CN103761504A - 一种人脸识别*** - Google Patents

Abstract

本发明涉及一种人脸识别***，依次包括人脸检测与定位、规范化、特征提取和人脸识别四个模块。本发明的有益效果是：该人脸识别***的识别精度可达90％以上，基本满足了识别要求。***实时性好、携带方便，可以通过程序的修改推广到动态图像跟踪、运动检测等领域。

Description

一种人脸识别***

技术领域

本发明涉及一种人脸识别***。 

背景技术

人脸识别的相关算法的运行速度慢，PAL视频信号进行采集和处理以及人脸定位的运行一般都不可以脱离PC机独立进行，人脸识别设备体积大、笨重、功耗高、携带不方便，这些都限制了人脸设别***的应用与推广。 

发明内容

本发明要解决的技术问题是：基于上述问题，本发明提供一种人脸识别***。 

本发明解决其技术问题所采用的一个技术方案是：一种人脸识别***，依次包括人脸检测与定位、规范化、特征提取和人脸识别四个模块。 

进一步地，人脸检测与定位模块为：确定人眼的坐标(x₁，y₁)和(x₂，y₂)，由此可间接得到正方形人脸的左上顶点和右下顶点的坐标，设其分别为(X₁，Y₁)和(X₂，Y₂)，其详细计算方法如下所示： 

Width_eyes=x₂-x₁； 

Width_face=Width_eyes/R_H； 

X₁=x₁-（Width_face-Width_eyes）/2； 

X₂=X₁+Width_face； 

Height_eyes=(y₁+y₂)/2； 

Height_face=Width_face； 

Y₁=Height_eyes-Height_face/R_V； 

Y₂=Y₁+Height_face； 

式中，R_H和R_V均为经验常数，分别取值为2.0和3.5。 

进一步地，通过DSP图像预处理来达到图像规范化模块。 

进一步地，特征提取模块采用主分量分析（PCA)，包括以下步骤： 

第一步，采集到N个样本用作训练集X，求出样本平均值m，如下式所示 

$m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i$

其中，xi∈样本训练集X=(x1，x2，…，xN)。 

第二步，求出散布矩阵S，如下式所示 

$S=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-m){(x_i-m)}^t$

求出散布矩阵的特征值λi和对应的特征向量ei。其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2，…。 

假设取出p个值，λ1，λ2，…，λp可以确定出脸空间E=(e1，e2，…，eP)，在此脸空间上，训练样本X中，每个元素投影到该空间的点可以由下式得到 

x'_i＝E^tx_i，t＝1，2，…，N 

由上式得到的是将原向量经过PCA降维后的p维向量。 

进一步地，人脸识别模块为KNN分类器进行分类，KNN的实现分训练和识别两步。 

进一步地，KNN的训练时，把每类样本降维后的结果作为KNN的输入；KNN的识别时，K近邻算法将一个测试点x分类为与它最接近的K个近邻中出现最多的那个类别，从测试样本点开始生长，不断扩大区域，直到包含进K个训练样本点为止，并且把测试样本点的类别归为这最近K个训练样本点中出现频率最 大的类别。 

本发明的有益效果是：该人脸识别***的识别精度可达90％以上，基本满足了识别要求。***实时性好、携带方便，可以通过程序的修改推广到动态图像跟踪、运动检测等领域。 

附图说明

下面结合附图对本发明进一步说明。 

图1是本发明的***结构图； 

图2中(a)为计算PCA投影矩阵的流程图，(b)为KNN分类器的工作流程图； 

图3是加入是否拒绝的判定的分类方式。 

具体实施方式

现在结合具体实施例对本发明作进一步说明，以下实施例旨在说明本发明而不是对本发明的进一步限定。 

如图1所示的一种人脸识别***，依次包括人脸检测与定位、规范化、特征提取和人脸识别四个模块。 

1.人脸检测与定位模块 

通过已获得的样本来判断人脸的位置，选取合适的人脸，截取出做样本是重要的步骤。人脸特征定位与特征提取质量的好坏对于人脸图像识别效果有直接的影响。首先确定人眼的坐标(x₁，y₁)和(x₂，y₂)，由此可间接得到正方形人脸的左上顶点和右下顶点的坐标，设其分别为(X₁，Y₁)和(X₂，Y₂)，其详细计算方法如下所示： 

Width_eyes=x₂-x₁； 

Width_face=Width_eyes/R_H； 

X₁=x₁-（Width_face-Width_eyes）/2； 

X₂=X₁+Width_face； 

Height_eyes=(y₁+y₂)/2； 

Height_face=Width_face； 

Y₁=Height_eyes-Height_face/R_V； 

Y₂=Y₁+Height_face； 

式中，R_H和R_V均为经验常数，分别取值为2.0和3.5。如此可在原图中得到人脸的区域座标，其尺寸随眼距Width_eyes的大小而变化，但是作为PCA的输入，要求输入样本的维数相同，所以必须对图片进行归一化处理。在设计中将所得人脸区域样本均缩放至24×24。此外还需要对图片进行对比度调节和直方图均衡等操作，以提高识别的准确性。 

2.规范化模块 

图像的采集采用了PAL制式输出的普通摄像头加上TI公司生产的图像编码芯片TVP5147，TVP5147芯片输出的图像数据并非RGB格式，而是以YUV格式输出的。需要通过DSP处理器转换成RGB格式，才能进行图像的预处理，转换公式如式（1）所示 

R=Y+1.14V 

G=Y-0.39U-0.58V    （1） 

B=Y+2.03U 

DSP将图像数据读入内存空间，然后对其进行运算，将得到的RGB分别放到对应的存储单元，并算出灰度值Gray，运算公式如式（2）所示 

Gray=(R³⁰+G⁵⁹+B¹¹+50)/100    （2） 

将最后得到的灰度值存放到对应的数组当中。每张图片由两场图片构成，所以完整的图片分辨率为720×576。但是对于***本身无需对其每一个像素都进行转换，所以截取其中320×240进行存储，这样每场的分辨率为320×120，大大降低了由YUV到灰度图像预处理和脸部定位的时间，提高了***的性能。 

3.特征提取模块 

在设计人脸识别分类器时，通常将一幅图片看成一个一维向量。虽然这与传统的将图片看成矩阵形式有差别，但是却能为采用主分量分析(PCA)进行特征脸提取创造有利条件。 

特征脸分类的方法是将一幅图像投影到一个特定“脸空间”的一个点。这个“脸空间”由一股互相正交的向量组成。这些向量便是表征各个人脸聚类的重要组成部分。不同人脸的图片在此空间的相差较远，相同人脸的不同图片在此空间上的投影相距较近。因此可以使用PCA的方法为整个人脸识别***打下基础。 

第一步，采集到N个样本用作训练集X，求出样本平均值m，如式（3）所示 

$m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i---\left(3\right)$

其中，xi∈样本训练集X=(x1，x2，…，xN)。 

第二步，求出散布矩阵S，如式（4）所示 

$S=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-m){(x_i-m)}^t---\left(4\right)$

根据PCA的基本原理，必须求出散布矩阵的特征值λi和对应的特征向量ei。其中，ei便是主分量，且其对应的特征值的大小代表它包含信息的多少。所以需要将特征值从大到小依次排列λ1，λ2，…。 

假设取出p个值，λ1，λ2，…，λp可以确定出脸空间E=(e1，e2，…，eP)，在此脸空间上，训练样本X中，每个元素投影到该空间的点可以由式（5）得到 

x'_i＝E^tx_i，t＝1，2，…，N    （5） 

由上式得到的是将原向量经过PCA降维后的p维向量，下一步便是将其输入KNN分类器进行分类。 

4.人脸识别模块 

人脸识别模块为KNN分类器进行分类。KNN的实现分训练和识别两步。训练时，把每类样本降维后的结果作为KNN的输入。K近邻算法将一个测试点x分类为与它最接近的K个近邻中出现最多的那个类别，从测试样本点开始生长，不断扩大区域，直到包含进K个训练样本点为止，并且把测试样本点的类别归为这最近K个训练样本点中出现频率最大的类别。选取恰当的K值对分类的结果有很大影响。如果K值选取过大时，可能能较正确地分类，但是同时牺牲了性能，提高了计算复杂度。如果K值选取过小，则大大降低了计算复杂度，但是可能会影响分类的准确性。 

将得到的320×240的图片经过人脸的检测后，将截取人脸的部分作为人脸样本。设计时，人脸的所有样本都将在显示器上显示出来，降低了人脸错误检测的可能，一定程度上提高***的准确性。 

人脸的样本分辨率为24×24，作为576维的一维向量输入至PCA。图2中(a)为计算PCA投影矩阵的流程图，(b)为KNN分类器的工作流程图，其中训练样本经过PCA投影后的数值，不需要在每次识别中重新计算，可以作为初始化时的计算，也可存储于掉电非易失介质中，如Flash存储器中，可以提高设备的运行效率，降低运算量。 

如图2所示，KNN分类器可以判断最接近的分类，但是并不能拒绝分类，于 是产生了任何人的脸都将被分到内置样本集的一类中。这样的分类方式是不可取的，所以必须加入是否拒绝的判定，流程图如图3所示。 

如图3中显示，当样本点经过PCA降维后，输送至KNN分类器进行分类，所得到的结果一定可以判定为第K类，此时不能急于定论，先求出待测点与K类标号的样本点的欧氏距离之和sum。定义两个阈值a和b，如果sum<a值则判定为第一类；如果sum>b值则判定为拒绝类；如果sum介于a和b值之间，则引入精度控制量accuracy，计算出sum与a的差值，如若小于精度控制量accuracy，则判定为第K类，否则拒绝分类。由这样的过程，间接解决了样本错分和无法判否的问题。 

该实验中，选定a的值为12400，b的值为16200，这两个值的确定需要进行大量的实验，从中找出规律。x的值的大小直接影响识别的效果，分别选取x=4和x=5进行了测试。 

(1)x=4时：程序在测试可识别库中的分属12个人的36幅人脸图像时，正确识别出其中的33幅，其余3幅图像均被判否，0个判错。程序在测试不可识别库中的分属3个人的33幅人脸图像时，22幅图像被成功判否，11幅被误判； 

(2)x=5时：程序在测试可识别库中的分属12个人的36幅人脸图像时，正确识别出其中的25幅，其余ll幅图像均被判否，O幅判错。程序在测试不可识别库中的分属3个人的33幅人脸图像时，28幅图像被成功判否，5幅被误判。 

分析上面的实验数据可知，x=4时，可识别库的识别率为91.6％，不可识别库的判否率为66.7％。x=5时，可识别库的识别率为69.4％，不可识别库的判否率为84.8％。因此，应用于不同的场合时，应选择不同的x值，当要求尽可能拒绝外来人脸时，可选x值为5，当要求尽量识别已知人脸时，可选x值为4。 

***设计时选用DSP6713，这是TI公司生产的C6000系列的浮点处理器，其采用了VLIW体系结构，指令运行的等效周期数较低，运行速度较快。图像的 采集采用了PAL制式输出的普通摄像头加上TI公司生产的图像编码芯片TVP5147，该芯片支持多种制式，多种接口输入，并可以输出YUV格式的视频数据，同时提供行同步信号和垂直同步信号等。数据暂存使用CPLD和SRAM实现。设计***构成。 

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。 

Claims (6)

1.一种人脸识别***，其特征是：依次包括人脸检测与定位、规范化、特征提取和人脸识别四个模块。

2.根据权利要求1所述的一种人脸识别***，其特征是：所述的人脸检测与定位模块为：确定人眼的坐标(x₁，y₁)和(x₂，y₂)，由此可间接得到正方形人脸的左上顶点和右下顶点的坐标，设其分别为(X₁，Y₁)和(X₂，Y₂)，其详细计算方法如下所示：

Width_eyes=x₂-x₁；

Width_face=Width_eyes/R_H；

X₁=x₁-（Width_face-Width_eyes）/2；

X₂=X₁+Width_face；

Height_eyes=(y₁+y₂)/2；

Height_face=Width_face；

Y₁=Height_eyes-Height_face/R_V；

Y₂=Y₁+Height_face；

式中，R_H和R_V均为经验常数，分别取值为2.0和3.5。

3.根据权利要求1所述的一种人脸识别***，其特征是：通过DSP图像预处理来达到图像规范化模块。

4.根据权利要求1所述的一种人脸识别***，其特征是：所述的特征提取模块采用主分量分析（PCA)，包括以下步骤：

第一步，采集到N个样本用作训练集X，求出样本平均值m，如下式所示

$m=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i$

其中，xi∈样本训练集X=(x1，x2，…，xN)。

第二步，求出散布矩阵S，如下式所示

$S=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(x_i-m){(x_i-m)}^t$

求出散布矩阵的特征值λi和对应的特征向量ei。其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2，…。

假设取出p个值，λ1，λ2，…，λp可以确定出脸空间E=(e1，e2，…，eP)，在此脸空间上，训练样本X中，每个元素投影到该空间的点可以由下式得到

x'_i＝E^tx_i，t＝1，2，…，N

由上式得到的是将原向量经过PCA降维后的p维向量。

5.根据权利要求1所述的一种人脸识别***，其特征是：所述的人脸识别模块为KNN分类器进行分类，KNN的实现分训练和识别两步。

6.根据权利要求5所述的一种人脸识别***，其特征是：所述的KNN的训练时，把每类样本降维后的结果作为KNN的输入；KNN的识别时，K近邻算法将一个测试点x分类为与它最接近的K个近邻中出现最多的那个类别，从测试样本点开始生长，不断扩大区域，直到包含进K个训练样本点为止，并且把测试样本点的类别归为这最近K个训练样本点中出现频率最大的类别。

Images