基于人工智能技術的高光譜人臉自動化識別系統設計

張紹龍

（西安職業技術學院 大數據應用學院，西安 710077）

因人臉具有較好的穩定性以及無需配合性，使得人臉識別在刑事案件偵破以及門禁系統等多種領域得到了廣泛應用[1-3]。但與此同時，人臉圖像極易受到光照以及角度等多種因素影響的特性，也使人臉識別工作面臨非常大的挑戰[4-5]。能否研究一種合適的人臉識別方法或是設計一種能夠較好完成人臉識別工作的系統，已逐漸成為人臉識別技術能否在多種領域得到良好運用的關鍵。

文獻[6]提出引入感知模型的改進孿生卷積神經網絡人臉自動化識別方法；文獻[7]提出基于facenet皮爾森判別網絡的人臉自動化識別方法。前者充分利用孿生卷積神經網絡可有效降低噪聲干擾以及防止過渡擬合的特性；后者在facenet 前端對多任務級聯卷積神經網絡實施有效融合操作，將皮爾森相關系數判別模塊放入其中，完成目標人臉深度性質特征的有效判別。二者均可實現人臉自動化識別，但是均是通過采集目標人臉的RGB 圖像，完成相應的人臉識別工作，識別效果并不理想。

為此，本文設計基于人工智能技術的高光譜人臉自動識別系統，更好滿足實際工作需要。

1 高光譜人臉自動識別系統設計

1.1 人工智能技術高光譜人臉自動識別系統架構

本文設計一種基于人工智能技術的嵌入式高光譜人臉自動識別系統，設計出高光譜人臉自動識別系統架構。基于Hi3531 處理器對系統架構實施合理設計，因Hi3531 處理器對數據的處理頻率最高可達930 MHz，故其可保障高光譜人臉自動識別系統在人臉識別方面的整體性能，也能更好滿足人臉自動識別系統在實時性方面的需求。在實際的工作中，用戶通過人機交互模塊發出相應指令，令圖像采集與圖像處理模塊打開，采集與預處理高光譜人臉圖像，并將所獲高光譜人臉圖像放入RAM 存儲器，之后由人臉檢測模塊調用預處理后的高光譜人臉圖像數據完成人臉檢測工作，人臉檢測工作完成后，由人臉特征提取與識別模塊執行高光譜圖像人臉特征提取操作，并完成人臉識別。

1.2 人工智能技術高光譜人臉自動識別系統硬件設計

1.2.1 Hi3531 處理器設計

在實際的工作中，因Hi3531 處理器具有較好的數據處理性能，常被應用于各種人臉識別系統中[8-9]。本文為能收獲更為理想的高光譜人臉自動識別效果，同樣將其應用于本文系統中，并對其芯片結構實施了合理設計。

Hi3531 處理器將具有超高數據處理性能的ARM芯片當作其內核，最高數據處理頻率可達930 MHz，可在多種軟件或者嵌入類型系統當中穩定順暢運行，其擁有性能優良的DDR3 SDRAM 存儲性質控制器，存儲空間較大，可與多個圖像編碼器完美契合。

1.2.2 千兆以太網模塊設計

千兆以太網不僅具有優良的數據傳輸性能，同時還可以較好實現電氣隔離，因而在數據傳輸工作方面較具優勢[10]。在本文中，基于Zynq-7000 芯片對千兆以太網模塊實施合理設計。上行高光譜人臉圖像數據在經RAM 隨機存儲器實施合理緩存后，以PS-PL 接口為可靠連接媒介，傳輸到ARM 處理器執行打包處理操作，處理完畢使用UDP 協議經AR8035芯片以及網口傳輸至計算機；下行的命令字由網口傳輸至ARM 處理器執行打包處理操作，打包處理工作完成后，同樣以PS-PL 接口為可靠連接媒介，傳輸至RAM 隨機存儲器實施有效緩存，并向下傳送。

1.3 人工智能技術高光譜人臉自動識別系統軟件設計

1.3.1 高光譜人臉圖像采集與預處理

在本文系統中，高光譜人臉圖像的采集是通過在圖像采集模塊使用帶有USB 接口的高光譜攝像頭實現的。本文對高光譜人臉圖像的預處理工作主要從圖像去噪以及對比度增強兩個方面著手，旨在提高所獲高光譜人臉圖像的清晰度。

具體的高光譜人臉圖像去噪流程如下：

（1）使用窗口規格為3×3 的中值濾波對采集到的高光譜人臉圖像執行中值濾波處理操作。

（2）利用conf4 小波基對通過步驟（1）獲得的高光譜人臉圖像執行分解層數為3 的小波分解操作，并將分解操作后收獲的尺度以及小波系數作為主要構成，構建系數向量H。

（3）對H 執行閾值化處理操作，在本文中閾值函數選用的是軟閾值函數，用公式可將軟閾值函數描述為

式中：通用閾值用λ 標記；閾值化處理后的H 用H′標記。

（4）利用通過步驟（3）獲得的新系數向量，執行小波重構操作，完成高光譜人臉圖像去噪。

對高光譜人臉圖像對比度的增強主要是對其存在的高頻部分實施對比度增強，在本文中挑選原高光譜人臉圖像所擁有像素的3×3 區域，實施局部對比度增強，具體是由圖像預處理模塊使用局部統計法實現的，可將增強過程描述為

式中：輸入以及輸出高光譜人臉圖像高頻部分的亮度值分別用h（i，j）、f（i，j）標記；增益系數以及鄰域平均值用g、h′（i，j）標記。g 通常取值不能過小，若取值過小極其容易造成圖像模糊，改變圖像增強操作的初衷，結合以往經驗，通常應使g 滿足g∈［0.75，1.05］。

1.3.2 人臉區域檢測與提取流程

在本文中對人臉的檢測，是通過加載Haar 人臉分類器實現的，具體的人臉檢測流程如圖1 所示。

圖1 人臉區域檢測與提取流程Fig.1 Face region detection and extraction flow chart

1.3.3 人臉特征提取與識別

本文在人臉特征提取與識別模塊應用LBP 算法對經人臉檢測操作提取的人臉區域執行LBP 特征提取操作，具體的特征提取過程如下：

（1）對人臉區域圖像執行有效的平均劃分操作，將其劃分成規格為16×16，數量為256 的小塊區域；

（2）框選出一個規格為3×3 的窗口，將該窗口所擁有中心像素產生的灰度值與其周圍8 個像素產生的灰度值，執行合理的比較操作。若周圍像素產生灰度值低于框選窗口中心像素產生的灰度值，那么用0 表示該像素，反之用1 表示；

（3）通過執行步驟（1）與步驟（2）操作獲取到的數列為二進制形式的數列，對所獲二進制形式數列執行十進制轉化操作，并對各小塊區域內各數字出現的頻率實施合理統計。

本文在完成上述圖像特征提取操作后，在人臉特征提取與識別模塊搭建以1 個輸入層、2 個卷積層、2 個采樣層、1 個全連接層以及1 個輸出層為主要構成的LeNet-5 卷積神經網絡人臉識別模型，完成高光譜人臉自動化識別工作。

為有效防止模型訓練時繼續出現梯度消失狀況，本文提出對數修正線性單元函數，并將其當作激活函數代替Sigmoid 函數使用，可將其描述為

使用新的激活函數，經過執行不斷的模型訓練操作，便可收獲較為理想的高光譜人臉自動識別結果。

2 實驗與分析

為驗證本文系統在高光譜人臉自動化識別工作方面的優勢，在本文實驗中，由工作人員隨機挑選20 名現場測試人員，從該人臉數據庫中隨機選擇800 個高光譜人臉圖像樣本，與現場測試人員高光譜人臉圖像樣本混合在一起，形成本文實驗用高光譜人臉圖像樣本數據庫。

應用本文系統對現場測試者A1～A20 執行高光譜人臉圖像采集與預處理，獲得的部分高光譜圖像采集與預處理結果，如圖2 所示。分析圖2 可知，應用本文系統可有效采集與預處理高光譜人臉圖像，并且無論是在拍攝光線較為明亮的狀況下，還是較為灰暗的情況下，都能夠將所采高光譜圖像處理成視覺效果較為舒適的高光譜圖像，為高光譜人臉自動化識別工作提供可靠數據支撐。

圖2 高光譜人臉圖像采集與預處理理效果Fig.2 Effect of hyperspectral face image acquisition and preprocessing

以預處理后的現場測試者圖像A1 為例，應用本文系統對其執行高光譜人臉圖像檢測、特征提取與識別操作，獲得的高光譜人臉圖像檢測以及特征提取與識別效果，如圖3 和圖4 所示。可以看出，應用本文系統可以完成高光譜人臉圖像檢測操作，從圖像中獲取到目標人臉區域。本文系統不僅可以有效提取目標人臉區域的LBP 特征，且特征提取效果較好。

圖3 高光譜人臉圖像人臉區域檢測效果Fig.3 Effect of facial region detection in hyperspectral facial images

圖4 人臉區域特征提取與識別效果Fig.4 Effect of facial feature extraction and recognition

應用本文系統對預處理后的A1 圖像實施有效的人臉自動化識別，獲得的人臉自動化識別系統軟件運行界面，如圖5 所示。分析圖5 可知，卷積神經網絡人臉識別模型具有較快的訓練速度，只需約8 s的時間便可達到收斂狀態，完成相應的模型訓練工作，且損失函數值近乎為0。

圖5 人臉圖像自動化識別系統軟件運行界面Fig.5 Software operation interface of automatic face image recognition system

3 結語

應用本文系統可實現高光譜人臉自動識別，并且人臉自動化識別效果較好，其在人臉自動化識別工作方面的優勢主要體現在應用本文系統可以有效預處理采集到的高光譜人臉圖像，不僅能夠將圖像中含有的噪聲點全部去除，還能夠將圖像對比度增強到人眼舒適范圍內，預處理后的高光譜人臉圖像較為清晰，明暗適中。