人臉識別算法在OMAP-L138平臺上的研究與實現

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，符合應用系統對功能、可靠性、成本、體積的嚴格要求，對于節約成本，提高穩定性有極大的作用［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系統以其自身的獨特優勢，已經成為了開發嵌入式人臉識別系統的良好平臺，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)強分類器串聯連接以后就構成了一個級聯分類器。在級聯分類器中，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分類器主要適用于門禁系統的人臉識別。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，最優的投影矩陣定義為

3 基于OMAP-L138的硬件系統設計

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，可以保證整個系統的實時性。

3.2 硬件系統設計

在基于人臉識別的嵌入式門禁系統中，硬件平臺的搭建尤為重要，是一個系統實現穩定高效運行的基礎。系統包括重力傳感模塊、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發送開門指示，這樣門會打開，如果識別不成功，門禁系統不會做出反應。

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機系統與嵌入式系統的參數對比表

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安全可靠、實時性好，并同時具有很高的商業價值。然而，本系統的性能與基于PC機的門禁系統還有一定的差距，所以在整個系統的穩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設計［D］.南京:南京航空航天大學，2011.