基于Android平臺的人臉識別系統設計與實現

劉亮

摘 要 人臉識別是公共安全領域的研究重點。本文首先通過分析比較，采用基于Adaboost的算法檢測人臉，基于LDP的特征臉算法實現特征提取和特征識別。然后選擇OpenCV計算機視覺庫來實現人臉檢測和人臉識別。最后，通過JNI調用本地OpenCV代碼實現Android平臺的人臉識別系統。

【關鍵詞】Android平臺 人臉檢測 人臉識別系統

1 引言

近年來，信息安全越來越受到人們關注，身份驗證和識別技術成為眾人矚目的焦點，生物特征識別技術和人工智能技術不斷更新發展，其中，人臉識別技術因具有并發性、非接觸性、非強制性、操作簡單等特點，被越來越廣泛地運用到各個領域中。Android系統是目前移動設備的主流操作系統之一，在移動操作系統市場份額中占據了主導地位。隨著人們在移動領域信息安全意識的提高，在移動平臺上進行人臉識別具有廣闊的發展前景，同時也面臨諸多挑戰。本文結合Android移動終端的特點，研究基于Android的人臉識別系統的實現，更好地滿足移動領域信息安全方面的市場需求。

2 人臉識別原理

人臉識別技術是一種基于生理特征的識別技術，通過計算機提取人臉特征，并根據這些特征進行身份驗證的一種技術。廣義的人臉識別過程包括人臉圖像采集及預處理、人臉檢測與特征提取和人臉的對比與識別三大部分，其原理如圖1所示。

人臉檢測的算法有很多種，典型的有特征抽取算法、人臉小波檢測、基于模板匹配、神經網絡、支持向量機方法、Adaboost算法等。本文選擇Adaboost算法實現人臉檢測。人臉識別技術包括特征提取和特征識別，實現方法可概括為3類：基于幾何特征方法（歐式距離判別法）、基于模板方法（特征臉方法、神經網絡方法等）和基于模型方法（隱馬爾科夫方法）。本文選擇基于LDP的特征臉算法實現人臉特征提取與特征識別。

3 人臉識別算法

3.1 圖像預處理

現實生活應用人臉檢測與識別系統時，人臉的圖像是在各種隨機的場景下由攝像頭或照相機拍攝的，因此受到光照變化、背景色彩、設備質量以及人臉姿態等因素的影響，需要對其進行預處理，主要包括光照補償、濾波去噪處理和幾何歸一化的處理，經過這些處理，后期操作中將得到較好的識別效果。

首先定位人眼。為了提高定位效率，先確定人眼在人臉圖像中的大概位置，然后基于這個大致的范圍，采用灰度積分投影和灰度差分積分投影相結合的方法精確定位人眼：

M（y）=kphori（y）- Dhori（y）

其中，k為系數，K phori（y）為灰度積分投影，Dhori（y）為灰度差分積分投影。

其次是臉部圖像的幾何變換和剪裁，根據所檢測到的人眼位置，通過圖像旋轉、剪裁、縮放等手段，使得臉部圖像中人眼是對齊的且不包含背景、額頭、耳朵和下巴，并將處理后的臉部圖像縮放到70×70固定大小。

再次是分離直方圖均衡，這個過程能夠使得每一個臉部圖像都具有相同的對比度以及亮度。

最后是圖像平滑，圖像平滑能夠有效地減少圖像的噪聲。

3.2 人臉檢測

自適應增強（adaptive boosting，AdaBoost）是一種需要監督的機器學習算法。特征選取和特征計算決定了AdaBoost算法的運行速度。Viola等人提出了基于Haar特征的AdaBoost人臉檢測算法。本文使用Haar 特征進行特征提取。

基于特征的檢測能對選定區域的狀態進行編碼。矩形特征是對輸入圖像使用矩形進行提取特征。Haar特征是一些由黑白矩形組成的特征，臉部的一些特性可以用矩形特征簡單地描述，矩形特征值是兩個不同的矩形區域像素和之差。如果圖像特征表示眼睛的顏色比臉頰上端的顏色深?？梢杂锰卣髦祦砭幋a特征，特征值定義為：

V=Sum黑-Sum白

其中，Sum黑、Sum白分別表示黑色和白色矩形覆蓋區域的像素和。

使用Viola等人提出的積分圖像的概念，可加快矩形特征的計算速度。進而計算出Haar特征的特征值，定義積分圖中位置（x，y）處的值為待測圖像位置（x，y）處的上方和左側所有像素之和。

S（x，y）=s（x，y?1）+i（x，y）

C（x，y）=c（x?1，y）+s（x，y）

其中，c（x，y）為積分圖在（x，y）點處的值，i（x，y）為原圖像素點（x，y）處的灰度值，s（x，y）表示一行灰度值的累加和。初始時s（x，-1）=0，c（-1，y）=0。

弱分類器對正負樣本分類的準確率應大于 1/2，這樣訓練算法最終收斂。一個弱分類器 h（x，f，p，θ）：其中 1 表示人臉，0 表示非人臉。

計算在每個特征f下的所有樣本特征值，并進行排序。然后掃描一遍排好序的特征值，從而確定特征f的一個最后閾值，最終訓練成一個弱分類器。所有迭代得到的弱分類器，并按照—定的權值疊加起來，得到一個強分類器。將多個強分類器連接起來，得到Adaboost級聯分類器。如圖2所示。

3.3 人臉特征的提取

局部二值模式LBP（Local Binary Patterns）是一種從局部紋理定義中衍生出來的算法，所謂的紋理是圖像分析中常用的鑒別特征，它所含有的信息能夠表征物體表面的變化。由于其優秀的分類特性和計算的簡便性，使得其廣泛的運用于圖像檢索、人臉分析和工業檢測等領域。

Ojala等人提出的LBP算子的模板大小被定義為3x3，以此模板依次掃描圖像中的像素點，將該模板的中心點位置的灰度值與周圍位置的8個灰度值相比較，若鄰域位置的灰度值大于中心位置的灰度值則該鄰域位置標記為l，相反標記為0；將這中心像素點周圍的8個像素點順時針依次連接組成8位二進制數；將該二進制數轉換為十進制數，替代中心像素點位置的像素值。

gc代表中心像素位置的灰度值大小，P為該中心位置周圍鄰域像素點的個數，gi（i=O，l，...，P-1）是周圍第i個像素位置的灰度值。則以（xc，yc）為中心位置的一個局部鄰域的紋理特征可以表示為：

LDP算法結合了LBP的優點，在其基礎上考慮到特征的方向性，能更有效和更為魯棒的描述人臉。與LBP碼相類似，我們需要對得到的卷積結果進行二值化處理，需要選定一個閾值。這里我們對返回的卷積結果的絕對值b0，b1，b2，b3，b4，b5，b6，b7從大到小進行排序，取其中第K個大小的值為閾值，大于該閾值的賦值為1，相反為0。

LDP算子對于存在噪聲和非均勻的光照變化的圖像具有更好的魯棒性。

4 Android平臺人臉識別系統設計

4.1 Android JNI技術

本文所研究的人臉識別算法是由C語言實現，并且調用了Opencv庫，這樣相對于使用Java語言實現有較高的執行效率。Android系統應用層采用的Java語言，但Android系統中也提供了JNI接口使得在Android程序中能方便的調用C語言或其他語言。JNI位于本地庫與Java框架層之間，其結構如圖3所示。

4.2 系統功能模塊

Android平臺上的人臉檢測與識別系統主要由圖像采集模塊、人臉圖像預處理模塊、人臉檢測模塊、人臉注冊模塊和人臉識別模塊等共五個模塊組成。

圖像采集模塊：利用Android平臺攝像頭進行圖像采集，調用Opencv庫，實現調用攝像頭、對拍攝的物體進行自動對焦、連續拍照等功能，快速獲取圖像幀的信息。

人臉圖像預處理模塊：對采集到的圖像幀進行光照補償、濾波去噪處理和幾何歸一化的處理等處理。

人臉檢測模塊：經預處理的圖像采用Adaboost人臉檢測方法獲取人臉，并對裁剪出的人臉圖像進行標記。

人臉注冊模塊：經過訓練后可以輸入姓名，然后可連續錄制十張照片，并按照人臉檢測中的步驟提取出10張人臉照片保存到SD卡中，將人臉姓名和編號按順序寫入faceN.txt文件中。

人臉識別模塊：根據測試者人臉圖像計算人臉LDP特征，得到識別結果。如果測試者的人臉特征在我們設置的閾值的內則，輸出識別人臉的姓名，否則提示人臉庫中無此人，請擺正人臉配合識別。

本文設計并實現了基于Android的人臉識別系統。針對Android平臺的硬件能力有限的特點，開發了一種適用于Android平臺的系統資源消耗較少的人臉識別系統。系統開發過程中主要使用了Adaboost人臉檢測算法和基于LDP特征臉的人臉識別算法，采用OpenCV視覺開源庫在Android平臺上加以實現，目前該入臉識別系統已經達到較高的識別水平，具有很好的實用性和應用前景。

參考文獻

[1]陳會安，李強.Java和Android開發實戰詳解[M].北京：人民郵電出版社，2014.

[2]HUGHES A.Android mobile security：a comprehensive evaluationof its feats and flaws[D].UTICA COI.I.EGE，2015.

[3]趙麗紅，劉紀紅.人臉檢測方法綜述[J].計算機應用研究，2004，21（09）：l-4.

[4]張恒喜，史爭軍.基于SQlJte的Android數據庫編程[J].電腦編程技巧與維護，2011（21）：30-31.

作者單位

酒泉職業技術學院 甘肅省酒泉市 735000