基于DSP的人臉識(shí)別系統(tǒng)設(shè)計(jì)

摘要：介紹了以DSP為核心的實(shí)時(shí)人臉識(shí)別系統(tǒng)設(shè)計(jì)。通過(guò)對(duì)視頻制式組成的充分學(xué)習(xí)，設(shè)計(jì)了包括圖像采集編碼、CPLD控制存儲(chǔ)器存取切換系統(tǒng)，以及圖像編碼輸出在內(nèi)的硬件平臺(tái)。在軟件設(shè)計(jì)過(guò)程中，分別設(shè)計(jì)了自動(dòng)采集樣本程序、主分量分析(PCA)提取特征程序、包含K近鄰分類(KNN)及判否的程序3部分。系統(tǒng)采用了浮點(diǎn)DSP TMS320C6713作為中央處理單元，實(shí)時(shí)性好，識(shí)別精度高，可脫機(jī)運(yùn)行，攜帶方便，可推廣到運(yùn)動(dòng)檢測(cè)、動(dòng)態(tài)跟蹤等領(lǐng)域。
關(guān)鍵詞：DSP；CPLD；主分量分析；KNN分類器

為了人臉識(shí)別的相關(guān)算法能快速運(yùn)行，選擇了TI公司的DSP處理器，另附加鍵盤(pán)模塊和PAL制式輸出模塊，可以脫離PC獨(dú)立對(duì)PAL視頻信號(hào)進(jìn)行采集和處理，并獨(dú)立運(yùn)行人臉的定位，特征抽取以及人臉的識(shí)別。硬件方面，系統(tǒng)采用了存儲(chǔ)器切換系統(tǒng)，使得圖像數(shù)據(jù)緩存和讀取分別由CPLD和DSP獨(dú)立且同時(shí)執(zhí)行，縮短了數(shù)據(jù)的處理周期，保證了系統(tǒng)的實(shí)時(shí)運(yùn)行。軟件設(shè)計(jì)包括了：人臉定位、人眼定位、樣本存儲(chǔ)以及人臉識(shí)別。其中樣本由DSP自動(dòng)選取，根據(jù)人眼定位和人臉標(biāo)記方框的大小共同決定，選取一部分大小相等且眼距相同的圖片作為訓(xùn)練樣本以及待識(shí)別樣本。在主分量分析過(guò)程中，提取出主分量構(gòu)成特征臉空間，將原樣本投影到該空間內(nèi)一點(diǎn)，再輸送到KNN分類器中進(jìn)行分類。該設(shè)備攜帶方便，功耗低并可通過(guò)軟件設(shè)計(jì)將其應(yīng)用到其他領(lǐng)域，如運(yùn)動(dòng)識(shí)別、動(dòng)態(tài)跟蹤等。

1 人臉檢測(cè)的算法
人臉檢測(cè)系統(tǒng)可以分為人臉檢測(cè)和人臉識(shí)別模塊，這兩大模塊又進(jìn)一步可劃分為人臉檢測(cè)與定位、規(guī)范化、特征提取和人臉識(shí)別4個(gè)模塊。其詳細(xì)結(jié)構(gòu)，如圖1所示。

1．1 人臉的定位
通過(guò)已獲得的樣本來(lái)判斷人臉的位置，選取合適的人臉，截取出做樣本是重要的步驟。人臉特征定位與特征提取質(zhì)量的好壞對(duì)于人臉圖像識(shí)別效果有直接的影響。首先確定人眼的坐標(biāo)(x1，y1)和(x2，y2)，由此可間接得到正方形人臉的左上頂點(diǎn)和右下頂點(diǎn)的坐標(biāo)，設(shè)其分別為(X1，Y1)和(X2，Y2)，其詳細(xì)計(jì)算方法如下所示

式中，RH和RV均為經(jīng)驗(yàn)常數(shù)，在設(shè)計(jì)過(guò)程中將其分別取值為2．0和3．5。如此可在原圖中得到人臉的區(qū)域座標(biāo)，其尺寸隨眼距Widtheyes的大小而變化，但是作為PCA的輸入，要求輸入樣本的維數(shù)相同，所以必須對(duì)圖片進(jìn)行歸一化處理。在設(shè)計(jì)中將所得人臉區(qū)域樣本均縮放至24×24。此外還需要對(duì)圖片進(jìn)行對(duì)比度調(diào)節(jié)和直方圖均衡等操作，以提高識(shí)別的準(zhǔn)確性。
1．2 人臉特征提取
在設(shè)計(jì)人臉識(shí)別分類器時(shí)，通常將一幅圖片看成一個(gè)一維向量。雖然這與傳統(tǒng)的將圖片看成矩陣形式有差別，但是卻能為采用主分量分析(PCA)進(jìn)行特征臉提取創(chuàng)造有利條件。
特征臉?lè)诸惖姆椒ㄊ菍⒁环鶊D像投影到一個(gè)特定“臉空間”的一個(gè)點(diǎn)。這個(gè)“臉空間”由一股互相正交的向量組成。這些向量便是表征各個(gè)人臉聚類的重要組成部分。不同人臉的圖片在此空間的相差較遠(yuǎn)，相同人臉的不同圖片在此空間上的投影相距較近。因此可以使用PCA的方法為整個(gè)人臉識(shí)別系統(tǒng)打下基礎(chǔ)。
第一步，采集到N個(gè)樣本用作訓(xùn)練集X，求出樣本平均值m，如式(1)所示

其中，xi∈樣本訓(xùn)練集X=(x1，x2，…，xN)。
第二步，求出散布矩陣S，如式(2)所示

根據(jù)PCA的基本原理，必須求出散布矩陣的特征值λi和對(duì)應(yīng)的特征向量ei。其中，ei便是主分量，且其對(duì)應(yīng)的特征值的大小代表它包含信息的多少。所以需要將特征值從大到小依次排列λ1，λ2，…。如圖2所示，左邊是由λ1對(duì)應(yīng)的特征向量重建的人臉圖像，基本能分辨出人臉的輪廓，右邊是由λ100對(duì)應(yīng)的特征向量重建的圖像，看起來(lái)更像是噪聲，如果將其應(yīng)用到系統(tǒng)中，對(duì)識(shí)別是不利的。

假設(shè)取出p個(gè)值，λ1，λ2，…，λp可以確定出臉空間E=(e1，e2，…，eP)，在此臉空間上，訓(xùn)練樣本X中，每個(gè)元素投影到該空間的點(diǎn)可以由式(3)得到

由上式得到的是將原向量經(jīng)過(guò)PCA降維后的p維向量，下一步便是將其輸入KNN分類器進(jìn)行分類。