楊鳴鳴

　　(杭州電子科技大學(xué) 計(jì)算機(jī)學(xué)院,浙江 杭州 310000)

       摘要：該文主要實(shí)現(xiàn)了在嵌入式系統(tǒng)上的人臉識別。采用PCA對圖像數(shù)據(jù)進(jìn)行降維，然后利用最短歐氏距離、支持向量機(jī)(Support Vector Machine,SVM)和BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了分類。在嵌入式系統(tǒng)上，沒有使用QT、OpenCV等占用空間大的工具，而使用自己編寫的C語言，以及Linux內(nèi)核，節(jié)省了空間，并且處理過程中使用了BMP圖片，稍微增加了存儲空間，但是運(yùn)算簡單，處理速度較快。

　　關(guān)鍵詞：PCA；SVM；神經(jīng)網(wǎng)絡(luò)；嵌入式系統(tǒng)；人臉識別

0引言

　　假如汽車上安裝了嵌入式人臉識別系統(tǒng)，通過人臉識別才能啟動(dòng)汽車，那么安全系數(shù)就提高了很多。過去，大多數(shù)人借助于OpenCV等方式在嵌入式設(shè)備上進(jìn)行人臉識別，大大增加了嵌入式系統(tǒng)的負(fù)擔(dān)，本文通過使用主成分分析(Principal Component Analysis,PCA)、支持向量機(jī)(Support Vector Machine,SVM)、神經(jīng)網(wǎng)絡(luò)等算法，拋開QT圖形界面、OpenCV等工具，僅借助LibSVM庫，以及C語言實(shí)現(xiàn)了一個(gè)完整的嵌入式人臉識別系統(tǒng)。盡管PCA以及SVM都可以實(shí)現(xiàn)人臉識別，但是本文實(shí)現(xiàn)了一種將PCA、SVM與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，在滿足準(zhǔn)確率要求的情況下，將運(yùn)行時(shí)間降到最低。

1概述

　　人臉是人的主要身份信息。隨著人臉識別技術(shù)的發(fā)展，用機(jī)器來識別人臉已經(jīng)實(shí)現(xiàn)，目前的人臉識別方法主要分為以下幾類：

　?。?）基于幾何特征的方法，最早是由BLEDSOE于1966年提出，后來KANDE做出了一些改進(jìn)，然而識別率也僅有45%~75%；

　?。?）基于模型的方法，使用的模型主要為HMM隱馬爾可夫模型［1］，它的識別效果較好；

　　（3）基于統(tǒng)計(jì)的方法，特征臉［2］的方法是由TURK M和PENTLAND A最早提出，一種新的人臉識別思路由此開始。后來在此基礎(chǔ)上有一系列的改進(jìn)方法［34］，基于頻域的方法GABOR［5］小波變換也引入到人臉識別領(lǐng)域；基于支持向量機(jī)［67］的人臉識別，識別率很好。

　　本文主要研究使用PCA、SVM、神經(jīng)網(wǎng)絡(luò)方法在嵌入式系統(tǒng)上實(shí)現(xiàn)人臉識別。

2PCA及降維

　　在ORL人臉數(shù)據(jù)庫中，有40個(gè)人的400張像素為92×112的圖片，把每一張照片放到一個(gè)行向量上，那么將得到10 304維的數(shù)據(jù)，這對于識別來說實(shí)在是太大了，因此需要對它進(jìn)行降維處理。

　　KIRBY M［8］等人使用KL變換對人臉圖像進(jìn)行了降維處理，把一張人臉圖像當(dāng)做一個(gè)高維的向量，人臉圖像的每個(gè)像素都是這個(gè)高維向量的一個(gè)元素，接著使用KL變換把圖像向量映射到一個(gè)特征空間。直到1991年P(guān)ENTLAND A［9］首先將PCA用在了人臉識別上，進(jìn)而引出了“特征臉”。

　　大部分研究都是使用OpenCV［10］、MATLAB［11］等工具在嵌入式設(shè)備上進(jìn)行人臉識別，然而這些工具對于嵌入式系統(tǒng)來說是非常消耗存儲資源的。因此筆者寫了一個(gè)精簡PCA的程序代碼。

　　編寫代碼的步驟如下：

　　(1)讀取一張圖片的數(shù)據(jù)；

　　(2)先跳過bmp的前54 B的頭文件部分，接下來的是顏色數(shù)據(jù)；

　　(3)轉(zhuǎn)換為灰度圖，連續(xù)的3 B構(gòu)成了一個(gè)像素，那么該像素的灰度值為GRAY=(R×30+G×59+B×11)/100；

　　(4)把測試圖片（50張）的灰度值存為一個(gè)10 304×50的矩陣中；

　　(5)利用Householder方法對矩陣進(jìn)行變換，進(jìn)而求出特征值和特征向量；

　　(6)把測試圖像投影到特征空間，將歐式距離最小的作為識別結(jié)果。

3SVM

　　在20世紀(jì)70年代，BOSER B E等人［12］開始研究統(tǒng)計(jì)學(xué)習(xí)理論，SVM［13］是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法，它通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來達(dá)到提高學(xué)習(xí)機(jī)泛

　　化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化。

　　本文中使用臺灣大學(xué)林智仁［14］教授開發(fā)的LibSVM庫，在Linux上使用非常方便。步驟如下：

　　(1)利用PCA降維獲得的數(shù)據(jù)，然后將它修改為LibSVM所要求的格式；

　　(2)分別對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進(jìn)行SCALE；

　　(3)對于SCALE后的測試數(shù)據(jù)進(jìn)行分類。

4神經(jīng)網(wǎng)絡(luò)

　　1943年，首先由McCulloch和Pitts提出MP模型后，一直到今天，神經(jīng)網(wǎng)絡(luò)經(jīng)過幾十年的發(fā)展，取得了很大的發(fā)展，本次試驗(yàn)中使用BP神經(jīng)網(wǎng)絡(luò)對人臉數(shù)據(jù)進(jìn)行處理，經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)在一定量人臉的情況下，訓(xùn)練耗時(shí)較少，識別時(shí)間也較短，如表1所示。

5嵌入式相關(guān)移植

　　本文基于S3C2400的嵌入式設(shè)備，使用Linux操作系統(tǒng)在JZ2440上實(shí)現(xiàn)了一套完整的嵌入式人臉識別系統(tǒng)， 由于嵌入式攝像頭的安裝位置相對固定，因此把主要精力放在了人臉識別的部分。主要分為以下兩個(gè)步驟：

　?。?）圖片采集。使用攝像頭獲取動(dòng)態(tài)的圖片，當(dāng)需要識別時(shí)，只需要觸摸顯示屏，就可以把圖片保存下來。

　?。?）人臉識別。此時(shí)對圖片進(jìn)行預(yù)處理，然后使用PCA+歐式距離或者PCA+SVM等方法進(jìn)行識別。

6實(shí)驗(yàn)結(jié)果分析

　　本文分別使用PCA和SVM等方法，在ORL人臉圖像庫（如圖1所示），與本實(shí)驗(yàn)室人員的人臉圖像庫（如圖2所示）進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)證明識別效果很好。ORL人臉庫有40個(gè)人，每人有10張照片，本文使用一個(gè)人的前5張照片作為實(shí)驗(yàn)樣本，后5張作為測試樣本。如圖1所示,1~5為一個(gè)人的訓(xùn)練樣本照片，對應(yīng)的測試樣本是10 001~10 005。同樣的訓(xùn)練樣本6~10對應(yīng)的測試樣本是10 006~10 010。

　　為了驗(yàn)證此方法的通用性，還使用了一些本實(shí)驗(yàn)室人員的人臉圖像，識別率仍然可以達(dá)到很好的識別效果（如表2所示）。

7結(jié)論

　　經(jīng)過試驗(yàn)發(fā)現(xiàn)，在ORL人臉圖像庫使用PCA+最近鄰識別率最高可達(dá)94%，而使用PCA+SVM的識別率可以達(dá)到98%，而使用BP神經(jīng)網(wǎng)絡(luò)時(shí)，本文前期訓(xùn)練耗時(shí)較多，且實(shí)驗(yàn)過程中發(fā)現(xiàn)為了達(dá)到更高的準(zhǔn)確率不得不增加神經(jīng)網(wǎng)絡(luò)輸入的維度，這樣就更增大了神經(jīng)網(wǎng)絡(luò)的耗時(shí)，并且實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)實(shí)現(xiàn)的準(zhǔn)確率并沒有SVM高，因此本文最終選擇PCA+SVM作為嵌入式人臉識別的實(shí)驗(yàn)方法。

　　參考文獻(xiàn)

　?。?］ SAMARIA F, YOUNG S. HMM based architecture for face identification［J］. Image & Vision Computing, 1994, 12(8):537-543.

　　［2］ TURK M, PENTLAND A. Eigenfaces for recognition［J］. Journal of Cognitive Neuroscience, 1991, 3(1):71-86.

　?。?］ HONG Z Q. Algebraic feature extraction of image for recognition［J］. Pattern Recognition, 1991, 24(3):211-219.

　　［4］ NAKAMURA O, MATHUR S, MINAMI T. Identification of human faces based on isodensity maps［J］. Pattern Recognition, 1991, 24(3):263-272.

　?。?］ LIU D H, LAM K M, SHEN L S. Optimal sampling of Gabor features for face recognition［J］. Pattern Recognition Letters, 2004, 25(2):267-276.

　?。?］ PHILLIPS P J. Support vector machines applied to face recognition［J］. Advances in Neural Information Processing Systems, 2001, 11(7):803-809.

　?。?］ JONSSON B K, MATAS J K J, LI Y. Learning support vector vectors for face verification and recognition［C］. IEEE International Conference on Automatic Face and Gesture Recognition, 2000.

　?。?］ KIRBY M, SIROVICH L. Application of the karhunenloeve procedure for the characterization of human faces［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1990, 12(1):103-108.

　?。?］ TURK M, PENTLAND A. Eigenfaces for recognition［J］. Journal of Cognitive Neuroscience, 1991, 3(1):71-86.

　?。?0］ 王威. 基于ARM9硬件平臺的人臉識別系統(tǒng)設(shè)計(jì)與研究［D］. 成都：電子科技大學(xué), 2013.

　　［11］ 趙文琦. 基于ARM的嵌入式人臉識別系統(tǒng)研究實(shí)現(xiàn)［D］. 哈爾濱：哈爾濱工程大學(xué), 2011.

　?。?2］ BOSER B E, GUYON I M, VAPNIK V N. A training algorithm for optimal margin classifiers［C］. Proceedings of the 5th Annual Workshop on Computational Learning Theory, 1992(7):144-152.

　　［13］ BURGES C J C. A tutorial on support vector machines for pattern recognition［J］. Data Mining & Knowledge Discovery, 1998, 2(2):121-167.

　?。?4］ CHANG C C, LIN C J. LIBSVM: a library for support vector machines［J］. Acm Transactions on Intelligent Systems & Technology, 2011, 2(3):389-396.