基于ARM的人脸识别系统的研究与实现

图 1 嵌入式人脸识别系统的工作框图
虽然本系统利用距离相似度确定识别结果，无需训练分类器，但由于这类系统的人脸数据库相对都比 较庞大，其特征提取和特征子空间变换需要较大内存，嵌入式设备的硬件条件基本上无法满足，所以训练样 本的特征子空间变换需要由通用 PC 机完成，然后 PC 将变换后的特征子空间文件通过网络传输到嵌入式平台．
和识别．
所谓“特征脸”就是对应于人脸模式协方差矩阵的那些较大特征值的特征向量，“特征脸”方法是从主
成分分析（ PCA） 导出的一种人脸识别和描述技术． 这种方法将包含人脸图像区域看作一种随机向量，因
此可以采用 K-L 变换得到正交变换基，对应其中较大的特征值的基底具有与人脸相似的形状，即“特征
脸”． 在进行识别时，把待识别的人脸映射到由“特征脸”张成的子空间中，“特征脸”所生成的子空间在维
从生成分类器的角度讲，包括简单分类器（ 即所有特征简单分类器的生成） 以及强分类器（ 即 Adaboost 算法的学习过程，可以理解为“贪婪的特征选择过程”） ． 算法关键是将那些分类效果好的分类函数 赋予大的权重，分类效果差的赋予较小的权重． Adaboost 算法是一个寻找那些可以对目标很好进行分类 的少数特征的有效方法，如图 3 所示是 2 个效果很好的分类器． 还有级联强分类器，即通过 Adaboost 算法 生成了由重要特征组成的强分类器，可以用于人脸检侧，由于检测过程要扫描待检测图像每个位置的不同 规模的各个窗口，所以要检测窗口数量很多，在实际的人脸检测过程中可以采用“先重后轻”的分级分类 器思想． 它首先使用更重要的特征构成的结构较简单的强分类器进行非人脸窗口排除，随着特征重要性的 逐渐降低，分类器的数目越来越多，但同时待检测口也越来越少． 最终可以达到比较好的分类效果．
数上比原模式空间大大减少． PCA 算法利用这些基底的线性组合可以描述、表达和逼近人脸． 然后将系数
和子空间图像系统比较，利用最近距离来识别人脸．
3 系统测试
3. 1 特征子空间构造 3. 1. 1 人脸检测
采用 3. 1 节所介绍的类 Haar 人脸检测法进行人脸检测，原始图片如图 5 所示． 经过测试得到人脸检 测效果如图 6 所示．
（ 江西师范大学计算机信息工程学院，南昌 330022）
摘要： 使用人脸类 Haar 特征进行人脸检测，采用 Daubechies 小波去噪变换和 PCA 降维算法提 取人脸特征，将经过 PC 机变换后的训练样本特征子空间文件通过网络传输到嵌入式平台，并结 合最近邻算法识别人脸． 实现了一种嵌入式人脸识别系统，解决了嵌入式人脸识别系统由于图像 处理数据巨大而造成处理效率低的难点． 基于 M agicARM2410 开发板实现了该系统，结合实际 图片进行了人脸识别测试，实践结果表明系统效果良好． 关键词： 嵌入式操作系统； 人脸识别； Haar； Daubechies； PCA 中图分类号： TP277 文献标识码： A 文章编号： 1001 － 0505（ 2010） 增刊（ I） -0244-05
第 40 卷 增刊（ I） 2010 年 9 月
东南大学学报（ 自然科学版）
JOURNAL OF SOUTHEAST UNIVERSITY （ Natural Science Edition）
Vol． 40 Sup（ I） Sept． 2010
基于 ARM 的人脸识别系统的研究与实现
王仕民 叶继华 黄 亮 杨庆红 余 敏
图 2 人脸类 Haar 特征的最初形式
图 3 Adaboost 算法抽取 Haar 特征
246
东南大学学报（ 自然科学版）
第 40 卷
2. 2 二维小波变换
小波变换是近几年来取得很大发展的一门新型学科，它突破了传统的信号分析手段———傅里叶变换
的限制，实现了对信号不同区域、不同分辨率的分析． 这种特性使得它可广泛应用于信号处理、地震勘探、
增刊（ I）
王仕民，等： 基于 ARM 的人脸识别系统的研究与实现
245
从图 1 可知，整个过程的关键是得到人脸 PCA 特征子空间，人脸样本图像经过预处理后，进行 Daubechies 小波去噪变换，再采用 PCA 降维处理人脸图像，这样就得到人脸样本的 PCA 特征子空间． ARM 板 的人脸的识别过程为： 首先进行人脸检测定位． 人脸检测是人脸自动识别系统的主要技术环节之一，人脸 检测需要确定给定图像中是否有人脸，如果有人脸，则返回人脸在图像中的位置和范围． 为了从图像中检 测出所要人脸，本项目采用了类 Haar 人脸检测法． 获取了所要的人脸之后，同样采用 Daubechies 小波去噪 变换和主成分分析（ PCA） 降维得到人脸特征系数，并结合最近邻算法识别人脸．
表了图像的高频成分． 还可以对 LL 子带运用小波算法继续分解． 图 4 就是二级分解示意图．
图 4 二级分解示意图
来自百度文库
2. 3 基于主元分析子空间的人脸识别
如果直接利用经过小波变换后的图像进行识别，运算量还是很大的，而嵌入式系统的硬件资源是有限
的． 因此必须对高维数据进行适当的降维． 1991 年，M IT 的 Turk 和 Pentland 发展了一种基于主元分析的 人脸识别方法［8］，这就是著名的“特征脸”方法 （ Eigenface） ，他 们 首 次 将 这 一 方 法 应 用 于 人 脸 的 定 位
Research and implementation of face recognition system based on ARM
Wang Shimin Ye Jihua Huang Liang Yang Qinghong Yu M in
（ College of Computer Information Engineering，Jiangxi Normal University，Nanchang 330022，China）
2 主要算法分析
2． 1 类 Haar 人脸检测法 Viola 在 2001 发表的论文［5］可以说是实时人脸检测技术的分水岭，他们通过综合 Adaboost 和 Cas-
cade 算法实现了实时人脸检测，使得人脸检测开始走向实用． Papageorgiou 和 Viola 在应用小波变换从图 像中提取特征时，提出了最初的局部 Haar-like 特征概念． 该特征库包含有 3 种类型 4 种形式的特征． 3 种 形式分别为： 2-矩形特征、3-矩形特征、4-矩形特征，如图 2 所示． 接着 Rainer Lienhart 和 Jochen M aydt 提 出了一系列延伸的 Haar-like 特征，方便并加快了物体的识别［6］．
图 5 原始图
图 6 人脸检测定位图
主要代码如下： cascade = （ CvHaarClassifierCascade* ） cvLoad（ cascade_name，0，0，0） ； / / 装载已训练 Harr 特征级联 分类器 cvEqualizeHist（ small_img，small_img） ； / / 灰度图像直方图均衡化 CvSeq* faces = cvHaarDetectObjects（ small_img，cascade，storage，1. 1，2，0，cvSize（ 30，30） ） ； / / 检 查人脸 void detect_and_draw （ IplImage* img） ； / / 对图像进行画圈标记 3. 1. 2 Daubechies 小波去噪与获取 PCA 人脸特征子空间 这里使用了 AT＆T 实验室的 19 张图像和本人的一张图像，经过 Daubechies 小波去噪变换与 PCA 特 征提取后，建立了人脸特征子空间． 图 7 为所有的样本图，图 8 为本人图像经过 Daubechies 变换后的图像 以及其相应经过 PCA 降维后提取的 19 个特征值系数． Daubechies 小波去噪变换和 PCA 的核心函数为：
人脸识别技术［1］兴起于 20 世纪 80 年代，90 年代以后得到了快速地发展，目前已经取得了一些阶段 性的成果，并应用于安防等领域． 自动人脸识别是一种应用非常广泛的生物特征识别技术，与其他身份识 别方法相比，人脸识别具有直接、友好和方便等特点，即使在视觉刺激上差异非常大的情况下也能相当好 地识别，因此人脸识别技术研究有重要的意义． 但是由于人脸图片处理的数据巨大，而 ARM9 板子上硬件 资源相当有限，所以数据降维和数据量变小成为实现嵌入式人脸识别系统的难点． 为了解决上述问题，本 项目基于嵌入式软、硬件平台，使用人脸类 Haar 特征进行人脸检测［2］，采用 Daubechies 小波去噪变换［3］ 和 PCA 降维算法提取人脸特征，实现了一个嵌入式人脸识别系统，具有便携性和易用性，适应当代身份认 证要求，可以应用于多种场合．
Abstract： The embedded face recognition system detects face by using Haar-like features of face， and the face features are extracted by using Daubechies w avelet filter and PCA（ principal component analysis） dimension decline algorithm． The face features subspace of training samples is first acquised at personal computer，and then it is transmitted to the platform of embedded system by netw ork，at last the test face is recognized by using the nearest distance algorithm． The system solves the problem that the efficiency of embedded face recognition system is low because of huge data in the image processing． The system is implemented based on M agicARM2410 development board，and the performance of face recognition w as tested by using actual images． The results indicate that the recognition performance of this system is good． Key words： embedded operating system； face recognition； Haar； Daubechies； PCA
流体力学、图像分析等领域．
对于二维数字图像而言，小波变换的优点显得他较其他变换 更加适合于图像目标的识别． 二维小波变换［7］实际是进行两次一
维小波变换，经过一级小波变换之后，一幅图像被分解成 4 个子
带，如图 4 所示． 子带 LL 是低频成分，集中了原始图像的大部分信
息，LH 和 HL 反映了图像沿着水平和垂直方向的变化，HH 子带代
1 嵌入式人脸识别系统实现
M agicARM2410 开发板扩展有充足的存储资源和众多典型的嵌入式系统接口． 本系统基于该硬件平 台上，实现了操作系统的移植和驱动程序的编写［4］，并实现了人脸识别系统的开发． 图 1 为本项目实现的 嵌入式人脸识别系统的工作框图．
收稿日期： 2010-05-18． 作者简介： 王仕民（ 1986—） ，男，硕士生； 叶继华（ 联系人） ，男，教授，yejh@ jiangxi． gov． cn. 基金项目： 国家重点基础研究发展计划（ 973 计划） 资助项目（ 2006CB303006） 、国家自然科学基金资助项目（ 60363002） .