CN105809125A - 基于多核心arm平台的人脸识别*** - Google Patents

Abstract

本发明公开的技术方案为基于多核心ARM平台的人脸识别***，首先搭建硬件平台，选择嵌入式开发板及相应配件，在此基础上进行人脸识别***设计。人脸识别***中首先通过摄像头进行图像采集，对采集好的图像进行图像预处理工作，降低环境因素对后续工作的影响。之后进行人脸检测工作，截取人脸图像。对人脸图像进行特征提取以降低计算复杂度。最后，利用提取的特征进行分类识别。为方便用户在***中进行人脸数据库修改，在***中开发了数据库管理功能。本发明使用带有光线传感器的近红外摄像头，保证在不同光线条件下获取清晰的人脸图像；利用多核心ARM芯片性能特点保证嵌入式人脸识别***速度，同时提高人脸识别正确率。

Description

基于多核心ARM平台的人脸识别***

技术领域

本发明属于模式识别技术领域，具体涉及一种基于多核心ARM平台的人脸识别***，是一种利用计算机技术、嵌入式开发技术、模式识别等实现人脸的自动识别***。

背景技术

生物特征识别技术是指利用人类本身所拥有的、能够标识其身份的生理特征或行为特征进行身份验证的技术。与传统的身份验证技术相比，生物特征识别技术从根本上杜绝了伪造和窃取，具有更高的可靠性、安全性，已经越来越广泛的应用于一些安全***的身份认证。

人脸识别作为人脸生物特征与模式识别的交叉技术，是通过计算机(包括嵌入式设备)采集人脸图像，并提取特征，进行识别比对，最后识别其身份的技术。人脸识别具有非接触式、操作便捷、用户友好度好、设备要求低等特点，而其他生物特征识别，例如虹膜、指纹虽然识别性能好，但是对设备要求高，接触性强。因此人脸识别成为近年来生物特征识别领域一个非常热门的研究方向。

当今的时代是信息时代，微电子技术、计算机技术和数字网络技术高速发展，嵌入式***建立在这些技术基础之上，发展速度迅猛，已经应用到生活和专业领域的方方面面。嵌入式***是指专用的计算机***，由于在很多情况下，嵌入式***只需要提供一种功能，所以在实际应用中需要根据实际的需求对嵌入式***进行专门的软硬件剪裁，以满足***对于功能、成本、体积等因素的要求。

目前实用的人脸识别***中，基于PC平台的人脸识别***占了大多数。但是随着电子技术的发展及社会的需求变化，硬件处理平台朝着微型化、低功耗、便携式的方向发展，并且PC平台具有体积大、功耗高、便携性差等缺点，限制了人脸识别的广泛应用与普及。随着技术的发展，嵌入式平台的运算速度越来越快，体积越来越小，功耗和成本越来越低，使得在开发便携式的人脸识别***有了充分的硬件支持。因此，开发具有更广阔应用领域的嵌入式人脸识别***成为可能。

常用的嵌入式平台有ARM、DSP、达芬奇双核平台等。DSP处理器具有强大的数据处理与运算能力，但对外设的控制能力有限、对用户交互接口支持不完善以及价格贵。达芬奇双核平台对外设的控制和数据处理功能比较强，但做工复杂、开发难度大以及价格昂贵。ARM处理器在人机交互、设备控制等方面拥有强大的功能，同时随着ARM处理器的快速发展，其对数据处理的能力越来越强，价格也越来越便宜。

在ARM系列处理器中，Cortex-A9多核处理器技术成熟、应用广泛、数据处理与运算能力强，具备快速处理人脸识别算法的性能，同时价格便宜，有利于嵌入式人脸识别***的普及化。因此在多核心ARM平台设计人脸识别***具有很重要的应用价值。

发明内容

本发明目的是针对现有技术的不足，解决软硬集成一体化的嵌入式人脸识别技术应用问题，提供一种基于多核心ARM平台的人脸识别方法及装置设备。

为实现上述目的，本发明采用的技术方案为基于多核心ARM平台的人脸识别***，该***由硬件平台选择、图像采集、图像预处理、人脸检测、特征提取、人脸识别、数据库管理七个子模块组成。首先搭建硬件平台，选择嵌入式开发板及相应配件，在此基础上进行人脸识别***设计。人脸识别***中首先通过摄像头进行图像采集，对采集好的图像进行图像预处理工作，降低环境因素对后续工作的影响。之后进行人脸检测工作，截取人脸图像。由于人脸图像维度较高，计算复杂度大，对其进行特征提取以降低计算复杂度。最后，利用提取的特征进行分类识别。为方便用户在***中进行人脸数据库修改，在***中开发了数据库管理功能。

硬件***设计：

平台选用多核心ARM架构的CPU，至少需配备1GB内存，4GB存储空间，以保证***的流畅运行。平台需可扩展多种接口，需至少提供显示接口、USB等接口连接屏幕显示设备及摄像采集设备。

平台选用近红外摄像头作为图像采集模块，与通过USB方式与硬件平台连接。近红外摄像头需配有光敏电阻，可根据光线环境自动调整红外补光。

***需配备可触控液晶屏幕，连接至***显示接口上，用于***显示与用户交互。

硬件***设计可参考图1***结构示意图。

人脸识别***具体流程如下：

步骤一：图像采集

(1)以近红外摄像头作为图像传感器，通过近红外摄像头抓取图像。近红外摄像头含有光线传感器，在光照充足时正常采集图像。在光照不充足时，开启红外补光灯，并进行红外图像采集。

步骤二：图像预处理

(1)颜色归一化

将采集到的彩色图像进行灰度变换，变换为256色灰度图像。

(2)光照补偿。

对变换后的图像进行直方图均衡化处理。该方法对图像光照进行处理，得到光照相对统一的图像。

步骤三：人脸检测

(1)对图像进行人脸检测

利用AdaboostCascade算法，对步骤二得到的图像进行人脸检测。检测出图像中的所有人脸图像区域，若检测到多个人脸图像，则选择人脸图像区域最大的部分作为目标人脸图像区域。

(2)人脸图像归一化

截取目标人脸区域图像，并进行归一化处理。统一人脸图像尺寸为高×宽＝77×64像素。

步骤四：特征提取

(1)对人脸图像进行特征提取

利用PCA算法对人脸图像进行特征提取。

步骤五：人脸识别

(1)采用欧式距离分类器分类

利用集成学习算法SAMME.R对步骤四中提取出的PCA特征进行分类。计算当前人脸图像的PCA特征与所分类别人脸图像PCA特征的距离。

(2)显示识别结果

判断最近距离是否大于阈值，若大于阈值则当前人脸图像不属于人脸数据库。若小于阈值，则把人脸数据库中距离最近的图像作为识别结果。

步骤六：数据库管理

(1)添加人脸图像

在步骤三后，可把目标人脸图像保存至人脸数据库。保存人脸图像时，输入当前人员编号，若编号已存在，则显示当前编号人脸图像，核对后添加至人脸数据库中。若编号不存在，则提示核对编号，并创建新人员，核对后添加至人脸数据库中。

(2)训练人脸数据库

添加人脸图像后，需对人脸数据库重新进行训练。利用步骤四中的特征提取方法对数据库中的每张人脸图像进行特征提取，保存特征提取后的数据。利用步骤五中的集成学习算法，训练强分类器。

本发明的有益效果在于：1、使用带有光线传感器的近红外摄像头，保证在不同光线条件下获取清晰的人脸图像。2、本发明利用多核心ARM芯片性能特点，选择SAMME.R集成学习算法代替普通的分类算法，可以保证嵌入式人脸识别***速度，同时提高人脸识别正确率。

附图说明

图1是本发明***结构示意图。

图2是本发明人脸识别过程示意图。

图3是本发明***界面示意图。

具体实施方式

硬件平台选择：

平台选用三星Exynos4412CPU采用32nm制程，四核1.6GHz主频。Exynos4412平台配备1GB内存，4GB固态硬盘EMMC存储，配备三星S5M8767电源管理芯片。扩展多种接口，为***的扩展提供了支持。其包含以太网、JTAG、GPIO、摄像头、AD转换、USBHOST、USBOTG、HDMI、TF卡、串口等接口外，另外具有矩阵键盘、WIFI、485总线、CAN总线的模块扩展能力。为设计开发人脸识别***提供了硬件保障，其集成多种接口，方便***未来的扩展。

采用近红外摄像头作为图像采集模块，与Exynos4412平台通过USB方式连接。近红外摄像头配有光敏电阻，可根据光线环境调整红外补光。

***选用4.3寸触摸液晶屏幕，用于***显示与用户交互。

步骤一：图像采集过程如下：

采用近红外摄像头作为图像传感器，通过USB接口与Exynos4412嵌入式平台相连，通过近红外摄像头抓取图像。近红外摄像头含有光线传感器，在光照充足时正常采集图像，采集图像尺寸为宽×高＝320×240像素的彩色图像。在光照不充足时，开启红外补光灯，并进行红外图像采集，采集图像尺寸为宽×高＝320×240像素的256灰度红外图像。

步骤二：图像预处理过程如下：

首先对步骤一中所得图像进行颜色归一化，将在光照充足时采集到的彩色图像进行灰度变换，变换为256色灰度图像。至此，所有采集到的图像均为宽×高＝320×240像素的256色灰度图像。

其次对图像进行直方图均衡化算法。若一幅图像中的灰度级分布比较平缓，这样的图像应该具有较好的视觉效果。

直方图均衡化方法如下，假设r、s分别表示原始图像和变换后的图像在点(x,y)处的灰度值，灰度级总数为L，且s＝T(r)，T(r)为变换函数，这里图像增强变换函数需要满足以下两个条件：

(1)T(r)在0≤r≤L-1范围内是个单值单增函数。

(2)对0≤r≤1有0≤T(r)≤1。

第一个条件保证图像灰度级在变换后仍保持从低到高的次序，第二个条件保证变换前后灰度值动态范围的一致性。

由s到r的变换为

r＝T^-1(s)(0≤s≤L-1)

这里T^-1(s)对s也满足上述两个条件。

一幅图像的灰度级可视为区间[0,L-1]上的随机变量，能够证明变换函数是原图像的累积分布函数，并且满足以上两个条件。假设N为一幅图像中像素的总数，n_k为第k级灰度的像素数，r_k表示第k灰度级，则该图像中灰度级为r_k的像素出现的概率可以表示为：

P(r_k)＝n_k/N

对其进行均匀化处理的变换函数为

$s_k=T\left(r_k\right)=\underset{j=0}{\overset{k}{\Σ}}P\left(r_j\right)=\underset{j=0}{\overset{k}{\Σ}}\frac{n_j}{N}$

利用上述公式对图像进行相应变换，可以得到均衡化后的图像，该图像较原始图像具有较高的对比度以及较好的视觉效果。

步骤三：人脸检测

对图像进行人脸检测。利用Adaboost算法，对步骤二得到的图像进行人脸检测。

弱分类器是组成AdaBoost分类器的基础，每一个弱分类器对应着一个矩形特征，分类器是由Haar特征直接构成的，分类能力弱，但是设计简单、计算量小、实时性强。对于每个特征，弱分类器都使得分类函数的阈值达到最佳。假设待检测窗口x，h_i(x)为第i个矩形特征的特征值，则这个矩形特征可以表示为：

q_i的作用是对不等式的方向进行控制，对q_i只能取+1和-1，h_i(x)代表在待检测图像x上第i个特征所对应的特征值，θ_i代表阈值，θ_i的计算公式为

${\mathrm{\θ}}_i=\frac{{\mathrm{mv}}_1+{\mathrm{nv}}_2}{m+n}$

其中m表示人脸数目，n表示非人脸数目，v₁表示所有人脸在当前特征下对应的平均特征值，v₂表示所有非人脸在当前特征下对应的平均特征值。

若v₁＜θ_i，那么q_i取值为-1，判定待测图像x是否为人脸的依据是x的特征值是否比θ_i小，如果是则断定待测图像x是人脸，反之则不是。

若v₁＞θ_j，那么q_i取值为+1，判定待测图像x是否为人脸的依据是x的特征值是否比θ_i大，如果是则断定待测图像x是人脸，反之则不是。

AdaBoost可以自适应的调整取样样本，提高检测率。在得到大量的弱分类器后，就可以把这些弱分类器通过加权叠加为强分类器。强分类器的构建方法为，使用投票机制，在每一次迭代过程中，寻找一个最小错误率的弱分类器，调整权重分布，增加分类错误的样本的权值，降低分类正确的样本的权值。从而保证被错误分类的样本能得到足够的重视，这样对每次迭代过程中得到的最优弱分类器赋予不同的权重值，组合在一起并形成强分类器。

Adaboost算法可检测出图像中的所有人脸图像区域，若检测到多个人脸图像，则选择人脸图像区域最大的部分作为目标人脸图像区域。

检测出目标人脸区域后，截取目标人脸区域图像，并进行归一化处理。统一人脸图像尺寸为高×宽＝77×64像素。

步骤四：特征提取

利用PCA算法对人脸图像进行特征提取，首先需要计算PCA整体特征。

主成分分析是以K-L变换为基础的统计分析方法，它的基本思想是寻找在最小均方差意义下最能代表原始数据的投影方法。用少量的特征表征原始高维样本信息，并且保持了原有数据中的主要特征信息。首先计算训练样本协方差矩阵特征值与其对应的标准特征向量；然后选择其中较大的m个特征值对应的特征向量组成降维矩阵，用该矩阵对原始样本进行降维。具体流程如下：

样本集其中x_i是一个列向量，是原始图像的行连接矩阵。那么训练样本的平均向量表示为：

$\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_i$

样本协方差矩阵：

$\mathrm{\Σ}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}(x-\stackrel{\‾}{x}){(x-\stackrel{\‾}{x})}^T$

计算特征值与特征向量：

|λI-Σ|＝0(λ_kI-Σ)u_k＝0

计算上式的特征值对应的单位特征向量，选择最大的m个特征值对应的单位特征向量u₁,u₂,...,u_m构成降维矩阵：

W＝(u₁,...,u_m)^T

最后，利用W对人脸图像样本降维，得到特征提取后的人脸图像。

步骤五：人脸识别

利用集成学习算法SAMME.R得到的强分类器对步骤四中提取出的PCA特征进行分类。

SAMME.R算法流程如下：

1、数据初始化

(1)初始化权值 $w_t^1=D\left(i\right)=\frac{1}{m},i=1,...,m.$

2、循环处理

fort＝1,...,T，执行以下7步：

①按照权值w^t，选择训练样本。

②对样本进行分类识别，h_t:X→Y。

③fork＝1,...,K，执行以下2步。

(1)循环计算各类中，分到各类样本的权值和

forj＝1,...,K

${\mathrm{\γ}}_{tkj}={\mathrm{\Σ}}_{i=1}^m{w}_i^t\[y_i=k,h_t\left(x_i\right)=j\],$

(2)判断各类中分类正确的样本权值和是否大于分到其他各类样本的权值和 ${\mathrm{\γ}}_{tkj}\[h_t\left(x_i\right)=j\]>=\∀{\mathrm{\γ}}_{tkj}\[h_t\left(x_i\right)\≠j\].$

若满足，则进行下一次循环。若不满足，则返回2重新开始计算。

④计算h_t的伪错误率： ${\mathrm{\ϵ}}_t={\mathrm{\Σ}}_{i=1}^m{w}_i^t\[h_t\left(x_i\right)\≠y_i\].$

⑤置 $a_t=ln\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t}+ln(k-1)$

⑥计算新的权重向量 $w_i^{t+1}=w_i^t\·\exp (a_t\·\[h_t(x_i)\≠y_i\])$

⑦归一化

3、最终强分类器

$h_f\left(x\right)=\arg \underset{y\∈Y}{max}\underset{t=1}{\overset{T}{\Σ}}{a}_t\·\[h_t\left(x_t\right)=y_t\]$

利用最终强分类器h_f(x)，对当前人脸图像的PCA特征进行分类。计算当前PCA特征与所分类别PCA特征之间距离。判断距离是否大于阈值，若大于阈值则当前人脸图像不属于人脸数据库。若小于阈值，则将该分类作为识别结果。

步骤六：数据库管理

(3)添加人脸图像

在步骤三后，若***检测到图像中存在人脸图像，则用户可把目标人脸图像保存至人脸数据库。

保存人脸图像时，输入当前人员编号，若编号已存在，则显示当前编号人脸图像，核对后添加至人脸数据库中。若编号不存在，则提示核对编号，并创建新人员，核对后添加至人脸数据库中。

(4)训练人脸数据库

添加人脸图像后，需对人脸数据库重新进行训练。首先，利用步骤四中的特征提取方法对数据库中的每张人脸图像进行PCA特征提取，保存特征提取后的数据。

按照步骤五，SAMME.R算法中强分类器h_f(x)的训练方法，训练强分类器。

Claims (3)

1.基于多核心ARM平台的人脸识别***，其特征在于：该***由硬件平台选择、图像采集、图像预处理、人脸检测、特征提取、人脸识别、数据库管理七个子模块组成；首先搭建硬件平台，选择嵌入式开发板及相应配件，在此基础上进行人脸识别***设计；人脸识别***中首先通过摄像头进行图像采集，对采集好的图像进行图像预处理工作，降低环境因素对后续工作的影响；之后进行人脸检测工作，截取人脸图像；由于人脸图像维度较高，计算复杂度大，对其进行特征提取以降低计算复杂度；最后，利用提取的特征进行分类识别；为方便用户在***中进行人脸数据库修改，在***中开发了数据库管理功能；

硬件***设计：

平台选用多核心ARM架构的CPU，至少需配备1GB内存，4GB存储空间，以保证***的流畅运行；平台需可扩展多种接口，需至少提供显示接口、USB等接口连接屏幕显示设备及摄像采集设备；

平台选用近红外摄像头作为图像采集模块，与通过USB方式与硬件平台连接；近红外摄像头需配有光敏电阻，可根据光线环境自动调整红外补光；

***需配备可触控液晶屏幕，连接至***显示接口上，用于***显示与用户交互。

2.根据权利要求1所述的基于多核心ARM平台的人脸识别***，其特征在于：

人脸识别***具体流程如下：

步骤一：图像采集

(1)以近红外摄像头作为图像传感器，通过近红外摄像头抓取图像；近红外摄像头含有光线传感器，在光照充足时正常采集图像；在光照不充足时，开启红外补光灯，并进行红外图像采集；

步骤二：图像预处理

(1)颜色归一化

将采集到的彩色图像进行灰度变换，变换为256色灰度图像；

(2)光照补偿；

对变换后的图像进行直方图均衡化处理；该方法对图像光照进行处理，得到光照相对统一的图像；

步骤三：人脸检测

(1)对图像进行人脸检测

利用AdaboostCascade算法，对步骤二得到的图像进行人脸检测；

检测出图像中的所有人脸图像区域，若检测到多个人脸图像，则选择人脸图像区域最大的部分作为目标人脸图像区域；

(2)人脸图像归一化

截取目标人脸区域图像，并进行归一化处理；统一人脸图像尺寸为高×宽＝77×64像素；

步骤四：特征提取

(1)对人脸图像进行特征提取

利用PCA算法对人脸图像进行特征提取；

步骤五：人脸识别

(1)采用欧式距离分类器分类

利用集成学习算法SAMME.R对步骤四中提取出的PCA特征进行分类；计算当前人脸图像的PCA特征与所分类别人脸图像PCA特征的距离；

(2)显示识别结果

判断最近距离是否大于阈值，若大于阈值则当前人脸图像不属于人脸数据库；若小于阈值，则把人脸数据库中距离最近的图像作为识别结果；

步骤六：数据库管理

(1)添加人脸图像

在步骤三后，可把目标人脸图像保存至人脸数据库；保存人脸图像时，输入当前人员编号，若编号已存在，则显示当前编号人脸图像，核对后添加至人脸数据库中；若编号不存在，则提示核对编号，并创建新人员，核对后添加至人脸数据库中；

(2)训练人脸数据库

添加人脸图像后，需对人脸数据库重新进行训练；利用步骤四中的特征提取方法对数据库中的每张人脸图像进行特征提取，保存特征提取后的数据；利用步骤五中的集成学习算法，训练强分类器。

3.根据权利要求1所述的基于多核心ARM平台的人脸识别***，其特征在于：

步骤一：图像采集过程如下：

我们采用近红外摄像头作为图像传感器，通过USB接口与Exynos4412嵌入式平台相连，通过近红外摄像头抓取图像；近红外摄像头含有光线传感器，在光照充足时正常采集图像，采集图像尺寸为宽×高＝320×240像素的彩色图像；在光照不充足时，开启红外补光灯，并进行红外图像采集，采集图像尺寸为宽×高＝320×240像素的256灰度红外图像；

步骤二：图像预处理过程如下：

首先对步骤一中所得图像进行颜色归一化，将在光照充足时采集到的彩色图像进行灰度变换，变换为256色灰度图像；至此，所有采集到的图像均为宽×高＝320×240像素的256色灰度图像；

其次对图像进行直方图均衡化算法；若一幅图像中的灰度级分布比较平缓，这样的图像应该具有较好的视觉效果；

直方图均衡化方法如下，假设r、s分别表示原始图像和变换后的图像在点(x,y)处的灰度值，灰度级总数为L，且s＝T(r)，T(r)为变换函数，这里图像增强变换函数需要满足以下两个条件：

(1)T(r)在0≤r≤L-1范围内是个单值单增函数；

(2)对0≤r≤1有0≤T(r)≤1；

第一个条件保证图像灰度级在变换后仍保持从低到高的次序，第二个条件保证变换前后灰度值动态范围的一致性；

由s到r的变换为

r＝T^-1(s)(0≤s≤L-1)

这里T^-1(s)对s也满足上述两个条件；

一幅图像的灰度级可视为区间[0,L-1]上的随机变量，能够证明变换函数是原图像的累积分布函数，并且满足以上两个条件；假设N为一幅图像中像素的总数，n_k为第k级灰度的像素数，r_k表示第k灰度级，则该图像中灰度级为r_k的像素出现的概率可以表示为：

P(r_k)＝n_k/N

对其进行均匀化处理的变换函数为

$s_k=T\left(r_k\right)=\underset{j=0}{\overset{k}{\Σ}}P\left(r_j\right)=\underset{j=0}{\overset{k}{\Σ}}\frac{n_j}{N}$

利用上述公式对图像进行相应变换，可以得到均衡化后的图像，该图像较原始图像具有较高的对比度以及较好的视觉效果；

步骤三：人脸检测

对图像进行人脸检测；利用Adaboost算法，对步骤二得到的图像进行人脸检测；

弱分类器是组成AdaBoost分类器的基础，每一个弱分类器对应着一个矩形特征，分类器是由Haar特征直接构成的，分类能力弱，但是设计简单、计算量小、实时性强；对于每个特征，弱分类器都使得分类函数的阈值达到最佳；假设待检测窗口x，h_i(x)为第i个矩形特征的特征值，则这个矩形特征可以表示为：

q_i的作用是对不等式的方向进行控制，对q_i只能取+1和-1，h_i(x)代表在待检测图像x上第i个特征所对应的特征值，θ_i代表阈值，θ_i的计算公式为

${\mathrm{\θ}}_i=\frac{{\mathrm{mv}}_1+{\mathrm{nv}}_2}{m+n}$

其中m表示人脸数目，n表示非人脸数目，v₁表示所有人脸在当前特征下对应的平均特征值，v₂表示所有非人脸在当前特征下对应的平均特征值；

若v₁＜θ_i，那么q_i取值为-1，判定待测图像x是否为人脸的依据是x的特征值是否比θ_i小，如果是则断定待测图像x是人脸，反之则不是；

若v₁＞θ_j，那么q_i取值为+1，判定待测图像x是否为人脸的依据是x的特征值是否比θ_i大，如果是则断定待测图像x是人脸，反之则不是；

AdaBoost可以自适应的调整取样样本，提高检测率；在得到大量的弱分类器后，就可以把这些弱分类器通过加权叠加为强分类器；强分类器的构建方法为，使用投票机制，在每一次迭代过程中，寻找一个最小错误率的弱分类器，调整权重分布，增加分类错误的样本的权值，降低分类正确的样本的权值；从而保证被错误分类的样本能得到足够的重视，这样对每次迭代过程中得到的最优弱分类器赋予不同的权重值，组合在一起并形成强分类器；

Adaboost算法可检测出图像中的所有人脸图像区域，若检测到多个人脸图像，则选择人脸图像区域最大的部分作为目标人脸图像区域；

检测出目标人脸区域后，截取目标人脸区域图像，并进行归一化处理；统一人脸图像尺寸为高×宽＝77×64像素；

步骤四：特征提取

利用PCA算法对人脸图像进行特征提取，首先需要计算PCA整体特征；

主成分分析是以K-L变换为基础的统计分析方法，它的基本思想是寻找在最小均方差意义下最能代表原始数据的投影方法；用少量的特征表征原始高维样本信息，并且保持了原有数据中的主要特征信息；首先计算训练样本协方差矩阵特征值与其对应的标准特征向量；然后选择其中较大的m个特征值对应的特征向量组成降维矩阵，用该矩阵对原始样本进行降维；具体流程如下：

样本集其中x_i是一个列向量，是原始图像的行连接矩阵；那么训练样本的平均向量表示为：

$\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_i$

样本协方差矩阵：

$\mathrm{\Σ}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}(x-\stackrel{\‾}{x}){(x-\stackrel{\‾}{x})}^T$

计算特征值与特征向量：

|λI-Σ|＝0(λ_kI-Σ)u_k＝0

计算上式的特征值对应的单位特征向量，选择最大的m个特征值对应的单位特征向量u₁,u₂,...,u_m构成降维矩阵：

W＝(u₁,...,u_m)^T

最后，利用W对人脸图像样本降维，得到特征提取后的人脸图像；

步骤五：人脸识别

利用集成学习算法SAMME.R得到的强分类器对步骤四中提取出的PCA特征进行分类；

SAMME.R算法流程如下：

1)数据初始化

(1)初始化权值

2)循环处理

fort＝1,...,T，执行以下7步：

①按照权值w^t，选择训练样本；

②对样本进行分类识别，h_t:X→Y；

③fork＝1,...,K，执行以下2步；

(1)循环计算各类中，分到各类样本的权值和

forj＝1,...,K

${\mathrm{\γ}}_{tkj}={\mathrm{\Σ}}_{i=1}^m{w}_i^t\[y_i=k,h_t\left(x_i\right)=j\],$

(2)判断各类中分类正确的样本权值和是否大于分到其他各类样本的权值和

若满足，则进行下一次循环；若不满足，则返回2重新开始计算；

④计算h_t的伪错误率：

⑤置

⑥计算新的权重向量

⑦归一化

3)最终强分类器

$h_f\left(x\right)=\arg \underset{y\∈Y}{max}\underset{t=1}{\overset{T}{\Σ}}{a}_t\·\[h_t\left(x_t\right)=y_t\]$

利用最终强分类器h_f(x)，对当前人脸图像的PCA特征进行分类；计算当前PCA特征与所分类别PCA特征之间距离；判断距离是否大于阈值，若大于阈值则当前人脸图像不属于人脸数据库；若小于阈值，则将该分类作为识别结果；

步骤六：数据库管理

(3)添加人脸图像

在步骤三后，若***检测到图像中存在人脸图像，则用户可把目标人脸图像保存至人脸数据库；

保存人脸图像时，输入当前人员编号，若编号已存在，则显示当前编号人脸图像，核对后添加至人脸数据库中；若编号不存在，则提示核对编号，并创建新人员，核对后添加至人脸数据库中；

(4)训练人脸数据库

添加人脸图像后，需对人脸数据库重新进行训练；首先，利用步骤四中的特征提取方法对数据库中的每张人脸图像进行PCA特征提取，保存特征提取后的数据；

按照步骤五，SAMME.R算法中强分类器h_f(x)的训练方法，训练强分类器。