基于圖像識(shí)別的教室信息管理系統(tǒng)

林祥

摘 要 伴隨科技技術(shù)水平的持續(xù)提升，以攝像頭為基礎(chǔ)進(jìn)行的圖像處理技術(shù)愈發(fā)地成熟。其中人臉識(shí)別技術(shù)最為實(shí)用，如：臉部識(shí)別門禁系統(tǒng)，臉部識(shí)別考勤設(shè)備等等?，F(xiàn)在的教室已經(jīng)完全實(shí)現(xiàn)了無(wú)死角全方位監(jiān)控，因此，我們?cè)诓桓淖兘淌业那闆r下，完全利用軟件對(duì)教室人數(shù)的統(tǒng)計(jì)，實(shí)現(xiàn)科技與進(jìn)步完美對(duì)接。

關(guān)鍵詞 人臉檢測(cè)；人臉識(shí)別；HAAR

中圖分類號(hào) TP39 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2016）162-0119-02

1 人臉識(shí)別的背景和意義

在21世紀(jì)，人類的隱私問(wèn)題變得更加棘手。傳統(tǒng)的密碼也已經(jīng)常常出現(xiàn)問(wèn)題，如：密碼被破解，密碼忘記等問(wèn)題，使人們的經(jīng)濟(jì)受到損失或者隱私遭到曝光，卻找不到隱私曝光者，問(wèn)題不能被解決。如今人臉識(shí)別科技已經(jīng)進(jìn)入了較高的層次，臉部特征已經(jīng)具有密碼的作用以用于各種驗(yàn)證。不但減少了繁瑣密碼的輸入，而且還不易偽造，大大的提高了安全性。

2 人臉檢測(cè)實(shí)現(xiàn)思路

在人臉識(shí)別方面，我有2個(gè)想法：第一種是使用ARM9作為主控芯片，用攝像頭接口與ARM9處理器通信，獲取圖像，利用PCA方法進(jìn)行識(shí)別。第二種是使用攝像頭獲取圖像，直接利用計(jì)算機(jī)的內(nèi)存儲(chǔ)存圖像，MATLAB進(jìn)行圖像識(shí)別。第一種想法比較便攜，但不適合教室大數(shù)據(jù)的處理，并且經(jīng)費(fèi)過(guò)高；第二種想法實(shí)物較少，數(shù)據(jù)可以大量的存儲(chǔ)，方面教室等數(shù)據(jù)大的特點(diǎn)。因?yàn)樵诮淌胰藬?shù)識(shí)別的項(xiàng)目中選擇第二種想法。

3 人臉檢測(cè)用到的關(guān)鍵技術(shù)和算法

3.1 HAAR特征

最初地Papageorgiou等將Haarlike？特征在人臉表示領(lǐng)域中應(yīng)用，Viola和Jones以此為基礎(chǔ)，引入了3種類型4個(gè)形式的特征。Haar特征包括了3種：第一，對(duì)角線特征與中心特征；第二，線性特征；第三，邊緣特征，它們一同構(gòu)成了特征模板。若包含了2種矩形，為黑色或者白色，并以此模板中扣除黑色矩形的像素和、以及白色矩形像素和作為其特征值。Haar特征值體現(xiàn)了是其灰度特征信息以及改變。不過(guò)矩形特征敏感度較高的結(jié)構(gòu)多為一些諸如線段、邊緣在內(nèi)的并不復(fù)雜的圖形結(jié)構(gòu)，所以描述圖像結(jié)構(gòu)時(shí)只能說(shuō)明部分走向明確（如對(duì)角、垂直、水平等）結(jié)構(gòu)。

經(jīng)過(guò)對(duì)特征模板的位置及大小進(jìn)行調(diào)整，于圖像子窗口，我們可窮舉出許多特征。上圖的特征模板稱為“特征原型”；圖像子窗口特征原型通過(guò)平移伸縮等擴(kuò)展，可以獲得“矩形特征”；矩形特征的值稱為“特征值”。

矩形特征的大小不受約束，在圖像的位置也沒(méi)有具體的規(guī)定，所以矩形特征值的影響因素包括矩形的大小、位置以及其模版類別。所以說(shuō)就算檢測(cè)窗口較小，而其位置、大小以及類別的改變將組合形成海量的特征。以此為例，若檢測(cè)窗口的像素大小為24×24，在此中即可包含16萬(wàn)個(gè)矩形特征。

3.2 積分圖

最初，Paul Viola等人首次提出積分圖的概念，同時(shí)在動(dòng)態(tài)的對(duì)象檢測(cè)框架內(nèi)被采用?；叶葓D像積分圖的本質(zhì)同樣為一張圖，只是它在某些方面不同于一般的彩色圖或者灰度圖。雖然我們也可以將積分圖視作是一張圖，不過(guò)在此圖中某個(gè)點(diǎn)（x，y）的值表示的含義是，該點(diǎn)與圖像左上角所覆蓋的矩形面積下，全部像素點(diǎn)的灰度值總加和。

3.5 搜索策略

3.5.1 檢測(cè)窗口大小不變的檢測(cè)方法

該方法的特征是保持檢測(cè)窗口有恒定的大小，例如，與訓(xùn)練樣本窗口一般都使用24X24檢測(cè)窗口，之后對(duì)需要檢測(cè)的圖像依據(jù)特定的比例，先后開(kāi)展抽樣縮放，其比例通常使用0.8倍，當(dāng)檢測(cè)窗口和圖像具有相近的尺寸時(shí)縮放停止。將以上步驟中所得的各個(gè)經(jīng)過(guò)縮放處理的圖像，對(duì)其全部24X24待測(cè)窗口使用滑動(dòng)檢測(cè)窗口法開(kāi)展檢測(cè)，其中可以人為設(shè)定滑動(dòng)步長(zhǎng)，對(duì)于彼此重疊但判斷是目標(biāo)的窗口，則依據(jù)特定的規(guī)則進(jìn)行整合。

因?yàn)榇朔椒ㄖ袡z測(cè)窗口是恒定的，所以為了完成檢測(cè)，則必須作若干次的原圖像縮放，因?yàn)镠aar矩形特征的生成是建立在積分圖像上的，所以每經(jīng)過(guò)一次縮放處理，皆必須再次進(jìn)行積分圖的計(jì)算，由于無(wú)數(shù)次的重復(fù)計(jì)算，徒增了額外的負(fù)擔(dān)。特別是在圖像具有較大的尺寸時(shí)，將嚴(yán)重地拖累檢測(cè)速率與效率，同時(shí)在縮放處理過(guò)程中使用的方法如雙線性插值法、最近鄰插值法等，將在一定程度上降低圖像質(zhì)量，最終體現(xiàn)于檢測(cè)精度的降低以及效果變差。

3.5.2 檢測(cè)窗口尺寸放大的檢測(cè)方法

與上面介紹的方法相反，這種方法是：保持需要檢測(cè)的圖像有恒定的大小，而依據(jù)特定的比例，先后進(jìn)行檢測(cè)窗口的等比放大，通常放大倍數(shù)取1.1，之后用于檢測(cè)工作，當(dāng)需要檢測(cè)圖像的最小二維尺寸同檢測(cè)窗口大小逼近時(shí)中止，同時(shí)對(duì)于彼此重疊但判斷是目標(biāo)的多個(gè)窗口，則依據(jù)特定的規(guī)則進(jìn)行整合，輸出檢測(cè)結(jié)果。

保持待測(cè)圖像為恒定大小，依據(jù)特定的比例放大檢測(cè)窗口，之后以此容器進(jìn)行原始圖像配對(duì)，當(dāng)?shù)么笮〕叽绫平拇翱跁r(shí)進(jìn)行檢測(cè)。相比于前一節(jié)闡述的檢測(cè)方式，此方法的優(yōu)勢(shì)是僅需要進(jìn)行一次Haar積分圖計(jì)算，后續(xù)全部檢測(cè)窗口尺寸皆以此積分圖為準(zhǔn)進(jìn)行Haar特征值計(jì)算，減小了工作時(shí)，顯著地提高了效率，在實(shí)際中得以大規(guī)模推廣使用。

4 結(jié)論

人臉識(shí)別技術(shù)已經(jīng)成為新世紀(jì)計(jì)算機(jī)領(lǐng)域的重要部分，但是在識(shí)別上還是有一些問(wèn)題，例如，人臉側(cè)著。尤其在教室人數(shù)統(tǒng)計(jì)上會(huì)有很大的誤差性。

本文主要探討了人臉識(shí)別的策略與算法，在MATLAB中開(kāi)發(fā)應(yīng)用了此算法，能夠簡(jiǎn)單的識(shí)別出人臉特征，實(shí)現(xiàn)教室信息的管理。

參考文獻(xiàn)

[1]互聯(lián)網(wǎng).基于ARM9的便攜式人臉識(shí)別系統(tǒng)，2011.

[2]博文.AdaBoost人臉檢測(cè)訓(xùn)練算法，2012.

[3]博文.積分圖，2012.

[4]Robust Real-Time Face Detection，Paul Viola，Micheal J. Jones.