基于人工智能技术的高光谱人脸自动化识别系统设计

张绍龙

（西安职业技术学院 大数据应用学院，西安 710077）

因人脸具有较好的稳定性以及无需配合性，使得人脸识别在刑事案件侦破以及门禁系统等多种领域得到了广泛应用[1-3]。但与此同时，人脸图像极易受到光照以及角度等多种因素影响的特性，也使人脸识别工作面临非常大的挑战[4-5]。能否研究一种合适的人脸识别方法或是设计一种能够较好完成人脸识别工作的系统，已逐渐成为人脸识别技术能否在多种领域得到良好运用的关键。

文献[6]提出引入感知模型的改进孪生卷积神经网络人脸自动化识别方法；文献[7]提出基于facenet皮尔森判别网络的人脸自动化识别方法。前者充分利用孪生卷积神经网络可有效降低噪声干扰以及防止过渡拟合的特性；后者在facenet 前端对多任务级联卷积神经网络实施有效融合操作，将皮尔森相关系数判别模块放入其中，完成目标人脸深度性质特征的有效判别。二者均可实现人脸自动化识别，但是均是通过采集目标人脸的RGB 图像，完成相应的人脸识别工作，识别效果并不理想。

为此，本文设计基于人工智能技术的高光谱人脸自动识别系统，更好满足实际工作需要。

1 高光谱人脸自动识别系统设计

1.1 人工智能技术高光谱人脸自动识别系统架构

本文设计一种基于人工智能技术的嵌入式高光谱人脸自动识别系统，设计出高光谱人脸自动识别系统架构。基于Hi3531 处理器对系统架构实施合理设计，因Hi3531 处理器对数据的处理频率最高可达930 MHz，故其可保障高光谱人脸自动识别系统在人脸识别方面的整体性能，也能更好满足人脸自动识别系统在实时性方面的需求。在实际的工作中，用户通过人机交互模块发出相应指令，令图像采集与图像处理模块打开，采集与预处理高光谱人脸图像，并将所获高光谱人脸图像放入RAM 存储器，之后由人脸检测模块调用预处理后的高光谱人脸图像数据完成人脸检测工作，人脸检测工作完成后，由人脸特征提取与识别模块执行高光谱图像人脸特征提取操作，并完成人脸识别。

1.2 人工智能技术高光谱人脸自动识别系统硬件设计

1.2.1 Hi3531 处理器设计

在实际的工作中，因Hi3531 处理器具有较好的数据处理性能，常被应用于各种人脸识别系统中[8-9]。本文为能收获更为理想的高光谱人脸自动识别效果，同样将其应用于本文系统中，并对其芯片结构实施了合理设计。

Hi3531 处理器将具有超高数据处理性能的ARM芯片当作其内核，最高数据处理频率可达930 MHz，可在多种软件或者嵌入类型系统当中稳定顺畅运行，其拥有性能优良的DDR3 SDRAM 存储性质控制器，存储空间较大，可与多个图像编码器完美契合。

1.2.2 千兆以太网模块设计

千兆以太网不仅具有优良的数据传输性能，同时还可以较好实现电气隔离，因而在数据传输工作方面较具优势[10]。在本文中，基于Zynq-7000 芯片对千兆以太网模块实施合理设计。上行高光谱人脸图像数据在经RAM 随机存储器实施合理缓存后，以PS-PL 接口为可靠连接媒介，传输到ARM 处理器执行打包处理操作，处理完毕使用UDP 协议经AR8035芯片以及网口传输至计算机；下行的命令字由网口传输至ARM 处理器执行打包处理操作，打包处理工作完成后，同样以PS-PL 接口为可靠连接媒介，传输至RAM 随机存储器实施有效缓存，并向下传送。

1.3 人工智能技术高光谱人脸自动识别系统软件设计

1.3.1 高光谱人脸图像采集与预处理

在本文系统中，高光谱人脸图像的采集是通过在图像采集模块使用带有USB 接口的高光谱摄像头实现的。本文对高光谱人脸图像的预处理工作主要从图像去噪以及对比度增强两个方面着手，旨在提高所获高光谱人脸图像的清晰度。

具体的高光谱人脸图像去噪流程如下：

（1）使用窗口规格为3×3 的中值滤波对采集到的高光谱人脸图像执行中值滤波处理操作。

（2）利用conf4 小波基对通过步骤（1）获得的高光谱人脸图像执行分解层数为3 的小波分解操作，并将分解操作后收获的尺度以及小波系数作为主要构成，构建系数向量H。

（3）对H 执行阈值化处理操作，在本文中阈值函数选用的是软阈值函数，用公式可将软阈值函数描述为

式中：通用阈值用λ 标记；阈值化处理后的H 用H′标记。

（4）利用通过步骤（3）获得的新系数向量，执行小波重构操作，完成高光谱人脸图像去噪。

对高光谱人脸图像对比度的增强主要是对其存在的高频部分实施对比度增强，在本文中挑选原高光谱人脸图像所拥有像素的3×3 区域，实施局部对比度增强，具体是由图像预处理模块使用局部统计法实现的，可将增强过程描述为

式中：输入以及输出高光谱人脸图像高频部分的亮度值分别用h（i，j）、f（i，j）标记；增益系数以及邻域平均值用g、h′（i，j）标记。g 通常取值不能过小，若取值过小极其容易造成图像模糊，改变图像增强操作的初衷，结合以往经验，通常应使g 满足g∈［0.75，1.05］。

1.3.2 人脸区域检测与提取流程

在本文中对人脸的检测，是通过加载Haar 人脸分类器实现的，具体的人脸检测流程如图1 所示。

图1 人脸区域检测与提取流程Fig.1 Face region detection and extraction flow chart

1.3.3 人脸特征提取与识别

本文在人脸特征提取与识别模块应用LBP 算法对经人脸检测操作提取的人脸区域执行LBP 特征提取操作，具体的特征提取过程如下：

（1）对人脸区域图像执行有效的平均划分操作，将其划分成规格为16×16，数量为256 的小块区域；

（2）框选出一个规格为3×3 的窗口，将该窗口所拥有中心像素产生的灰度值与其周围8 个像素产生的灰度值，执行合理的比较操作。若周围像素产生灰度值低于框选窗口中心像素产生的灰度值，那么用0 表示该像素，反之用1 表示；

（3）通过执行步骤（1）与步骤（2）操作获取到的数列为二进制形式的数列，对所获二进制形式数列执行十进制转化操作，并对各小块区域内各数字出现的频率实施合理统计。

本文在完成上述图像特征提取操作后，在人脸特征提取与识别模块搭建以1 个输入层、2 个卷积层、2 个采样层、1 个全连接层以及1 个输出层为主要构成的LeNet-5 卷积神经网络人脸识别模型，完成高光谱人脸自动化识别工作。

为有效防止模型训练时继续出现梯度消失状况，本文提出对数修正线性单元函数，并将其当作激活函数代替Sigmoid 函数使用，可将其描述为

使用新的激活函数，经过执行不断的模型训练操作，便可收获较为理想的高光谱人脸自动识别结果。

2 实验与分析

为验证本文系统在高光谱人脸自动化识别工作方面的优势，在本文实验中，由工作人员随机挑选20 名现场测试人员，从该人脸数据库中随机选择800 个高光谱人脸图像样本，与现场测试人员高光谱人脸图像样本混合在一起，形成本文实验用高光谱人脸图像样本数据库。

应用本文系统对现场测试者A1～A20 执行高光谱人脸图像采集与预处理，获得的部分高光谱图像采集与预处理结果，如图2 所示。分析图2 可知，应用本文系统可有效采集与预处理高光谱人脸图像，并且无论是在拍摄光线较为明亮的状况下，还是较为灰暗的情况下，都能够将所采高光谱图像处理成视觉效果较为舒适的高光谱图像，为高光谱人脸自动化识别工作提供可靠数据支撑。

图2 高光谱人脸图像采集与预处理理效果Fig.2 Effect of hyperspectral face image acquisition and preprocessing

以预处理后的现场测试者图像A1 为例，应用本文系统对其执行高光谱人脸图像检测、特征提取与识别操作，获得的高光谱人脸图像检测以及特征提取与识别效果，如图3 和图4 所示。可以看出，应用本文系统可以完成高光谱人脸图像检测操作，从图像中获取到目标人脸区域。本文系统不仅可以有效提取目标人脸区域的LBP 特征，且特征提取效果较好。

图3 高光谱人脸图像人脸区域检测效果Fig.3 Effect of facial region detection in hyperspectral facial images

图4 人脸区域特征提取与识别效果Fig.4 Effect of facial feature extraction and recognition

应用本文系统对预处理后的A1 图像实施有效的人脸自动化识别，获得的人脸自动化识别系统软件运行界面，如图5 所示。分析图5 可知，卷积神经网络人脸识别模型具有较快的训练速度，只需约8 s的时间便可达到收敛状态，完成相应的模型训练工作，且损失函数值近乎为0。

图5 人脸图像自动化识别系统软件运行界面Fig.5 Software operation interface of automatic face image recognition system

3 结语

应用本文系统可实现高光谱人脸自动识别，并且人脸自动化识别效果较好，其在人脸自动化识别工作方面的优势主要体现在应用本文系统可以有效预处理采集到的高光谱人脸图像，不仅能够将图像中含有的噪声点全部去除，还能够将图像对比度增强到人眼舒适范围内，预处理后的高光谱人脸图像较为清晰，明暗适中。