劉彥隆，趙福梅，郭建軍

(太原理工大學通信與嵌入式實驗室，山西太原030024)

自從十九世紀以來，世界各國的很多學者就慢慢加入了對人臉識別技術的研究隊伍，學者們通過建立模型來研究人臉的面部特征［1］，但是在這期間人臉識別技術研究進展比較緩慢。隨著上世紀九十年代計算機技術的快速發(fā)展，人臉識別技術才最終取得了本質上的技術突破。在嵌入式門禁系統(tǒng)中，作為生物識別技術的人臉識別技術是最為直觀可靠的一種方法，此方法安全、可靠、便于推廣。高性能的OMAP-L13微處理器和嵌入式人臉識別算法的結合，符合應用系統(tǒng)對功能、可靠性、成本、體積的嚴格要求，對于節(jié)約成本，提高穩(wěn)定性有極大的作用［2］。

利用Gabor特征進行人臉識別的技術已經相對比較成熟，而嵌入式Linux系統(tǒng)以其自身的獨特優(yōu)勢，已經成為了開發(fā)嵌入式人臉識別系統(tǒng)的良好平臺，近年來對嵌入式平臺上的人臉識別算法的研究也越來越多。本文將討論在嵌入式平臺上，基于標準的ORL人臉庫，從而很好地實現人臉識別算法。

1 人臉檢測及識別算法的研究

1.1 改進的Adaboost人臉檢測算法

傳統(tǒng)的Adaboost算法的計算量很大，不適合在資源有限的嵌入式平臺上使用，本文對Adaboost人臉檢測算法進行了改進，一定程度上降低了算法的復雜度［3］。本文只使用了Haar-like中最基本的4種結構，具體如圖1所示，而且去掉了邊緣特征。

圖1 4種簡單的類Haar特征結構

本文只選用了4 000多個弱特征進行訓練，很大程度上降低了訓練時間。樣本的訓練過程如下:

1)強分類器訓練的過程必須使每一級強分類器命中正樣本率要高于99.0%。

2)輸入所選功能設置的各功能進行分類的訓練樣本庫。在進行每次迭代時，根據樣品權重以及權重分布的弱分類器的判斷結果，選擇一個錯誤率最小的弱分類器為本次迭代中的弱分類器h(n)。這樣每個訓練樣本的權重值是更新后的誤碼率，從而使下一次迭代會更加重視被錯分的樣本。這樣經過M次迭代后，就可以將產生的M個弱分類器組成一個具有較強分類能力的強分類器。

3)強分類器串聯(lián)連接以后就構成了一個級聯(lián)分類器。在級聯(lián)分類器中，將由較重要特征構成的分類器放在整個分類器的前端。這樣可以大大提高分類器的效率。

應遵循級聯(lián)分類器的原則，即將更重要的功能組成結構放在相對簡單的強分類的前方。比如生成一個8級，共包含102個強分類器的級聯(lián)分類器，需要將較強分類器放在前端。第一類分類，可以快速排除檢測出60%的非人臉的子圖像。應遵循級聯(lián)分類器的原則，即將更重要的功能組成結構放在相對簡單的強分類的前方。比如生成一個8級，共包含102個強分類器的級聯(lián)分類器，需要將較強分類器放在前端。第一類分類，可以快速排除檢測出60%的非人臉的子圖像。

1.2 優(yōu)化檢測窗口

因為在訓練過程中所使用的人臉都是正面采集的，所以本論文涉及的級聯(lián)分類器主要適用于門禁系統(tǒng)的人臉識別。在實際的檢測過程中，一方面，對待檢測窗口尺度處理通過使用雙線性內插法，實現門禁窗口的效果;另一方面，考慮到邊緣一般不包含人臉，很少出現面部檢測窗口的最低值為20×20的情況。本文對這一部分做出了優(yōu)化，并取得了良好的效果。

2 基于Gabor的人臉識別算法

首先，根據人臉圖像的特征選擇Gabor濾波器的參數，然后進行Gabor小波變換［4］。之后采用兩步降維法減少特征的維數。

2.1 Gabor濾波器的設計

Gabor濾波器可以定義如下

式中:I(x，y)為輸入圖像;ψu，v(x，y)為 Gabor核函數。

2.2 對特征降維

這里設投影矩陣為W，要求投影，類間散布越大越好，而且要保證盡可能少的類內散布。所以Fisher準則函數的定義如

其中樣本類之間的離散度矩陣為

樣本，類內離散度矩陣為

那么，最優(yōu)的投影矩陣定義為

3 基于OMAP-L138的硬件系統(tǒng)設計

3.1 OMAP-L138 處理器性

OMAP-L138處理器是TI公司一塊高性能DSP+ARM的雙核處理器［5］，具有處理速度快、擴展性好的特點。其中最大的特點是支持浮點數運算，可以很好地滿足Adaboost人臉檢測算法對硬件平臺的要求。OMAP-L138是一款高性能的處理器，能夠很好地完成滿足人臉識別對硬件平臺的要求，可以保證整個系統(tǒng)的實時性。

3.2 硬件系統(tǒng)設計

在基于人臉識別的嵌入式門禁系統(tǒng)中，硬件平臺的搭建尤為重要，是一個系統(tǒng)實現穩(wěn)定高效運行的基礎。系統(tǒng)包括重力傳感模塊、人臉采集模塊、Hi3515中心處理模塊、門禁控制模塊，如圖2所示。

圖2 硬件系統(tǒng)框架設計

以OMAP-L138微處理器為核心的基于人臉識別的嵌入式門禁系統(tǒng)的硬件工作流程如下:當OMAP-L138處理器檢測到有人臉輸入時，處理器會進入全速運行模式，對采集到的人臉進行特征提取并與存儲的人臉庫進行對比，如果識別成功將門禁系統(tǒng)發(fā)送開門指示，這樣門會打開，如果識別不成功，門禁系統(tǒng)不會做出反應。

3.3 實驗結果

標準的ORL人臉庫，其中包括40人，共400張人臉圖像。此ORL人臉庫，其模式變化稀少，是標準的人臉庫。在ORL人臉庫實驗中，可以選取出每個人的4～6個人臉圖像當作訓練樣本，其余的用作測試樣本，分別隨機地抽取出訓練樣本之外的剩余的 40，80，120，160，200個測試樣本加以測試。試驗中通過對同一測試樣本在不同的投影維數下加以測試，其測試結果如圖3所示。

圖3 不同維數下的人臉識別率

此嵌入式人臉識別器與基于PC機(Intel Core 2 Duo E4600)的人臉識別系統(tǒng)逐一進行了對比，各項參數的比較結果如表1所示。

表1 PC機系統(tǒng)與嵌入式系統(tǒng)的參數對比表

通過表1的各項參數的對比，可以看出此嵌入式人臉識別器的設計在性能方面已經很接近PC機系統(tǒng)的人臉識別，能夠很好地滿足實時性的要求。

4 結束語

基于Gabor算法的人臉識別在OMAP-L138嵌入式門禁系統(tǒng)中達到了較高的識別率。本文設計的嵌入式人臉識別門禁系統(tǒng)安全可靠、實時性好，并同時具有很高的商業(yè)價值。然而，本系統(tǒng)的性能與基于PC機的門禁系統(tǒng)還有一定的差距，所以在整個系統(tǒng)的穩(wěn)定性和響應效率上還有待進一步提高。

［1］周激流，張嘩.人臉識別理論研究進展［J］.計算機輔助設計與圖形學學報，1999，11(2):180-184.

［2］GALTON S.Personal identification and subscription-I［J］.Nature，2006，1888(21):173-177.

［3］LAND E.An alternative technique for the computation of the designator in the Retinex theory of color vision［J］.National Academy of Sciences，1986，83(10):3078-3080.

［4］莊德文，周德龍，王憲保.基于Gabor變換的每類單個訓練樣本人臉識別研究［J］.計算機應用研究，2009，26(6)，2379-2382.

［5］劉耀庭.基于ARM9的人臉識別門禁系統(tǒng)設計［D］.南京:南京航空航天大學，2011.