(西安科技大學(xué)通信與信息工程學(xué)院，西安710054)

(西安科技大學(xué)通信與信息工程學(xué)院，西安710054)

由于通用RU-LBP和PCA結(jié)合的人臉識(shí)別算法得到的子空間內(nèi)各類之間距離不均衡導(dǎo)致人臉識(shí)別低，提出一種嶺回歸人臉識(shí)別方法。通過使用RU-LBP和PCA進(jìn)行人臉特征提取，然后對(duì)這些特征使用嶺回歸算法進(jìn)行識(shí)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(biāo)準(zhǔn)的人臉庫上的實(shí)驗(yàn)結(jié)果表明，該算法能夠顯著改進(jìn)人臉識(shí)別率。

嵌入式ARM;人臉識(shí)別;Adaboost;RU-LBP;PCA;嶺回歸

隨著安全監(jiān)控意識(shí)的不斷提高，平時(shí)所忽略的安全隱患也日趨嚴(yán)重。如何高效、方便地進(jìn)行身份驗(yàn)證和識(shí)別，已經(jīng)成為人們?nèi)找骊P(guān)注的問題。人臉識(shí)別作為身份驗(yàn)證的一種有效方式，已成為模式識(shí)別領(lǐng)域研究的熱點(diǎn)問題。

人臉識(shí)別可基于傳統(tǒng)的用于信號(hào)處理的DSP，但這不利于人機(jī)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(jī)交互方面具有很大的優(yōu)勢(shì)，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(jìn)行圖像處理也越來越能夠滿足實(shí)時(shí)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(jìn)行圖像采集和預(yù)處理，用Adaboost算法進(jìn)行人臉檢測(cè)，在通過RU-LBP(旋轉(zhuǎn)模式和統(tǒng)一模式相結(jié)合的LBP算子)進(jìn)行人臉特征提取的基礎(chǔ)上，經(jīng)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(jìn)行識(shí)別［1-2］。最終實(shí)現(xiàn)了一個(gè)具有友好人機(jī)交互界面的嵌入式人臉識(shí)別系統(tǒng)，具有良好的實(shí)時(shí)性和識(shí)別率。

1 嵌入式硬件選擇與系統(tǒng)架構(gòu)

由于嵌入式人臉識(shí)別系統(tǒng)運(yùn)算量很大，對(duì)實(shí)時(shí)性要求高，對(duì)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(shí)現(xiàn)平臺(tái)，處理器運(yùn)行主頻高達(dá)1 GHz，同時(shí)加入了用于多媒體和信號(hào)處理的NEONTM技術(shù)，以及內(nèi)部集成的PowerVRSGX540高性能圖形引擎，很適合在圖像處理方面的應(yīng)用。

本文需要進(jìn)行初始化工作:LCD顯示驅(qū)動(dòng)、USB攝像頭驅(qū)動(dòng)和USB Host驅(qū)動(dòng)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(shù)，其整體結(jié)構(gòu)如圖1所示［7］。

圖1 系統(tǒng)架構(gòu)

2 軟件模塊的設(shè)計(jì)與開發(fā)

2.1 圖像采集和預(yù)處理

V4L2(Video for Linux2)是Linux系統(tǒng)下處理視頻采集設(shè)備的標(biāo)準(zhǔn)接口［5］。它為Linux下的視頻驅(qū)動(dòng)提供了統(tǒng)一的接口，使得應(yīng)用程序可以使用統(tǒng)一的API函數(shù)操作不同的視頻設(shè)備，極大地簡化了視頻系統(tǒng)的開發(fā)和維護(hù)。

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(shè)備文件后，首先取得設(shè)備的capability，查看設(shè)備的功能，比如視頻輸入、音頻輸入輸出等。然后設(shè)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(qū)動(dòng)申請(qǐng)幀緩沖(一般不超過5個(gè))，將申請(qǐng)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(fù)拷貝幀緩存的內(nèi)容，從而提高視頻采集效率。之后將申請(qǐng)到的幀緩沖全部入隊(duì)列，開始視頻的采集。采集完成后，出隊(duì)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(duì)列尾，這樣可以循環(huán)采集。采集結(jié)束后停止采集，關(guān)閉視頻設(shè)備。

輸入的視頻圖像往往會(huì)受到噪聲，外界光照強(qiáng)弱等因素的影響，因而在進(jìn)行人臉檢測(cè)之前，需要對(duì)視頻圖像進(jìn)行相應(yīng)的預(yù)處理操作，包括中值濾波、直方圖均值化等。

2.2 人臉檢測(cè)

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

圖3 特征矩形

Adaboost訓(xùn)練算法的基本思想是由弱分類器構(gòu)建強(qiáng)分類器。給定n個(gè)訓(xùn)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(duì)每個(gè)特征訓(xùn)練一個(gè)弱分類器，所有特征的弱分類器的加權(quán)錯(cuò)誤率為:

最佳錯(cuò)誤率對(duì)應(yīng)的即為最佳弱分類器，其錯(cuò)誤率為:

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

2.3 人臉特征定位

在人臉準(zhǔn)確檢測(cè)的基礎(chǔ)上，要達(dá)到高的識(shí)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(duì)光照變化的不敏感性以及計(jì)算簡易和快速等特點(diǎn)，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(diǎn)的灰度值設(shè)為閾值，用其圓形鄰域內(nèi)的像素點(diǎn)與之作比較得到的二進(jìn)制碼來表述局部紋理特征。它計(jì)算簡單，分類能力強(qiáng)，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(zhuǎn)不變LBP可以使得圖像具有旋轉(zhuǎn)不變性，統(tǒng)一模式LBP可以解決旋轉(zhuǎn)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(gè)小矩形區(qū)域，對(duì)各個(gè)區(qū)域分別應(yīng)用旋轉(zhuǎn)不變和統(tǒng)一模式相結(jié)合的算子，并最終得到4×4個(gè)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(gè)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(shí)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(jìn)行識(shí)別，運(yùn)算量會(huì)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(dá)到降維目的，提高運(yùn)算速度。它主要包括以下兩個(gè)步驟:

(1)求出訓(xùn)練樣本集的總體散布矩陣 Si=，其中N為樣本個(gè)數(shù);Xi為第i人臉特征向量為訓(xùn)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(gè)特征值，然后把人臉特征向量向這些特征值對(duì)應(yīng)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(shí)別

對(duì)靜態(tài)圖像人臉識(shí)別系統(tǒng)，上述方法已經(jīng)能夠得到較好的識(shí)別率。但是，對(duì)動(dòng)態(tài)視頻圖像的人臉識(shí)別系統(tǒng)，上述方法得到的識(shí)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(nèi)各類之間距離不均衡導(dǎo)致的，某些類之間的類間距遠(yuǎn)小于其他某些類之間的類間距，這樣導(dǎo)致分類器在區(qū)分這些類間距相對(duì)較小的類時(shí)，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(diǎn)作為離散的點(diǎn)具有最高程度上的對(duì)稱性，選取這樣的一些點(diǎn)作為標(biāo)記不同類訓(xùn)練人臉(樣本)的標(biāo)簽，并使用嶺回歸算法將這些訓(xùn)練人臉映射到一個(gè)人臉子空間，使得每個(gè)樣本的映射結(jié)果與標(biāo)記該樣本的頂點(diǎn)的距離最小。對(duì)于一個(gè)新的人臉(待識(shí)別人臉)，將其映射到這個(gè)人臉子空間中，并與這些標(biāo)簽向量進(jìn)行比較，最終得到識(shí)別結(jié)果。算法主要步驟如下:

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

設(shè)人臉分類問題中總共有n個(gè)訓(xùn)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(biāo)記xi的維度相對(duì)較小的r維向量?；诙嘣獦?biāo)注嶺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(guān)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(duì)角線上元素之和。對(duì)式(4)求導(dǎo)，并令其為零可得:

對(duì)于待識(shí)別的人臉x，在子空間中的投影值為WTx，計(jì)算WTx與每類人臉標(biāo)注向量之間的距離，最近距離所對(duì)應(yīng)的那類人臉，即為x所屬類別。

下面給出每類人臉的標(biāo)注向量(兩兩等距)的選取方法。

對(duì)于m類訓(xùn)練人臉。在 m-1維歐式空間Rm-1中構(gòu)造出m個(gè)兩兩等距的點(diǎn)，這m個(gè)點(diǎn)可以在平移、旋轉(zhuǎn)等變換下保持等距。

記這m個(gè)點(diǎn)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(gòu)造:

對(duì)于k=2，3，…，m-1計(jì)算:

嶺回歸人臉識(shí)別算法的過程可以總結(jié)如下:

(1)根據(jù)式(4)計(jì)算映射矩陣W。

(2)對(duì)于待識(shí)別的人臉x，計(jì)算x在子空間中的映射y=WTx;

(3)計(jì)算m與每類人臉Ti，(i=1，2，…，m)的標(biāo)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(shí)現(xiàn)一個(gè)實(shí)時(shí)人臉識(shí)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(cè)，通過旋轉(zhuǎn)不變和統(tǒng)一模式結(jié)合的LBP算子進(jìn)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(shí)別。系統(tǒng)整體流程圖如圖4所示。

圖4 系統(tǒng)流程圖

3 實(shí)驗(yàn)結(jié)果

本文在MATLAB環(huán)境下，對(duì)FERET人臉庫采用RU-LBP、PCA和嶺回歸相結(jié)合的方法進(jìn)行算法驗(yàn)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(xùn)練集，剩下的作為測(cè)試集，重復(fù)進(jìn)行10次，共獲得10組不同的訓(xùn)練集和測(cè)試集。類似的可以采用4 train、6 train、8 train、10 train的訓(xùn)練集和測(cè)試集。

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

表1 4種算法識(shí)別率對(duì)比

在系統(tǒng)移植時(shí)，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(xùn)練集。在Linux環(huán)境下，以跨平臺(tái)C++應(yīng)用程序開發(fā)框架QT和機(jī)器視覺庫OPENCV為開發(fā)平臺(tái)進(jìn)行算法的移植。最后對(duì)整個(gè)系統(tǒng)性能進(jìn)行測(cè)試，取得了良好的效果。

4 結(jié)語

本文介紹了基于Tiny210的人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)，簡要敘述了嵌入式設(shè)備中圖像采集，人臉檢測(cè)，特征定位等算法的理論基礎(chǔ)，并獨(dú)創(chuàng)性地將嶺回歸方法應(yīng)用于嵌入式人臉識(shí)別系統(tǒng)，在MATLAB中進(jìn)行了算法驗(yàn)證，得到較好的識(shí)別結(jié)果。最后，將算法移植到嵌入式ARM中，經(jīng)測(cè)試，系統(tǒng)具有友好的人機(jī)交互界面，識(shí)別效果良好。該系統(tǒng)的研制對(duì)人臉識(shí)別系統(tǒng)的實(shí)用化工作打下了堅(jiān)實(shí)的基礎(chǔ)，具有廣泛的應(yīng)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(qiáng)，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(wǎng)絡(luò)的數(shù)字視頻監(jiān)控系統(tǒng)［J］.武漢大學(xué)學(xué)報(bào)(自然科學(xué)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(shè)計(jì)系統(tǒng)［J］.中國制造業(yè)信息化，2007(10):85-88.

人臉識(shí)別系統(tǒng)在嵌入式ARM上的實(shí)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(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1005－9490(2013)06－0779－05

項(xiàng)目來源:陜西省教育廳科研計(jì)劃項(xiàng)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(xué)教授，研究生導(dǎo)師，主要從事寬帶通信理論與技術(shù)、光信息理論與技術(shù)、光電傳感器領(lǐng)域的研究和物理教學(xué);

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