張鈺敏 葉傳奇 張淑媛 王展 田雨薇 秦佳帥

摘要：該文以O(shè)penCV視覺(jué)庫(kù)為核心，設(shè)計(jì)了基于樹(shù)莓派為硬件基礎(chǔ)的人臉識(shí)別系統(tǒng)，該系統(tǒng)可對(duì)人臉進(jìn)行識(shí)別并估算人的年齡。首先將攝像頭采集的人的面部圖像進(jìn)行灰度化處理、特征值計(jì)算，在此基礎(chǔ)上訓(xùn)練出數(shù)據(jù)。經(jīng)過(guò)對(duì)數(shù)據(jù)的分析處理，可估算出面部年齡。經(jīng)過(guò)測(cè)試，該系統(tǒng)可對(duì)人的年齡進(jìn)行較準(zhǔn)確的判斷。

關(guān)鍵詞：樹(shù)莓派;OpenCV;人臉識(shí)別;圖像處理

中圖分類號(hào)：TP3 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）13-0221-02

1研究背景及內(nèi)容介紹

隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展和普及，人臉識(shí)別在生活中的應(yīng)用越來(lái)越廣泛，與面部識(shí)別相關(guān)的軟硬件技術(shù)也越來(lái)越成熟，因?yàn)槿四樧R(shí)別具有獨(dú)特性，穩(wěn)定性等優(yōu)點(diǎn)，而樹(shù)莓派具有物美價(jià)廉便攜帶等優(yōu)點(diǎn)，所以本文采用人臉識(shí)別技術(shù)的基礎(chǔ)上開(kāi)發(fā)一個(gè)小設(shè)備去估算人的年齡。

2基本理論

2.1 OpenCV簡(jiǎn)介

OpenCV是一個(gè)基于伯克利軟件套件許可而發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)，可以運(yùn)行在Linux操作系統(tǒng)、Windows系統(tǒng)、An-droid系統(tǒng)等。它由一系列C函數(shù)和少量C++類構(gòu)成，便于有編程語(yǔ)言基礎(chǔ)的人了解學(xué)習(xí)。除了C和C++，它還提供了Pvthon、Ruby、MATLAB等多種語(yǔ)言的接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺(jué)方面的很多通用算法。

2.2樹(shù)莓派簡(jiǎn)介

Raspberry Pi簡(jiǎn)稱樹(shù)莓派，簡(jiǎn)單來(lái)說(shuō)是性價(jià)比較高的迷你計(jì)算機(jī)，是英國(guó)的慈善組織學(xué)習(xí)計(jì)算機(jī)編程教育而設(shè)計(jì)。樹(shù)莓派的系統(tǒng)基于Linux。它是一款低成本RISC微型處理器的微型電腦。它有Tvpe-C接口，MicroUSB接口，以及3.5mm的音頻輸出接口等等，可以在本次實(shí)驗(yàn)中連接攝像頭，電源等。正是其微小型、全面性，成為本項(xiàng)目開(kāi)發(fā)的最佳芯片選型。

3主要算法

Adaboost是adaptive boosting的縮寫，是Freund和Sehapire根據(jù)在線分配算法提出的，主要思想是將多個(gè)弱分類器通過(guò)添加權(quán)值組合成一個(gè)強(qiáng)分類器。對(duì)于分類效果好的弱分類器則是增加權(quán)值，分類效果不好則是減少權(quán)值。

開(kāi)始訓(xùn)練的時(shí)候，每個(gè)樣本的權(quán)重都是一樣的，先在樣本分布下訓(xùn)練出弱分類器，反之，對(duì)于分類錯(cuò)誤的樣本，增加這個(gè)樣本對(duì)應(yīng)的權(quán)重，對(duì)于分類正確的樣本降低這個(gè)樣本的權(quán)重。多次訓(xùn)練之后，得到了新的樣本分布。在新的樣本分布下，對(duì)弱分類器進(jìn)行訓(xùn)練，得到了弱分類器。循環(huán)多次，把這些弱分類器的權(quán)重疊加之后，就得到了相應(yīng)的強(qiáng)分類器。

大致過(guò)程如下：

（1）訓(xùn)練一些樣本的概率分布，并且訓(xùn)練弱分類器;

（2）計(jì)算出弱分類器的錯(cuò)誤率;

（3）基于弱分類器調(diào)整各個(gè)樣本的權(quán)重;

（4）得到了強(qiáng)分類器。

訓(xùn)練識(shí)別的結(jié)果如圖1所示。

該算法具有自適應(yīng)特點(diǎn)，其自適應(yīng)表現(xiàn)在：每一個(gè)基本分類器分錯(cuò)的樣本會(huì)因?yàn)闄?quán)值的變化得到加強(qiáng)，通過(guò)加權(quán)后的全體樣本再次被用來(lái)訓(xùn)練下一個(gè)分類器，這個(gè)弱分類器之后會(huì)用來(lái)轉(zhuǎn)換成強(qiáng)分類器。在多次的訓(xùn)練中都會(huì)產(chǎn)生一個(gè)弱分類器，直到達(dá)到預(yù)先設(shè)置的錯(cuò)誤率。

4系統(tǒng)的整體設(shè)計(jì)

在采集樣本之后通過(guò)數(shù)據(jù)訓(xùn)練模型，大致流程是先通過(guò)攝像頭讀取到的畫面進(jìn)行灰度處理，當(dāng)人臉檢測(cè)到的數(shù)據(jù)通過(guò)人臉檢測(cè)分類器傳遞給人臉識(shí)別，人臉識(shí)別是數(shù)據(jù)和人臉數(shù)據(jù)模型推測(cè)出的結(jié)果。

除此之外，在訓(xùn)練出的人臉數(shù)據(jù)模型時(shí)，通過(guò)對(duì)人臉檢測(cè)數(shù)據(jù)是否滿足精確度，如果這個(gè)數(shù)據(jù)滿足精確度則不對(duì)這個(gè)模型進(jìn)行更新，如果不滿足精確度，則可以進(jìn)行模型更新升級(jí)模型，提高測(cè)試的精確度。大致流程如圖2所示。

5結(jié)束語(yǔ)

隨著圖像軟件的發(fā)展，圖像的中得到了很好的發(fā)展。同時(shí)利用軟件技術(shù)與OpencV的算法也實(shí)現(xiàn)了采集樣本，更新模塊等功能，使精準(zhǔn)度越來(lái)越高。通過(guò)一系列的測(cè)試，發(fā)現(xiàn)更新過(guò)后的模塊比更新前的預(yù)測(cè)精準(zhǔn)度有所提高。