基于谷歌眼鏡的人臉識別系統設計與實現

梁永睿

摘 要：可穿戴技術的飛速發展為生活帶來了極大便利，本研究致力于將人臉識別技術應用于一款可穿戴設備——谷歌眼鏡，以充分發揮其解放雙手的優勢，使得人臉識別可以在不影響其他工作的基礎上隨時隨地地進行。為了實現在谷歌眼鏡上的人臉識別，文中采用GDK原生開發方式，并利用LBP特征的Adaboost分類器進行人臉檢測和Fisher特征的分類器進行人臉識別，從而實現了這一系統的應用。

關鍵詞：人臉識別；谷歌眼鏡；可穿戴技術；增強現實

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2095-1302（2016）06-00-02

0 引 言

基于面部特征的人臉識別技術成為模式識別和人機交互領域的研究熱點。它在智能視覺物聯網、以人為中心的普適計算、公共安全、金融服務和視頻會議系統等眾多領域有著廣泛的應用[1]。

谷歌眼鏡是Google于2012年推出的一款頭戴式智能電子設備， 它以免手持、與智能手機類似的方式顯示各種信息[2]。穿戴者通過自然語言語音指令與互聯網服務聯系溝通。與手機相比，谷歌眼鏡操作更加快速、直觀并且解放了雙手，可讓人們與互聯網時刻互聯[3]。谷歌眼鏡作為增強現實設備，其使用的小屏幕可以在眼前的真實世界上疊加信息，實現信息世界與真實世界的無縫連接，從而形成增強現實的場景[4]。而這一巨變將引發一場新的、深刻的信息技術革命。谷歌眼鏡鮮明的優勢為人臉識別帶來很大方便，相關人員不需要安置專用的識別機器，或是占用雙手來進行操作[5]。

基于谷歌眼鏡的人臉識別系統將人臉識別技術在保證性能的基礎上，以更貼合嵌入式設備的方式在谷歌眼鏡上實現，谷歌眼鏡作為可穿戴設備解放了雙手，使人臉識別的應用場景得到了極大擴展，可在不影響本身工作的基礎上進行身份識別驗證等功能[6-8]。

1 系統結構設計

本系統的結構圖如圖1所示。完整的人臉識別需要經過圖像獲取、圖像預處理、人臉檢測器檢測、人臉識別器識別以及最后的結果顯示幾個過程。其中，人臉檢測器和人臉識別器需提前訓練獲得，系統在使用過程中可通過特定身份的人臉圖像進一步訓練完善人臉檢測器。

人臉檢測器的訓練過程如下：選取一定數量的人臉和非人臉圖像，首先進行縮放、直方圖均衡等預處理步驟，通過LBP特征提取得到弱分類器，通過Adaboost循環訓練獲得最終的強分類器。

人臉識別器的訓練過程與人臉檢測器的訓練過程類似，首先是對人臉圖像的預處理，包括幾何變換、剪裁、直方圖均衡、平滑、橢圓掩碼等步驟，接著利用Fisher特征對圖像信息進行降維處理，計算出最佳分類器，進而得到最終的人臉識別器。

2 人臉識別技術

2.1 人臉預處理

人臉預處理后把圖像的外界影響因素盡量降低，如光照，角度等[9]，人臉預處理各步驟的結果如圖2所示，主要涉及的操作有以下內容：

（1）幾何變換、剪裁：縮放、旋轉和平移圖像，使眼睛對齊，刪除額頭、下巴、耳朵和背景；

（2）直方圖均衡：標準化左右兩側的亮度和對比度；

（3）平滑：使用雙邊濾波器減少噪聲；

（4）橢圓掩碼：去掉一些剩余頭發和人臉圖像背景。

2.2 人臉檢測

人臉檢測器的主要訓練過程如下：

（1）選定正負樣本，提取其LBP特征，并用直方圖表示，LBP算子如圖3所示。

LBP相較于haar等其他特征運算速度更快，便于在嵌入式等平臺運行。LBP（Local Binary Pattern， 局部二值模式）用來提取圖像的局部紋理特征，計算方式如下：

P為鄰域等距分布P個點，gc為中心像素點灰度值，gp為鄰域像素點灰度值。

（2）訓練多個弱分類器，為每個LBP特征都訓練一個弱分類器。

（3）利用Adaboost分類器訓練得到最終的強分類器：循環多次進行人臉分類判斷，更新權值，提取出錯誤率最小的弱分類器，并用這些弱分類器組成強分類器。用多個上述得到的強分類器組成級聯分類器，即最終的強分類器。

具體計算過程分為如下幾步：

（1）初始化每個樣本的權值ωi= 1 / N， i = 1，2，…，N。

（2）對每個樣本利用弱分類器的學習算法訓練弱分類器ft （x）∈{-1，1}，并計算錯誤率εt=Eω [I（y≠ft（x））]和加權系數αt=log[（1-εt）/εt]。

（3）更新權值ωi←ωiexp[αt.I（ft（xi）≠yi）]，并重新歸一化，使得∑iωi=1。

（4）輸出分類器F（x）=sgn[∑Tt=1αtft（x） ]。

檢測器通過大量的人臉和非人臉圖片進行訓練，存在XML文件中。在得到每個像素的LBP編碼描述后，采用統計直方圖方法可得到圖像的LBP直方圖描述。

2.3 人臉識別

Fisher是典型的分類技術，在降維之后的空間中，樣本的類內間距變小，而類間間距變大，使得空間能實現最大限度的分離。Fisher是一種基于LDA（Linear Discriminant Analysis，線性判別分析）的將映射到低維空間的降維方法。

Fisher最佳投影平面求取方法如下[10]：

其中，Sω為類內散度矩陣，Sb為類間散度矩陣，||x||2代表x的歐氏距離，是第c 類數據的均值向量，是所有訓練數據的均值向量。

得到最佳投影平面后，判斷某人臉和數據庫內人臉相似的方法如下：將此人臉在前k個最大特征值的特征向量上做投影，得到k維的列向量或者行向量，將其和已有的投影求得歐式距離，根據閾值來判斷是否匹配。

3 人臉識別系統實現