人脸识别算法在OMAP-L138平台上的研究与实现

刘彦隆，赵福梅，郭建军

(太原理工大学通信与嵌入式实验室，山西太原030024)

自从十九世纪以来，世界各国的很多学者就慢慢加入了对人脸识别技术的研究队伍，学者们通过建立模型来研究人脸的面部特征［1］，但是在这期间人脸识别技术研究进展比较缓慢。随着上世纪九十年代计算机技术的快速发展，人脸识别技术才最终取得了本质上的技术突破。在嵌入式门禁系统中，作为生物识别技术的人脸识别技术是最为直观可靠的一种方法，此方法安全、可靠、便于推广。高性能的OMAP-L13微处理器和嵌入式人脸识别算法的结合，符合应用系统对功能、可靠性、成本、体积的严格要求，对于节约成本，提高稳定性有极大的作用［2］。

利用Gabor特征进行人脸识别的技术已经相对比较成熟，而嵌入式Linux系统以其自身的独特优势，已经成为了开发嵌入式人脸识别系统的良好平台，近年来对嵌入式平台上的人脸识别算法的研究也越来越多。本文将讨论在嵌入式平台上，基于标准的ORL人脸库，从而很好地实现人脸识别算法。

1 人脸检测及识别算法的研究

1.1 改进的Adaboost人脸检测算法

传统的Adaboost算法的计算量很大，不适合在资源有限的嵌入式平台上使用，本文对Adaboost人脸检测算法进行了改进，一定程度上降低了算法的复杂度［3］。本文只使用了Haar-like中最基本的4种结构，具体如图1所示，而且去掉了边缘特征。

图1 4种简单的类Haar特征结构

本文只选用了4 000多个弱特征进行训练，很大程度上降低了训练时间。样本的训练过程如下:

1)强分类器训练的过程必须使每一级强分类器命中正样本率要高于99.0%。

2)输入所选功能设置的各功能进行分类的训练样本库。在进行每次迭代时，根据样品权重以及权重分布的弱分类器的判断结果，选择一个错误率最小的弱分类器为本次迭代中的弱分类器h(n)。这样每个训练样本的权重值是更新后的误码率，从而使下一次迭代会更加重视被错分的样本。这样经过M次迭代后，就可以将产生的M个弱分类器组成一个具有较强分类能力的强分类器。

3)强分类器串联连接以后就构成了一个级联分类器。在级联分类器中，将由较重要特征构成的分类器放在整个分类器的前端。这样可以大大提高分类器的效率。

应遵循级联分类器的原则，即将更重要的功能组成结构放在相对简单的强分类的前方。比如生成一个8级，共包含102个强分类器的级联分类器，需要将较强分类器放在前端。第一类分类，可以快速排除检测出60%的非人脸的子图像。应遵循级联分类器的原则，即将更重要的功能组成结构放在相对简单的强分类的前方。比如生成一个8级，共包含102个强分类器的级联分类器，需要将较强分类器放在前端。第一类分类，可以快速排除检测出60%的非人脸的子图像。

1.2 优化检测窗口

因为在训练过程中所使用的人脸都是正面采集的，所以本论文涉及的级联分类器主要适用于门禁系统的人脸识别。在实际的检测过程中，一方面，对待检测窗口尺度处理通过使用双线性内插法，实现门禁窗口的效果;另一方面，考虑到边缘一般不包含人脸，很少出现面部检测窗口的最低值为20×20的情况。本文对这一部分做出了优化，并取得了良好的效果。

2 基于Gabor的人脸识别算法

首先，根据人脸图像的特征选择Gabor滤波器的参数，然后进行Gabor小波变换［4］。之后采用两步降维法减少特征的维数。

2.1 Gabor滤波器的设计

Gabor滤波器可以定义如下

式中:I(x，y)为输入图像;ψu，v(x，y)为 Gabor核函数。

2.2 对特征降维

这里设投影矩阵为W，要求投影，类间散布越大越好，而且要保证尽可能少的类内散布。所以Fisher准则函数的定义如

其中样本类之间的离散度矩阵为

样本，类内离散度矩阵为

那么，最优的投影矩阵定义为

3 基于OMAP-L138的硬件系统设计

3.1 OMAP-L138 处理器性

OMAP-L138处理器是TI公司一块高性能DSP+ARM的双核处理器［5］，具有处理速度快、扩展性好的特点。其中最大的特点是支持浮点数运算，可以很好地满足Adaboost人脸检测算法对硬件平台的要求。OMAP-L138是一款高性能的处理器，能够很好地完成满足人脸识别对硬件平台的要求，可以保证整个系统的实时性。

3.2 硬件系统设计

在基于人脸识别的嵌入式门禁系统中，硬件平台的搭建尤为重要，是一个系统实现稳定高效运行的基础。系统包括重力传感模块、人脸采集模块、Hi3515中心处理模块、门禁控制模块，如图2所示。

图2 硬件系统框架设计

以OMAP-L138微处理器为核心的基于人脸识别的嵌入式门禁系统的硬件工作流程如下:当OMAP-L138处理器检测到有人脸输入时，处理器会进入全速运行模式，对采集到的人脸进行特征提取并与存储的人脸库进行对比，如果识别成功将门禁系统发送开门指示，这样门会打开，如果识别不成功，门禁系统不会做出反应。

3.3 实验结果

标准的ORL人脸库，其中包括40人，共400张人脸图像。此ORL人脸库，其模式变化稀少，是标准的人脸库。在ORL人脸库实验中，可以选取出每个人的4～6个人脸图像当作训练样本，其余的用作测试样本，分别随机地抽取出训练样本之外的剩余的 40，80，120，160，200个测试样本加以测试。试验中通过对同一测试样本在不同的投影维数下加以测试，其测试结果如图3所示。

图3 不同维数下的人脸识别率

此嵌入式人脸识别器与基于PC机(Intel Core 2 Duo E4600)的人脸识别系统逐一进行了对比，各项参数的比较结果如表1所示。

表1 PC机系统与嵌入式系统的参数对比表

通过表1的各项参数的对比，可以看出此嵌入式人脸识别器的设计在性能方面已经很接近PC机系统的人脸识别，能够很好地满足实时性的要求。

4 结束语

基于Gabor算法的人脸识别在OMAP-L138嵌入式门禁系统中达到了较高的识别率。本文设计的嵌入式人脸识别门禁系统安全可靠、实时性好，并同时具有很高的商业价值。然而，本系统的性能与基于PC机的门禁系统还有一定的差距，所以在整个系统的稳定性和响应效率上还有待进一步提高。

［1］周激流，张哗.人脸识别理论研究进展［J］.计算机辅助设计与图形学学报，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］庄德文，周德龙，王宪保.基于Gabor变换的每类单个训练样本人脸识别研究［J］.计算机应用研究，2009，26(6)，2379-2382.

［5］刘耀庭.基于ARM9的人脸识别门禁系统设计［D］.南京:南京航空航天大学，2011.