基于DSP的人臉識別系統設計

摘要：介紹了以DSP為核心的實時人臉識別系統設計。通過對視頻制式組成的充分學習，設計了包括圖像采集編碼、CPLD控制存儲器存取切換系統，以及圖像編碼輸出在內的硬件平臺。在軟件設計過程中，分別設計了自動采集樣本程序、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。系統采用了浮點DSP TMS320C6713作為中央處理單元，實時性好，識別精度高，可脫機運行，攜帶方便，可推廣到運動檢測、動態跟蹤等領域。
關鍵詞：DSP；CPLD；主分量分析；KNN分類器

為了人臉識別的相關算法能快速運行，選擇了TI公司的DSP處理器，另附加鍵盤模塊和PAL制式輸出模塊，可以脫離PC獨立對PAL視頻信號進行采集和處理，并獨立運行人臉的定位，特征抽取以及人臉的識別。硬件方面，系統采用了存儲器切換系統，使得圖像數據緩存和讀取分別由CPLD和DSP獨立且同時執行，縮短了數據的處理周期，保證了系統的實時運行。軟件設計包括了：人臉定位、人眼定位、樣本存儲以及人臉識別。其中樣本由DSP自動選取，根據人眼定位和人臉標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練樣本以及待識別樣本。在主分量分析過程中，提取出主分量構成特征臉空間，將原樣本投影到該空間內一點，再輸送到KNN分類器中進行分類。該設備攜帶方便，功耗低并可通過軟件設計將其應用到其他領域，如運動識別、動態跟蹤等。

1 人臉檢測的算法
人臉檢測系統可以分為人臉檢測和人臉識別模塊，這兩大模塊又進一步可劃分為人臉檢測與定位、規范化、特征提取和人臉識別4個模塊。其詳細結構，如圖1所示。

1．1 人臉的定位
通過已獲得的樣本來判斷人臉的位置，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量的好壞對于人臉圖像識別效果有直接的影響。首先確定人眼的坐標(x1，y1)和(x2，y2)，由此可間接得到正方形人臉的左上頂點和右下頂點的坐標，設其分別為(X1，Y1)和(X2，Y2)，其詳細計算方法如下所示

式中，RH和RV均為經驗常數，在設計過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域座標，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相同，所以必須對圖片進行歸一化處理。在設計中將所得人臉區域樣本均縮放至24×24。此外還需要對圖片進行對比度調節和直方圖均衡等操作，以提高識別的準確性。
1．2 人臉特征提取
在設計人臉識別分類器時，通常將一幅圖片看成一個一維向量。雖然這與傳統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)進行特征臉提取創造有利條件。
特征臉分類的方法是將一幅圖像投影到一個特定“臉空間”的一個點。這個“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，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的方法為整個人臉識別系統打下基礎。
第一步，采集到N個樣本用作訓練集X，求出樣本平均值m，如式(1)所示

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

根據PCA的基本原理，必須求出散布矩陣的特征值λi和對應的特征向量ei。其中，ei便是主分量，且其對應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對應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對應的特征向量重建的圖像，看起來更像是噪聲，如果將其應用到系統中，對識別是不利的。

假設取出p個值，λ1，λ2，…，λp可以確定出臉空間E=(e1，e2，…，eP)，在此臉空間上，訓練樣本X中，每個元素投影到該空間的點可以由式(3)得到

由上式得到的是將原向量經過PCA降維后的p維向量，下一步便是將其輸入KNN分類器進行分類。