基于Smart210的人臉識別系統(tǒng)設(shè)計與實現(xiàn)

張 婷

(安徽糧食工程職業(yè)學(xué)院 信息技術(shù)系，安徽 合肥 230011)

生物人臉識別技術(shù)因為具有簡易性、非強制性以及易檢查性等優(yōu)點，已經(jīng)成為應(yīng)用最為廣泛的生物特征識別技術(shù)[1-2]。而由于人臉自身和環(huán)境等很多復(fù)雜的因素，人臉識別技術(shù)仍然面臨著巨大的挑戰(zhàn)[3]。對于人臉本身，因為在整體結(jié)構(gòu)上，不同個體的人臉輪廓和器官外形區(qū)別不大，導(dǎo)致不同人臉的差異性不大。而對于環(huán)境和外界因素，由于光照、表情、角度、飾物、遮擋、化妝等很多不確定因素會對圖像產(chǎn)生一定的影響，進而加大了人臉識別的難度[4-5]。近年來，嵌入式人臉識別系統(tǒng)中不僅要盡可能減少成本，提升人臉圖像信息采集準(zhǔn)確性，加快數(shù)據(jù)處理速度，以降低系統(tǒng)能耗，而且需要采用先進的人臉識別算法，促進機器視覺、人工智能以及圖像識別等不同領(lǐng)域的發(fā)展[6-7]。

本文以嵌入式硬、軟件平臺為基礎(chǔ)，使用AdaBoost算法進行人臉檢測，使用二維小波變換和PCA降維算法提取人臉特征，提出了基于Smart210的人臉識別系統(tǒng)，該系統(tǒng)具有人臉識別率高和檢測速度快的優(yōu)點，適用于諸多領(lǐng)域。

1 嵌入式人臉識別系統(tǒng)的實現(xiàn)

本文以Smart210 開發(fā)板為基礎(chǔ)，設(shè)計出一個嵌入式人臉識別系統(tǒng)，該系統(tǒng)能夠?qū)M出人員實施進行人臉識別，達到智能檢測的目的。在研發(fā)過程中，針對監(jiān)控區(qū)域的人員臉部進行檢測與識別[8]。當(dāng)檢測的人員是目標(biāo)庫用戶將不會發(fā)出告警；當(dāng)非法用戶進入監(jiān)控區(qū)域，嵌入式系統(tǒng)將會發(fā)出告警信息，同時可以以短信或者電話報警方式提醒監(jiān)控者出現(xiàn)異常情況，并實時保存記錄的視頻信息到存儲器，以便于后期對真實情況的了解。

圖1 系統(tǒng)總體框架結(jié)構(gòu)圖

2 主要算法分析

2.1 AdaBoost人臉檢測算法

AdaBoost人臉檢測算法將弱分類器訓(xùn)練成強分類器，將多個強分類器進行串聯(lián)以組成級聯(lián)分類器，使用級聯(lián)分類器檢測目標(biāo)。該算法中各個弱分類器都存在與之對應(yīng)的目標(biāo)特征值[9]。在圖像檢測中常用的是Harr特征，本文使用積分圖計算人臉矩形特征。 AdaBoost人臉檢測算法主要由訓(xùn)練階段和檢測階段組成，其人臉檢測過程如圖2所示。

圖2 人臉檢測流程圖

在進行圖像人臉識別前，需要一定數(shù)量的人臉樣本和非人臉樣本用作分類器訓(xùn)練，以提取圖像中分辨人臉和非人臉圖像的Haar特征。使用AdaBoost 算法抽取圖像Haar 特征結(jié)果如圖3所示。隨著特征值的較小，分類器數(shù)量將逐漸增加，但是相應(yīng)的圖像檢測窗口也將減少，最終實現(xiàn)分類的目的。

圖3 AdaBoost算法抽取Haar特征

根據(jù)上圖分析可知，以上兩個矩形特征能夠清晰表達出人臉部區(qū)域的特點。總體來說，眼部區(qū)域的顏色相對于眼夾區(qū)域要深，例如中間圖像；面部中鼻梁兩邊比鼻梁的顏色要深，與右邊那副畫相似。同樣的可以采用某些矩形特征來對其他人臉進行描述。采用矩形特征運算速度快，與傳統(tǒng)的單純像素點相比，優(yōu)勢比較突出。而Haar特征比較簡單，其主要可以對邊緣、線段等簡單圖形的走向進行描述。Haar特征可以大致對臉部的某些特征進行描述。盡管這個描述相對粗狂，較弱的分類能力，但其運算速度快，耗時較少。

2.2 二維小波變換

小波變換可實現(xiàn)對不同區(qū)域內(nèi)的信號和分辨率的分析，在信號處理、流體力學(xué)一級圖像分析等領(lǐng)域得到了廣泛使用[10]。小波變換算法在二維數(shù)字圖像識別上優(yōu)勢更加明顯，其變換的大致需要進行兩次一維小波變換，經(jīng)過一次小波變換可將人臉圖像分割成四個子帶，如圖4所示。其中，子帶LL用來表示含有源圖像數(shù)據(jù)信息的低頻成分；LH和HL分別表示圖像沿著水平方向和垂直方向發(fā)生變化程度；HH子帶表示圖像的高頻成分。

圖4 二級分解示意圖

2.3 人臉圖像預(yù)處理

圖像預(yù)處理在人臉識別過程中至關(guān)重要，通常情況下，嵌入式人臉識別系統(tǒng)采集到的人臉圖像因為受到光照、攝像機、姿態(tài)以及拍照環(huán)境等諸多因素的影響，獲得的人臉圖像質(zhì)量差異較大。所以，需要對人臉圖像進行預(yù)處理，以較少外界因素對人臉系統(tǒng)造成的不利影響。圖像預(yù)處理過節(jié)是在人臉檢測和圖像識別之前完成，但由于采用的AdaBoost人臉檢測算法魯棒性強，將此環(huán)節(jié)至于人臉識別前效果更好。所以，本文提出的圖像預(yù)處理主要是針對人臉圖像檢測完成后，人臉圖像識別前的圖像預(yù)處理。對于人臉識別圖像的預(yù)處理主要包含幾何歸一化處理和灰度歸一化處理兩個方面。

2.3.1 幾何歸一化處理

當(dāng)完成人臉檢測后，將獲得的人臉區(qū)域。因為攝像機拍攝的人臉角度不同、拍攝姿態(tài)不同，使得人臉檢測環(huán)節(jié)得到的人臉區(qū)域范圍、人臉傾斜角度以及圖像亮度等差異性很大，對人臉識別的下一個環(huán)節(jié)工作影響很大。在實際應(yīng)用過程中，嵌入式人臉識別系統(tǒng)的可靠性將會隨著人臉姿態(tài)偏轉(zhuǎn)角度變大而降低，所以，需要挑選在正常情況下采集到識別度較高的人臉圖像。本紋設(shè)計的嵌入式人臉識別系統(tǒng)重點是對正面臉的圖像進行尺寸歸一化處理。

2.3.2 灰度歸一化處理

因為人臉采集圖像隨著時間和環(huán)境的不同，拍攝的圖像灰度值通常各不相同，所以，需要對拍攝的人臉圖像進行灰度值處理，以減弱光照強度對人臉識別系統(tǒng)的影響。一般采用直方圖均衡化灰度值。直方圖主要通過對采集的人臉圖像全部的像素灰度值分布值進行統(tǒng)計，其含有各個灰度值在人臉圖像中頻率大小。

使用上述方法對人臉圖像預(yù)處理的結(jié)果如圖5所示。

圖5 人臉圖像預(yù)處理實驗結(jié)果

2.4 基于PCA特征提取的人臉識別

將PCA特征提取法應(yīng)用到人臉識別的算法，主要包含訓(xùn)練階段和識別階段兩部分。人臉識別的訓(xùn)練階段首先將采集的人臉目標(biāo)庫圖像，經(jīng)過計算獲得平均臉，并構(gòu)建特征臉空間，將攝像機拍攝的人臉圖像與平均臉間的差值映射到特征臉空間，根據(jù)特征臉空間值可以計算出每個人臉圖像在特征臉空間內(nèi)的實際位置。人臉識別的訓(xùn)練階段主要是將待識別人臉圖像與平均臉間的差值投影到特征臉空間，以獲得相應(yīng)的投影點位置，同時把獲得的投影點位置和訓(xùn)練階段獲得的人臉圖像投影點位置進行比對。

假設(shè)Rn表示人臉識別系統(tǒng)內(nèi)的測量空間，簡記為人臉空間，Rm表示特征臉空間。當(dāng)測量空間內(nèi)的分類信息，全部保留在特征臉空間，而此時在特征臉空間內(nèi)維數(shù)小于測量空間內(nèi)維數(shù)，那么特征提取值可表示成Rn到Rm的映射。而使用K-L變換需要具備以上兩個條件，以K-L變換為基礎(chǔ)的PCA算法對特征提取步驟大致如下:

(1)將人臉圖像數(shù)據(jù)輸入到目標(biāo)庫，以作為人臉圖像樣本，各個樣本大小設(shè)為MxN、設(shè)訓(xùn)練集由100個灰度圖組成，訓(xùn)練樣本矩陣可表示為：

(1)

式中，xi是MN維列向量。

(2)計算平均臉的表達式為：

(2)

(3)把各個樣本人臉與平均臉作差，獲得的差值為：

di=xi-ψ,i=1,2,...,100

(3)

(4)協(xié)方差矩陣表示如下：

(4)

(5)可利用上式中的矩陣計算出矩陣C的維數(shù)，進而得到其特征值和特征向量，最后使用奇異值分解(SVD)定理可以間接計算出矩陣AAT的特征值和特征向量。

(6)除去特征值較小項，減少計算量，以保留主成分，避免其他干擾。將余下的D特征向量構(gòu)成D行特征矩陣，此特征矩陣稱為特征子空間，也可稱之為特征空間。其中，w=(u1,u2,...,uD)。

(7)將攝像機拍攝的待識別人臉圖像與與平均臉作差運算,把作差值映射到特征臉空間以獲得對應(yīng)投影點：

Ωi=wTdi(i=1,2,...,100)

(5)

提出的PCA特征提取人臉識別算法過程如圖6所示。

圖6 基于PCA特征提取的人臉識別算法流程圖

3 系統(tǒng)搭建與實現(xiàn)

本文結(jié)合項目實際需求采用友善之臂公司研發(fā)的Smart210開發(fā)板進行嵌入式系統(tǒng)硬件平臺構(gòu)建。為了便于人機交互，使用Qt設(shè)計了一個友好的界面，將程序和發(fā)生事利用信號和函數(shù)進行連接。系統(tǒng)設(shè)計界面如圖7所示。

圖7 人機交互界面

點擊人機互動界面的開始按鈕，待識別人臉識別區(qū)域?qū)@示照相機采集的人臉圖像。點擊開始后將會對待識別人臉實際位置進行標(biāo)定。點擊識別按鈕后識別區(qū)域內(nèi)將會顯示待識別人臉圖像與在庫人臉圖像。當(dāng)目標(biāo)庫不存在待識別圖像時，系統(tǒng)將會出現(xiàn)“查無此人”，識別結(jié)束可以通過點擊退出按鈕退出人臉識別系統(tǒng)。

為了驗證構(gòu)建人臉識別系統(tǒng)的有效性，本文通過收集5張樣本圖像，每人采集5張圖像，建立小型人臉識別數(shù)據(jù)庫，采集的人臉圖像如圖8所示。

圖8 人臉系統(tǒng)不表庫圖像

在PC端將采集到的人臉圖像進行集中訓(xùn)練，建立特征人臉目標(biāo)庫，將獲得的人臉目標(biāo)庫嵌入到Smart210開發(fā)板上，電機開始按鈕，嵌入式系統(tǒng)將會對其進行初始化，同時打開照相機在待識別人臉區(qū)域展現(xiàn)采集的圖像信息，點擊開始按鈕，可以迅速對圖像中的人臉位置進行標(biāo)記，系統(tǒng)人臉檢測結(jié)果如圖9所示。

圖9 系統(tǒng)人臉檢測結(jié)果圖

再點擊系統(tǒng)識別按鈕，嵌入式系統(tǒng)將對采集到的人臉圖像進行特征信息提取，與建立的人臉目標(biāo)中的圖像進行對比，通過在識別結(jié)果區(qū)域展示與采集圖像相似的人臉。如圖10所示。

圖10 系統(tǒng)人臉識別效果圖

為驗證本文人臉識別算法的有效性，依次使用本文提出的Adaboost算法和傳統(tǒng)的局部二值模式(Local Binary Pattern，LBP) 方法，對5個實驗員在圖像中分別檢測60次。檢測結(jié)果如表1所示，根據(jù)結(jié)果可以看出 LBP算法的誤檢率為24.68%,而本文提出的AdaBoost算法的誤檢率僅為6.33%。可以得出AdaBoost算法人臉檢測效果更加顯著。

表1 人臉檢驗誤檢率結(jié)果

在檢驗本文設(shè)計的嵌入式人臉識別系統(tǒng)的性能，將對運動的目標(biāo)進行檢測與識別，通過對比LBP算法，在選用的Smart210開發(fā)板上進行測試。表2給出了這兩種方法的識別率和平均識別時間。根據(jù)測試結(jié)果可以看出本文使用的Adaboost算法不管在人臉識別的準(zhǔn)確率還是實時性，相對于LBP算法均具有顯著優(yōu)勢。

表2 人臉識別效果

4 結(jié)論

隨著嵌入式技術(shù)的不斷進步，人臉識別系統(tǒng)也得到了迅速發(fā)展。本文提出一種嵌入式人臉識別系統(tǒng)，同時構(gòu)建系統(tǒng)對應(yīng)的硬件平臺和軟件開發(fā)環(huán)境。對人臉識別軟件功能和性能進行了測試，使用AdaBoost算法進行人臉檢測，將二維小波變換法與PCA 降維算法相結(jié)合，以提取圖像中的人臉特征。通過實例測試結(jié)果分析可知，本文提出的嵌入式人臉識別系統(tǒng)能夠滿足實際需求，具有識別率高和檢測速度快等優(yōu)點。