崔紹華，王懷友

（承德供電隆化分公司，河北承德 068150）

由于不需要特殊的采集設(shè)備，基于嵌入式的人臉識別系統(tǒng)，相比傳統(tǒng)鑒別身份的系統(tǒng)，具有很強的優(yōu)勢，它成本較低，并且使用簡單;同時，由于人臉識別不對使用者造成干擾，并不去侵犯使用者的個人隱私，容易被用戶所接受。

本文以嵌入式ARM11系統(tǒng)設(shè)計為主線，以HMM數(shù)學(xué)模型為圖像處理理論基礎(chǔ)，描述了完成視頻采集、面部檢測與人臉識別等功能相對應(yīng)的硬件平臺研發(fā)和軟件功能的開發(fā)及實現(xiàn)過程;以及并對圖像預(yù)處理的相應(yīng)浮點算法進行了優(yōu)化，從而提高了該嵌入式系統(tǒng)的性能。

1 系統(tǒng)硬件架構(gòu)

本系統(tǒng)采用了S3C6410作為處理器，它是Samsung推出的以ARM 11 76JZF-S為內(nèi)核的芯片。它的優(yōu)秀的處理能力已成為設(shè)計便攜式設(shè)備的首選。設(shè)計中為了滿足智能終端對圖像視頻采集的要求，人臉識別系統(tǒng)硬件結(jié)構(gòu)圖如圖1所示。

圖1 人臉識別系統(tǒng)硬件結(jié)構(gòu)圖

2 圖像采集硬件設(shè)計

OmniVision公司生產(chǎn)的圖像傳感器OV7640 CMOS芯片，是一款高靈敏度、低電壓（2.5V）、高性能的圖像傳感器。

由于圖像采集系統(tǒng)需要對數(shù)據(jù)進行實時采集并存儲，因此需要系統(tǒng)的數(shù)據(jù)傳輸速率較高，需要硬件之間的搭配盡量合理。本系統(tǒng)硬件設(shè)計中，在采集和傳輸設(shè)備中間加了相應(yīng)的緩存器件。即采用OV511芯片擴展OV7640的DRAM，OV511是一個專用的數(shù)字攝像IC的USB接口芯片，它能夠起到緩存作用，從而實現(xiàn)高速USB數(shù)字視頻圖像采集并存入嵌入式處理器。

3 圖像采集程序

本設(shè)計使用Linux做為操作系統(tǒng)開發(fā)平臺，關(guān)于操作系統(tǒng)的移植方法在此不再介紹。Video 4 Linux（簡稱V4L），是Linux操作系統(tǒng)內(nèi)核中關(guān)于視頻設(shè)備的驅(qū)動模塊，它有專門針對視頻設(shè)備的接口函數(shù)，為進行圖像編程提供方便。在程序設(shè)計時，Linux內(nèi)核開放了Video4Linux接口，所以在圖像處理時，我們首先做的設(shè)計程序是基于Video4Linux的API函數(shù)編程。

圖像采集的程序框圖如圖2所示。

圖2 圖像采集的程序框圖

4 識別算法設(shè)計

視頻采集、數(shù)字圖像處理、傳送和HMM識別算法等多個技術(shù)都在這個設(shè)計中得到應(yīng)用。面部識別過程，第一步要判斷輸入的視頻單幀圖像中是否包含人臉信息，如果有，就進一步判斷人臉的具體位置、尺寸和每個主要面部器官的具體位置，并根據(jù)這些數(shù)據(jù)，再計算每個人臉范圍內(nèi)所包含的個人身份特征。通過將其與數(shù)據(jù)庫中的已有人臉信息進行對比，判斷并識別人的身份［3］。

人臉識別的算法過程包括視頻預(yù)處理、圖像面部區(qū)域檢測和人臉識別等部分。

從待識別圖像中確定人臉區(qū)域中各特征目標(biāo)的區(qū)域，并將此區(qū)域分割開稱為人臉檢測。根據(jù)現(xiàn)有的人臉數(shù)據(jù)庫，完成待測人臉?biāo)鶎?yīng)人臉庫中的唯一標(biāo)號稱為人臉識別。人臉檢測和人臉識別互為前提和目的。鑒于HMM同時可完成人臉檢測和人臉識別，因此在程序設(shè)計中我們將這兩者同時處理。

4.1 隱馬爾可夫模型描述

隱馬爾可夫模型是一組針對特征化信號進行特性統(tǒng)計的數(shù)學(xué)模型，這其中包括兩個相關(guān)的過程:第一個是有限狀態(tài)馬爾可夫鏈，它是是隱藏的、不可見的，由初始狀態(tài)概率分布函數(shù)和狀態(tài)轉(zhuǎn)移概率矩陣組成，第二個是一組概率密度函數(shù)，它是與狀態(tài)有關(guān)的。

一個HMM的基本組成元素如下:

（1）HMM模型的狀態(tài)個數(shù)N，如果假設(shè)S是狀態(tài)集合，那么S={S1，S2，…，SN}。模型在時間t的狀態(tài)記作qt∈S，其中1≤t≤T，此處T為所被測序列的幀數(shù)（又稱長度）。模型歷經(jīng)的狀態(tài)序列記為Q={q1，q2，…，qT}。

（2）設(shè)被測符號數(shù)為M，V是所有模型的Codebook（又稱為被測符號的集合），則V={v1，v2，…，vm}。

（3）狀態(tài)轉(zhuǎn)移概率矩陣A={aij}，aij=P（qt=Sj|qt－1=Si），1 ≤i，j≤N。對它的約束條件為0 ≤aij≤1，而aij

=1。

（4）被測符號概率矩陣B={bj（k）}，bj（k）=p（ot=vk|qt=Sj），1≤j≤N，1≤j≤M。其中ot是時間t下的被測符號（被測矢量序列為O={o1，o2，…，oT}）。

（5）被測符號初始狀態(tài)概率分布∏={πi}，πi=P（qi=si），1≤i≤N。

因此一個HMM可以表示為λ={A，B，∏}。由于其輸入V={v1，v2，…，vm}是有限元集合，因此稱其為離散隱馬爾可夫模型［4］。

4.2 人臉識別HMM模型設(shè)計

根據(jù)狀態(tài)轉(zhuǎn)移的過程，HMM可分為ergodic（遍歷的）和1eft-right（從左到右的）。遍歷表示其狀態(tài)轉(zhuǎn)移是隨意的，可以到自身和所有可能的狀態(tài)，從左到右的狀態(tài)轉(zhuǎn)移只限于本身和下一個狀態(tài)。由于人臉垂直方向（由上至下）和水平方向（從左至右）各個特征具有自然不變的順序，所以用由上至下的1D-HMM來模擬人臉，如圖3所示。

圖3 用于人臉識別的HMM模型

4.3 面部特征提取

我們將寬度定義為W，高度定義為H的人臉圖像，劃分為可重疊的塊。塊的高度定義為L，重疊深度定義為P。因此，從該圖像提取的總分塊數(shù)做為被測矢量數(shù)T，則T=（H-L）/（L-P）+1。其中參數(shù)L和P的選取會影響系統(tǒng)的識別率，L的選擇應(yīng)該比較謹慎，因為較小的L值會使被測矢量不能得到有效鑒別;過大的L會增加剪切時的相交特征概率。過大的重疊深度值P會增加垂直特征向量的數(shù)量，能夠提升系統(tǒng)的識別率。經(jīng)過檢驗當(dāng)P大時，L的變化對最終識別率影響不大。文獻［6］詳細闡述了與HMM使用的狀態(tài)數(shù)與參數(shù)P和L之間的相互作用關(guān)系。面部特征提取分割算法流程如圖4所示［5］。

圖4 人臉區(qū)域提取流程圖

4.4 隱馬爾可夫模型的訓(xùn)練

我們?yōu)槿四様?shù)據(jù)庫中每個圖像建立一個HMM模型，使用同一個人的6張不同面部照片對模型進行訓(xùn)練。方法是:采用子塊劃分的方法，得到了被測矢量序列——2D-DCT變換系數(shù)矢量。采用被測矢量序列O={o1，o2，…，oT}對人臉HMM模型進行訓(xùn)練，得到參數(shù)。

首先需要我們對HMM模型λ={A，B，∏}進行初始化工作，通過對人臉圖像數(shù)據(jù)自上而下均勻分割，我們能得到訓(xùn)練數(shù)據(jù)。模型狀態(tài)數(shù)N對應(yīng)照片數(shù)，等于6，被測概率矩陣B的初始估計就是每一個狀態(tài)有關(guān)的被測矢量序列。A和Π的初始估計按自左到右的人臉模型結(jié)構(gòu)給出。通過使用Baum-Welch估計算法 （最大似然估計方法）重新估算模型參數(shù)，用它來檢測P（O/λ）的收斂條件。

當(dāng)滿足式（1）時，表面模型收斂，結(jié)束迭代訓(xùn)練過程，不然繼續(xù)對模型進行訓(xùn)練。

式中，C為預(yù)先設(shè)定的閾值。

4.5 人臉識別

和訓(xùn)練過程相同提取被測矢量序列的方法相同，被測矢量序列的概率由人臉圖像HMM模型計算得出，即:

當(dāng)被識別人臉圖像和對應(yīng)數(shù)據(jù)庫中第k個人的特征信息相同時，則被識別出［6］。

試驗證明，此算法簡單，易于在嵌入式系統(tǒng)上實現(xiàn)實時處理。由于不受臉部表情變化的影響，因此錯誤率低，魯棒性好。研究中也發(fā)現(xiàn)，在人臉識別過程中的光照影響和姿態(tài)問題需要解決，問題還有待于深入研究。

5 結(jié)論

具有硬件體積小、算法計算簡便、運算性能高，性能突出等特點，基于嵌入式ARM11硬件平臺和隱馬爾可夫的人臉識別系統(tǒng)，可以滿足識別設(shè)備微型化的需要。隨著技術(shù)的發(fā)展，在不久的將來，基于人臉識別的嵌入式系統(tǒng)將在各種安檢、樓宇門禁、身份驗證、工作考勤等場合得到廣泛應(yīng)用。

創(chuàng)新點:

人臉識別是人類特征識別中一個主要的研究方向，是無侵犯式、非接觸身份識別的重要方法。在嵌入式系統(tǒng)能夠?qū)崿F(xiàn)人臉識別設(shè)備的便攜化，通過它進行人臉識別，能夠極大地拓寬識別設(shè)備的使用范圍，為工作提供便利。使用HMM算法實現(xiàn)識別功能，可以有效降低識別算法難度，提高效率，為實現(xiàn)實時地識別提供了一種可能。

［1］Wang Zhiliang，Zhao Yanling.An Expert System of Commodity Choose Applied with Artificial Psychology［J］.IEEE International Conference on Systems，Man and Cybernetics，2001:2326-2330.

［2］李侃，廖啟征.基于S3C2410開發(fā)平臺與嵌入式Linux的視頻采集應(yīng)用［J］.微計算機信息，2006，22（3-2）:125-127，168.

［3］徐毅瓊，李弱程，王波.基于隱馬爾可夫模型的自動人臉識別方法［J］.計算機應(yīng)用，2004，24:225-227.

［4］黎冰，吳松，曾凡濤.人臉識別在智能終端中的實現(xiàn)［J］.計算機工程，2006，32（7）:272-274.

［5］NEFIAN AV，HAYES MH.Face Detection and Recognition Using Hidden Markov Models［A］.Proceedings of the International Conference on Image Processing［C］.1998.141-145.

［6］Samaria F，Young S.HMM Based Architecture for Face I-dentification［J］.Image and Computer Vision，1994，12（4）:537-543.

［7］Samaria F.Halter A.Parameterization of Stochastic Model for Human Face Identification［C］.USA:Proceedings of the Second IEEE Workshop on Application of Computer Vision，1994.