王志磊,顧梅花,陳文浩

(西安工程大學(xué) 電子信息學(xué)院,陜西 西安 710048)

0 引 言

隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展,信息擴(kuò)散速度爆炸式增長(zhǎng),個(gè)人信息的安全性和私密性逐漸受到重視[1]。與傳統(tǒng)的身份驗(yàn)證方法[2]相比,人臉識(shí)別技術(shù)具有自然性、非接觸性、非強(qiáng)制性和識(shí)別精度高的優(yōu)點(diǎn),得到專(zhuān)家學(xué)者的研究和關(guān)注[3]。傳統(tǒng)的人臉識(shí)別系統(tǒng)大多都是基于PC機(jī)的,無(wú)法滿(mǎn)足日常生活中各個(gè)場(chǎng)景的需要。汽車(chē)兵培訓(xùn)管理系統(tǒng)就是其中的一個(gè)應(yīng)用場(chǎng)景。較于PC機(jī)人臉識(shí)別系統(tǒng)，嵌入式人臉識(shí)別系統(tǒng)具有價(jià)格低廉、占用空間小、擴(kuò)展能力強(qiáng)、響應(yīng)速度快和操作簡(jiǎn)便等優(yōu)點(diǎn)[4-5]，大幅提高汽車(chē)兵管理系統(tǒng)的效率。但是由于傳統(tǒng)的Adaboost人臉檢測(cè)算法存在過(guò)訓(xùn)練的問(wèn)題，導(dǎo)致算法性能的下降。本文提出了一種基于改進(jìn)的Adaboost算法的人臉識(shí)別系統(tǒng)，改進(jìn)的Adaboost算法新的權(quán)重更新規(guī)則可以有效避免算法性能下降，同時(shí)提高檢測(cè)正確率，滿(mǎn)足汽車(chē)兵培訓(xùn)管理系統(tǒng)實(shí)際需求。

1 系統(tǒng)設(shè)計(jì)

1.1 模塊設(shè)計(jì)

系統(tǒng)采用JZ2440開(kāi)發(fā)板,是以S3C2440作為微處理器芯片，ARM920T為內(nèi)核的操作平臺(tái)[6],由存儲(chǔ)器、I/O單元電路、通信模塊、人機(jī)交互模塊、采集模塊和外圍接口組成，系統(tǒng)總體結(jié)構(gòu)由圖1所示。攝像頭采集模塊:通過(guò)預(yù)留的20pin插座連接數(shù)字?jǐn)z像頭,將采集到的圖像畫(huà)面?zhèn)鬏斀o微處理器進(jìn)行數(shù)據(jù)交互;微處理器模塊:整個(gè)系統(tǒng)的處理中樞;存儲(chǔ)模塊:閃存256 M NAND 閃存,內(nèi)存64 M SDRAM;人機(jī)交互模塊:用戶(hù)通過(guò)LCD觸摸屏實(shí)現(xiàn)與系統(tǒng)的人機(jī)交互,使操作簡(jiǎn)便。

圖 1 系統(tǒng)硬件總體框圖Fig.1 General block diagram of system hardware

1.2 嵌入式系統(tǒng)平臺(tái)搭建

系統(tǒng)進(jìn)行嵌入式開(kāi)發(fā)步驟:①主機(jī)選用Ubuntu12.04操作系統(tǒng),配置交叉編譯環(huán)境及移植BootLoader[7],系統(tǒng)中選取U-Boot作為BootLoader的程序,可支持多種操作系統(tǒng)和燒寫(xiě) YAFFS2、JFFS2根文件系統(tǒng),同時(shí)提供了大量的指令集;②在官網(wǎng)下載 Linux 內(nèi)核源碼[8],進(jìn)行裁剪和移植;③選擇YAFFS2作為根文件系統(tǒng),并配置編譯Busybox[9];④移植系統(tǒng)硬件設(shè)備所需的驅(qū)動(dòng)程序,如:USB攝像頭驅(qū)動(dòng)、LCD觸摸屏驅(qū)動(dòng)、串口驅(qū)動(dòng)和Nand 閃存驅(qū)動(dòng)。

1.3 嵌入式應(yīng)用程序開(kāi)發(fā)

人機(jī)交互界面采用Qt Creator進(jìn)行開(kāi)發(fā),QT支持跨平臺(tái)運(yùn)行,開(kāi)發(fā)嵌入式產(chǎn)品時(shí)更加方便高效。從官網(wǎng)下載Qt Creator的Linux版本安裝,搭建ARM版本的編譯環(huán)境[10]。

系統(tǒng)設(shè)計(jì)的人機(jī)交互界面有注冊(cè)、訓(xùn)練和識(shí)別等3個(gè)按鈕。注冊(cè)的信息包括汽車(chē)駕駛員的姓名、編號(hào)和身份圖像,并保存在本地?cái)?shù)據(jù)庫(kù)中[11]。訓(xùn)練是調(diào)取系統(tǒng)數(shù)據(jù)庫(kù)中的所有汽車(chē)駕駛員圖像信息進(jìn)行人臉特征提取。識(shí)別是將訓(xùn)練過(guò)程中提取到的汽車(chē)駕駛員的人臉特征與系統(tǒng)數(shù)據(jù)庫(kù)中的人臉特征進(jìn)行比對(duì),同時(shí)根據(jù)設(shè)定的閾值輸出比對(duì)結(jié)果[12]。

2 人臉檢測(cè)和識(shí)別算法

在汽車(chē)駕駛員駕駛培訓(xùn)中,首先通過(guò)固定在儀表盤(pán)上的攝像頭拍攝學(xué)員照片。接著采用Adaboost人臉檢測(cè)算法提取輸入圖像中的人臉,然后再將人臉信息傳入VIPLFaceNet做人臉特征提取,最后與本地?cái)?shù)據(jù)庫(kù)進(jìn)行比對(duì),顯示對(duì)應(yīng)學(xué)員身份;若本地?cái)?shù)據(jù)庫(kù)中沒(méi)有匹配的,重新進(jìn)行圖像采集進(jìn)行比對(duì)[13]。在重復(fù)3次身份驗(yàn)證后,若在本地?cái)?shù)據(jù)庫(kù)還是沒(méi)有匹配的學(xué)員,退出驗(yàn)證系統(tǒng)并彈出警告窗口通知管理員進(jìn)行處理。系統(tǒng)算法總流程如圖2所示。

圖 2 系統(tǒng)算法總流程Fig.2 System algorithm process

2.1 Adaboost人臉檢測(cè)算法

人臉檢測(cè)[14]是系統(tǒng)中算法的起始步驟,在輸入圖像中找出人臉并進(jìn)行標(biāo)記。系統(tǒng)中的人臉檢測(cè)算法是基于Adaboost算法訓(xùn)練出的級(jí)聯(lián)分類(lèi)器實(shí)現(xiàn)的,Adaboost算法是一種自適應(yīng)的分類(lèi)方法[15],自適應(yīng)性在于前一分類(lèi)器分錯(cuò)的樣本會(huì)被用來(lái)訓(xùn)練下一個(gè)分類(lèi)器[16]。算法的特點(diǎn)是使用“積分圖像”快速計(jì)算Haar-like特征[17],再由Haar特征組成的弱分類(lèi)器組合成強(qiáng)分類(lèi)器,最后將多個(gè)強(qiáng)分類(lèi)器級(jí)聯(lián)形成更強(qiáng)的分類(lèi)器用于人臉檢測(cè)。

但是Adaboost算法容易產(chǎn)生過(guò)訓(xùn)練的問(wèn)題,使得算法性能下降。針對(duì)這個(gè)問(wèn)題,提出以下的改進(jìn)辦法,對(duì)權(quán)值的更新設(shè)定限制條件,在算法每一輪的更新中都設(shè)定一個(gè)閾值Wm。

(1)

em=P(Gm(xi)≠yi)=

(2)

式中：Wm,i是算法在進(jìn)行第m輪迭代運(yùn)算時(shí)的權(quán)重值；Wm是設(shè)定第m輪的閾值,它的大小為本輪訓(xùn)練全部樣本權(quán)重的均值(N為樣本數(shù))。由式(2)可得,Gm(x)在訓(xùn)練集上的誤差em就是被Gm(x)誤分類(lèi)樣本總和。

(3)

(4)

式中：β為基本分類(lèi)器在最終分類(lèi)器中所占的權(quán)重。由式(3)可得,em<1/2時(shí),β>0,β隨著em的減小而增大,分類(lèi)誤差越小的基本分類(lèi)器在最終分類(lèi)的作用越大。從式(4)可知,當(dāng)?shù)\(yùn)算得到的權(quán)重系數(shù)小于本輪設(shè)定的閾值時(shí),下一輪迭代的權(quán)重才會(huì)增加,否則就保持不變。這樣就可以在一定程度上避免因樣本權(quán)重不斷增加而造成算法性能退化的現(xiàn)象。

2.2 深度學(xué)習(xí)的人臉識(shí)別

人臉檢測(cè)算法標(biāo)記出輸入圖像的人臉,人臉識(shí)別過(guò)程就是進(jìn)行特征提取,與本地?cái)?shù)據(jù)庫(kù)中的保存的人臉特征進(jìn)行比對(duì)。通過(guò)計(jì)算輸入圖片和數(shù)據(jù)庫(kù)中的人臉特征的“距離”比較兩者之間的相似度：當(dāng)兩者間的相似度小于設(shè)定的閾值時(shí),則是一個(gè)人；否則，不是一個(gè)人。

系統(tǒng)中選取的人臉識(shí)別算法是卷積神經(jīng)網(wǎng)絡(luò)VIPLFaceNet[18],包含了7個(gè)卷積層和2個(gè)全連接層的DCNN。直接修改于Hinton教授的學(xué)生Alex Krizhevsky在2012年設(shè)計(jì)的AlexNet[19]。與 AlexNet 相比,VIPLFaceNet有6個(gè)主要特點(diǎn):

1) 第一層卷積層的卷積核大小由11×11轉(zhuǎn)化為9×9,降低計(jì)算量;

2) 由于對(duì)初始化參數(shù)的幫助有限,移除了局部響應(yīng)歸一化(LRN)層;

3) 將AlxNet第2層 5×5 的卷積核分解成兩層3×3的卷積核,增加網(wǎng)絡(luò)深度的同時(shí)沒(méi)有增加計(jì)算量;

4) 移除AlxNet的所有分組結(jié)構(gòu),利用異步隨機(jī)梯度下降進(jìn)行并行訓(xùn)練;

5) 減少了每層的特征圖的數(shù)量并且增加一個(gè)卷積層,增加網(wǎng)絡(luò)深度[20];

6) 網(wǎng)絡(luò)結(jié)構(gòu)的末端,全連接層第2層從4 096維降低到2 048維。

3 算法測(cè)試與分析

系統(tǒng)應(yīng)用于汽車(chē)駕駛培訓(xùn)管理,而采集圖像的攝像頭裝置固定在汽車(chē)儀表盤(pán)上,與駕駛員形成一定的夾角,采集的人臉圖像不會(huì)全是正臉,難免存在側(cè)臉。為了驗(yàn)證系統(tǒng)中算法的正確率和識(shí)別率,需要大量的各種形態(tài)的人臉進(jìn)行測(cè)試,但是實(shí)際汽車(chē)駕駛員訓(xùn)練中難以找到大量的人臉圖像保證實(shí)驗(yàn)效果,所以人臉檢測(cè)算法實(shí)驗(yàn)和系統(tǒng)性能測(cè)試實(shí)驗(yàn)采用人臉數(shù)據(jù)庫(kù)進(jìn)行測(cè)試[16]。

3.1 人臉檢測(cè)實(shí)驗(yàn)

實(shí)驗(yàn)中選用CMU_PIE人臉數(shù)據(jù)庫(kù)進(jìn)行檢測(cè)實(shí)驗(yàn)。該數(shù)據(jù)庫(kù)是由卡耐基梅隆大學(xué)在2000年11月所建立，包括來(lái)自68個(gè)人的41 368張照片，其中包括了每個(gè)人的13種姿態(tài)條件，43種光照條件和4種表情下的照片。選取其中的500張照片，實(shí)驗(yàn)結(jié)果對(duì)比如圖3～4所示。

圖 3 Adaboost算法檢測(cè)效果圖Fig.3 Detection result graph of Adaboost algorithm

圖 4 改進(jìn)的Adaboost算法檢測(cè)效果圖Fig.4 Detection effect of improved Adaboost algorithm

圖3中，Adaboost人臉檢測(cè)算法的正確率為68.4%，漏檢率為31.6%；圖4中，改進(jìn)后的Adaboost算法檢測(cè)正確率為75.2%，漏檢率為24.8%。并且2種算法在各個(gè)數(shù)目實(shí)驗(yàn)測(cè)試集的正確率保持平穩(wěn)，說(shuō)明新提出的權(quán)重更新規(guī)則可以有效地抑制 Adaboost算法的過(guò)訓(xùn)練現(xiàn)象，提高了算法的檢測(cè)正確率。而出現(xiàn)漏檢的圖像有共同的特征，即在逆光條件下拍攝，圖像存在嚴(yán)重曝光。

為了進(jìn)一步驗(yàn)證改進(jìn)的Adaboost算法的性能，實(shí)驗(yàn)采用FDDB人臉數(shù)據(jù)庫(kù)，此數(shù)據(jù)庫(kù)包含了2 845張圖像(包含5 171張人臉)，選擇其中的150張照片，對(duì)人臉檢測(cè)算法進(jìn)行測(cè)試。改進(jìn)前的Adaboost算法檢測(cè)效果如圖5所示，改進(jìn)后的Adaboost算法檢測(cè)效果如圖6所示。Adaboost算法和改進(jìn)的Adaboost算法的檢測(cè)正確率分別為80.5%和87.1%，漏檢率分別為19.5%和12.9%。

圖 5 AdaBoost算法檢測(cè)效果圖Fig.5 Detection result graph of Adaboost algorithm

圖 6 改進(jìn)后AdaBoost算法的檢測(cè)效果圖Fig.6 Detection result graph of the improved Adaboost algorithm

改進(jìn)后的Adaboost算法的檢測(cè)正確率高于原Adaboost算法，達(dá)到87.1%，漏檢率低于原Adaboost算法，達(dá)到12.9%。說(shuō)明系統(tǒng)可以從大部分照片中檢測(cè)到人臉，對(duì)于面部表情、人體姿態(tài)和是否佩戴眼鏡沒(méi)有嚴(yán)格的要求，并且對(duì)于一些偏轉(zhuǎn)角度大的人臉和較小臉也有良好的檢測(cè)效果，即改進(jìn)后權(quán)重更新規(guī)則可以有效抑制算法的過(guò)訓(xùn)練現(xiàn)象。實(shí)驗(yàn)表明，改進(jìn)后的Adaboost人臉檢測(cè)算法可以應(yīng)用于汽車(chē)兵培訓(xùn)管理系統(tǒng)。

3.2 系統(tǒng)性能測(cè)試

系統(tǒng)實(shí)現(xiàn)后，接下來(lái)在ARM平臺(tái)上測(cè)試系統(tǒng)的正確率和實(shí)時(shí)率。實(shí)驗(yàn)中采用IMM人臉數(shù)據(jù)庫(kù)，選出左右偏轉(zhuǎn)共計(jì)80張圖像進(jìn)行測(cè)試。測(cè)試結(jié)果中，有78張圖像比對(duì)成功，識(shí)別率為97.5%。同時(shí)有2張照片比對(duì)錯(cuò)誤，則是因?yàn)槿四樀钠D(zhuǎn)角度過(guò)大、表情過(guò)于夸張。

分別采用訓(xùn)練8,30,60張圖像進(jìn)行識(shí)別響應(yīng)時(shí)間的測(cè)試，平均識(shí)別響應(yīng)時(shí)間分別為3.26，5.73,11.5 s?？梢钥闯觯到y(tǒng)的識(shí)別響應(yīng)時(shí)間和訓(xùn)練圖像的數(shù)目有關(guān)，訓(xùn)練的圖像數(shù)目越多，需要的識(shí)別時(shí)間就會(huì)越長(zhǎng)。

采集汽車(chē)駕駛員圖像的攝像頭位于儀表盤(pán)，采集到的人臉圖像不會(huì)存在過(guò)大的偏轉(zhuǎn)角度，駕駛訓(xùn)練中，學(xué)員需要集中精神完成課程，也不宜做出過(guò)于夸張的表情。同時(shí)，在同期參加培訓(xùn)的學(xué)員數(shù)目不會(huì)很大，并且在訓(xùn)練過(guò)程中，不要求識(shí)別的實(shí)時(shí)性。所以，該系統(tǒng)可以應(yīng)用于汽車(chē)駕駛培訓(xùn)管理系統(tǒng)。

4 結(jié) 語(yǔ)

基于ARM9的嵌入式人臉識(shí)別系統(tǒng),經(jīng)大量實(shí)驗(yàn)測(cè)試可以保持較高的識(shí)別率,可以應(yīng)用于汽車(chē)駕駛培訓(xùn)管理中,有效避免了駕駛訓(xùn)練時(shí)虛假身份和虛假學(xué)時(shí)的問(wèn)題,保證訓(xùn)練效果。同時(shí)因?yàn)橄到y(tǒng)的模塊化思想以及系統(tǒng)擴(kuò)展性,可以根據(jù)不同場(chǎng)景的需求在系統(tǒng)上增加更多的模塊,豐富系統(tǒng)的功能,滿(mǎn)足更多更復(fù)雜場(chǎng)景的需求。