楊鳴鳴

　　(杭州電子科技大學 計算機學院,浙江 杭州 310000)

       摘要：該文主要實現(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)進行降維,，然后利用最短歐氏距離、支持向量機(Support Vector Machine,SVM)和BP神經(jīng)網(wǎng)絡實現(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，但是運算簡單,，處理速度較快,。

　　關鍵詞：PCA；SVM,；神經(jīng)網(wǎng)絡,；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等方式在嵌入式設備上進行人臉識別,，大大增加了嵌入式系統(tǒng)的負擔,，本文通過使用主成分分析(Principal Component Analysis,PCA)、支持向量機(Support Vector Machine,SVM),、神經(jīng)網(wǎng)絡等算法,，拋開QT圖形界面、OpenCV等工具,，僅借助LibSVM庫,，以及C語言實現(xiàn)了一個完整的嵌入式人臉識別系統(tǒng)。盡管PCA以及SVM都可以實現(xiàn)人臉識別,，但是本文實現(xiàn)了一種將PCA,、SVM與神經(jīng)網(wǎng)絡相結(jié)合的方法，在滿足準確率要求的情況下,，將運行時間降到最低,。

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,，用機器來識別人臉已經(jīng)實現(xiàn),，目前的人臉識別方法主要分為以下幾類：

　　（1）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，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。后來在此基礎上有一系列的改進方法［34］,，基于頻域的方法GABOR［5］小波變換也引入到人臉識別領域,；基于支持向量機［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)絡方法在嵌入式系統(tǒng)上實現(xiàn)人臉識別,。

2PCA及降維

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

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

　　大部分研究都是使用OpenCV［10］,、MATLAB［11］等工具在嵌入式設備上進行人臉識別，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10 304×50的矩陣中；

　　(5)利用Householder方法對矩陣進行變換,，進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70年代,，BOSER B E等人［12］開始研究統(tǒng)計學習理論，SVM［13］是基于統(tǒng)計學習理論的一種機器學習方法,，它通過尋求結(jié)構(gòu)化風險最小來達到提高學習機泛

　　化能力,，實現(xiàn)經(jīng)驗風險和置信范圍的最小化。

　　本文中使用臺灣大學林智仁［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)分別對訓練數(shù)據(jù)和測試數(shù)據(jù)進行SCALE,；

　　(3)對于SCALE后的測試數(shù)據(jù)進行分類。

4神經(jīng)網(wǎng)絡

　　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)絡經(jīng)過幾十年的發(fā)展,，取得了很大的發(fā)展,，本次試驗中使用BP神經(jīng)網(wǎng)絡對人臉數(shù)據(jù)進行處理,，經(jīng)過實驗發(fā)現(xiàn)在一定量人臉的情況下，訓練耗時較少,，識別時間也較短,，如表1所示。

5嵌入式相關移植

　　本文基于S3C2400的嵌入式設備,，使用Linux操作系統(tǒng)在JZ2440上實現(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,。主要分為以下兩個步驟：

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

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

6實驗結(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）,，與本實驗室人員的人臉圖像庫（如圖2所示）進行實驗,，實驗證明識別效果很好。ORL人臉庫有40個人,，每人有10張照片,，本文使用一個人的前5張照片作為實驗樣本，后5張作為測試樣本,。如圖1所示,1~5為一個人的訓練樣本照片,，對應的測試樣本是10 001~10 005。同樣的訓練樣本6~10對應的測試樣本是10 006~10 010,。

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

7結(jié)論

　　經(jīng)過試驗發(fā)現(xiàn),，在ORL人臉圖像庫使用PCA+最近鄰識別率最高可達94%，而使用PCA+SVM的識別率可以達到98%,，而使用BP神經(jīng)網(wǎng)絡時,，本文前期訓練耗時較多，且實驗過程中發(fā)現(xiàn)為了達到更高的準確率不得不增加神經(jīng)網(wǎng)絡輸入的維度，這樣就更增大了神經(jīng)網(wǎng)絡的耗時,，并且實驗結(jié)果發(fā)現(xiàn)實現(xiàn)的準確率并沒有SVM高,，因此本文最終選擇PCA+SVM作為嵌入式人臉識別的實驗方法。

　　參考文獻

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

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

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

　?。?］ 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.

　　［6］ 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.

　　［9］ 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)設計與研究［D］. 成都：電子科技大學, 2013.

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

　　［12］ 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.

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

　　［14］ 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.