀格式，制式包括PAL，NTSC，幀的格式則包括寬度和高度等。接著向驅動申請幀緩沖(一般不超過5個)，將申請到的幀緩沖映射到用戶空間，這樣就可以直接操作采集到的幀，而不必反復拷貝幀緩存的內容，從而提高視頻采集效率。之后將申請到的幀緩沖全部入隊列，開始視頻的采集。采集完成后，出隊列以取得采集到的數(shù)據(jù)幀緩沖，取得原始采集數(shù)據(jù)，將緩沖重新入隊列尾，這樣可以循環(huán)采集。采集結束后停止采集，關閉視頻設備。

輸入的視頻圖像往往會受到噪聲，外界光照強弱等因素的影響，因而在進行人臉檢測之前，需要對視頻圖像進行相應的預處理操作，包括中值濾波、直方圖均值化等。

2.2 人臉檢測

本系統(tǒng)使用Adaboost算法來進行人臉檢測，算法選取如圖3所示的幾個特征矩形作為訓練模板，得到人臉檢測最合適的矩形特征。

圖3 特征矩形

Adaboost訓練算法的基本思想是由弱分類器構建強分類器。給定n個訓練樣本(x1，y1)，(x2，y2)，…，(xn，yn)，其中yi=0表示非人臉，yi=1表示人臉。對每個特征訓練一個弱分類器，所有特征的弱分類器的加權錯誤率為:

最佳錯誤率對應的即為最佳弱分類器，其錯誤率為:

該算法具有計算量小、速度快、準確性高等特點，是目前嵌入式系統(tǒng)中最常用的人臉檢測方法。

2.3 人臉特征定位

在人臉準確檢測的基礎上，要達到高的識別率，首先必須獲得較好的人臉特征描述。本系統(tǒng)采用LBP算法，LBP作為最好的紋理描述算子之一，具有對光照變化的不敏感性以及計算簡易和快速等特點，是嵌入式系統(tǒng)中一種有效的人臉特征描述方法［3］。

LBP算子的基本思想是將中心像素點的灰度值設為閾值，用其圓形鄰域內的像素點與之作比較得到的二進制碼來表述局部紋理特征。它計算簡單，分類能力強，在描述紋理特征提取方面有著顯著的效果。相比于傳統(tǒng)的LBP算子，旋轉不變LBP可以使得圖像具有旋轉不變性，統(tǒng)一模式LBP可以解決旋轉不變LBP造成的輸出值頻率差異太大而影響分類能力等問題。本系統(tǒng)將人臉劃分為4×4個小矩形區(qū)域，對各個區(qū)域分別應用旋轉不變和統(tǒng)一模式相結合的算子，并最終得到4×4個區(qū)域的聯(lián)合直方圖，將其作為人臉圖像的特征描述子。這種劃分區(qū)域的方式，是從人臉的全局和局部兩個方面來描述人臉特征，更能代表圖像本身的特征。

2.4 人臉識別算法

2.4.1 基于主元分析的特征降維

直接利用聯(lián)合LBP直方圖的特征進行識別，運算量會很大［4］。利用PCA算法［7-8］可將高維向量投影到低維向量空間，達到降維目的，提高運算速度。它主要包括以下兩個步驟:

(1)求出訓練樣本集的總體散布矩陣 Si=，其中N為樣本個數(shù);Xi為第i人臉特征向量為訓練樣本集的平均人臉特征向量。

(2)求Si的特征值，并選出前面最大的K個特征值，然后把人臉特征向量向這些特征值對應的特征向量投影，得到一組用來表征人臉的系數(shù)。

2.4.2 基于嶺回歸的人臉識別

對靜態(tài)圖像人臉識別系統(tǒng)，上述方法已經能夠得到較好的識別率。但是，對動態(tài)視頻圖像的人臉識別系統(tǒng)，上述方法得到的識別率比較低，無法滿足系統(tǒng)的性能要求。這主要是由子空間內各類之間距離不均衡導致的，某些類之間的類間距遠小于其他某些類之間的類間距，這樣導致分類器在區(qū)分這些類間距相對較小的類時，性能變差。

基于嶺回歸的人臉分類方法可以解決上述問題。它的基本思想是:正則單形頂點作為離散的點具有最高程度上的對稱性，選取這樣的一些點作為標記不同類訓練人臉(樣本)的標簽，并使用嶺回歸算法將這些訓練人臉映射到一個人臉子空間，使得每個樣本的映射結果與標記該樣本的頂點的距離最小。對于一個新的人臉(待識別人臉)，將其映射到這個人臉子空間中，并與這些標簽向量進行比較，最終得到識別結果。算法主要步驟如下:

用m-1維空間中的m個兩兩等距的點vi(i= 1，2，…，m)來標記不同人的m個人臉圖像，然后應用嶺回歸方法訓練一個線性模型W，將每個人臉圖像訓練樣本Ii(i=1，2，…，n)映射到m-1維子空間中。

設人臉分類問題中總共有n個訓練樣本{(xi，Yi)|i=1，2，…，n}，其中xi(i=1，2，…，n)為維度較高的p維人臉圖像向量，Yi(i=1，2，…n)為用于標記xi的維度相對較小的r維向量?；诙嘣獦俗X回歸人臉的人臉分類問題可以描述為:求解矩陣W∈Rp×r用于描述xi和Yi的線性關系(i=1，2，…，n)，使得式(4)中的J(W)最小。

其中，X=［x1，x2，…，xn］，Y=［Y1，Y2，…，Yn］，tr(矩陣的跡)表示矩陣對角線上元素之和。對式(4)求導，并令其為零可得:

對于待識別的人臉x，在子空間中的投影值為WTx，計算WTx與每類人臉標注向量之間的距離，最近距離所對應的那類人臉，即為x所屬類別。

下面給出每類人臉的標注向量(兩兩等距)的選取方法。

對于m類訓練人臉。在 m-1維歐式空間Rm-1中構造出m個兩兩等距的點，這m個點可以在平移、旋轉等變換下保持等距。

記這m個點為Ti∈Rm-1(i=1，2，…，m)，記矩陣T=［T1，T2，…，Tm］，則T可以按如下方式構造:

對于k=2，3，…，m-1計算:

嶺回歸人臉識別算法的過程可以總結如下:

(1)根據(jù)式(4)計算映射矩陣W。

(2)對于待識別的人臉x，計算x在子空間中的映射y=WTx;

(3)計算m與每類人臉Ti，(i=1，2，…，m)的標記的距離‖y-Ti‖，取argim in‖y-Ti‖作為人臉x所屬的分類。

2.5 系統(tǒng)算法整體流程

本文采用嵌入式QT及OPENCV實現(xiàn)一個實時人臉識別系統(tǒng)［6］。該系統(tǒng)使用本文所提出的嵌入式LINUX視頻采集接口(API)和Adaboost算法完成視頻圖像采集和人臉檢測，通過旋轉不變和統(tǒng)一模式結合的LBP算子進行人臉特征定位，得到的分塊聯(lián)合直方圖作為人臉特征，降維(PCA)后使用嶺回歸算法完成人臉的識別。系統(tǒng)整體流程圖如圖4所示。

圖4 系統(tǒng)流程圖

3 實驗結果

本文在MATLAB環(huán)境下，對FERET人臉庫采用RU-LBP、PCA和嶺回歸相結合的方法進行算法驗證。在FERET人臉庫選取其中50類，每類選取2張(2 train)人臉圖像作為訓練集，剩下的作為測試集，重復進行10次，共獲得10組不同的訓練集和測試集。類似的可以采用4 train、6 train、8 train、10 train的訓練集和測試集。

將此算法與PCA，LDA，RU-LBP與PCA結合等算法進行比較，最終得到各個算法的平均識別率如表1所示。從表中可以看出，PCA，LDA，RU-LBP結合PCA，以及本文所使用算法的最高識別率分別為81.6%，89.1%，90.3%，96.5%。因此，此算法具有更好的識別效果。

表1 4種算法識別率對比

在系統(tǒng)移植時，選取FERET人臉庫中19類人臉(每類10張)及本人10張，共200張圖片作為訓練集。在Linux環(huán)境下，以跨平臺C++應用程序開發(fā)框架QT和機器視覺庫OPENCV為開發(fā)平臺進行算法的移植。最后對整個系統(tǒng)性能進行測試，取得了良好的效果。

4 結語

本文介紹了基于Tiny210的人臉識別系統(tǒng)的設計與實現(xiàn)，簡要敘述了嵌入式設備中圖像采集，人臉檢測，特征定位等算法的理論基礎，并獨創(chuàng)性地將嶺回歸方法應用于嵌入式人臉識別系統(tǒng)，在MATLAB中進行了算法驗證，得到較好的識別結果。最后，將算法移植到嵌入式ARM中，經測試，系統(tǒng)具有友好的人機交互界面，識別效果良好。該系統(tǒng)的研制對人臉識別系統(tǒng)的實用化工作打下了堅實的基礎，具有廣泛的應用前景。

［1］An S，Liu W，Venkatesh S.Face Recognition Using Kernel Ridge Regression［C］//Proceedings CVPR，2007.

［2］Lienhart R，Maydt J.An Extended Set of Haar-Like Features for Rapid Object Detection［C］//Proc IEEE Int’l Conf Image Processing，2002，1:900-903.

［3］Timo Ahonen，Abdenour Hadid，Matti Pietikainen.Face Description with Local Binary Patterns:Application to Face Recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006，28(12):2037-2041.

［4］Jo Chang-yeon.Face Detection Using LBPFeatures［EB/OL］.www. stanford.edu/class/.../Jo Face Detection Using LBP Features.pdf.

［5］Lu Yinli，Yu Hongli，Zhang Pengpeng.The Implementation of Embedded Image Acquisition Based on V4L2［C］//Electronics，Communications and Control(ICECC)，2011 International Conference. Hengyang，China.2011:549-552.

［6］Jasmin Blanchette(英)，Mark Summerfield.C++GUI Qt4編程［M］.閆鋒欣，曾泉人，張志強，譯.2版.北京:電子工業(yè)出版社，2011.

［7］江湖，蘇詳芳，劉立海，等.基于網絡的數(shù)字視頻監(jiān)控系統(tǒng)［J］.武漢大學學報(自然科學版)，2000(5):608-612.

［8］王培珍，徐俊生.基于ARM9的嵌入式Linux圖像采集設計系統(tǒng)［J］.中國制造業(yè)信息化，2007(10):85-88.

人臉識別系統(tǒng)在嵌入式ARM上的實現(xiàn)*

王亞民*，何 松，王 維

Implementation of Face Recognition System Based on Embedded ARM*

WANG Yaming*，HE Song，WANGWei
(College of Communication and Information Technology，Xi’an University of Science and Teconology，Xi’an710054，China)

All kinds of the subspace distances obtained between face recognition algorithm of general RU-LBP and PCA combination are not balanced and make it low in face recognition，a ridge regression method for face recognition is proposed.For face feature extraction by using RU-LBP and PCA，and then the regression algorithm is used to identify the ridge，the algorithm can maximizes the average between the various types of distance，and improves the classification ability.In the FERET standard face database，the experimental results indicate that this algorithm can significantly improve the recognition rate exactly.

embedded ARM;face recognition;Adaboost;RU-LBP;ridge regression

10.3969/j.issn.1005－9490.2013.06.006

TP391.41 文獻標識碼:A 文章編號:1005－9490(2013)06－0779－05

項目來源:陜西省教育廳科研計劃項目(12JK0454)

2013-03-20修改日期:2013-04-21

EEACC:6140C

王亞民(1958-)，男，山西芮城人，西安科技大學教授，研究生導師，主要從事寬帶通信理論與技術、光信息理論與技術、光電傳感器領域的研究和物理教學;

何 松(1988-)，男，漢族，河南滎陽人，西安科技大學工學碩士，研究方向為:電路與系統(tǒng)，87293745@qq.com。