[发明专利]一种基于嵌入式平台的人脸识别方法

说明书

技术领域

本发明属于模式识别技术领域，具体涉及一种基于嵌入式平台的人脸 识别方法，是一种利用计算机技术、数字图象处理技术、模式识别等实现 人脸的自动分析与判别的方法，是生物特征识别领域中关于人脸特征提取 与识别的算法。

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系统的身份认证。

与其他生物特征识别技术相比，人脸识别技术对图像采集设备没有过 高的要求，使用者更容易接受。研究人脸识别的目的就是找到一种快速有 效的分类识别方法，能够快速的判断输入图像中是否存在人脸图像，如果 存在就对其进行快速归类。随着社会对人脸识别的迫切需求，越来越多的 研究者投入到了人脸识别中，旨在找到一种快速、有效，并且能够应用到 实际中的人脸识别方法。

目前实用的人脸识别系统中，基于PC平台的人脸识别系统占了大多 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系统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系统成为可能。

许多人脸识别算法都在PC平台上取得了较好的效果，但是鉴于嵌入式 平台与PC平台在性能上的差距，许多算法不能够在嵌入式平台使用。当前 在嵌入式平台所使用的算法，多为简单的特征提取及人脸识别算法，识别 率较低，更为关键的是其误识率较高。在嵌入式平台的应用场景中，误识 率多为一个重要的参考因素，例如在门禁的应用场景中，若发生拒识，人 员可通过刷卡等方式进入。若发生误识，则可能为没有权限进入的人员开 门，造成损失。因此，提高算法的识别率的同时要尽可能的降低算法的误 识率。

在人脸识别过程中，比较常用的特征提取方法主要有PCA、LDA、LBP 等方法。PCA是一种基本的多维数据描述方法，它早在20年前就应用于 人脸识别，并发展成基于特征脸的一类人脸识别算法。该算法主要目的是 通过寻找一组最具代表性的主元，并用它们的线性组合来重构该库样本， 并使得重构样本与原样本之间均方误差最小，从而来实现人脸识别。LDA 是一种有监督的线性鉴别方法，利用了不同类别之间的标签信息，因此 LDA希望提取的特征能够具有这种特点：即同一类别的特征间距尽可能地 紧凑，而不同类别间的特征间距尽可能地分开。它们之间的聚散程度可以 通过散射矩阵来衡量。LBP方法是一种基于灰度范围内的纹理描述统计方 法。该方法具有计算复杂度低、平移和旋转不变性等优点，对光照变化有 较强的鲁棒性。由于纹理是图像的本质属性，而该方法能够较好地实现对 图像纹理的描述。

PCA与LDA的特征提取方法更关注图像的整体特征，LBP的特征提 取方法更关注图像的局部特征。在嵌入式平台中，我们使用PCA、LDA、 LBP三种特征提取方法，独立进行特征提取及人脸识别，并对其结果进行 集成投票，综合完成人脸识别过程。通过此方法，可综合人脸图像的整体 特征与局部特征，大大降低了人脸识别方法的误识率。同时，由于嵌入式 平台已向多核心发展，由于算法的可并行化，加快了算法的运行速度，平 均了各个cpu的负载。

发明内容

在嵌入式平台上，使用效果较好但复杂度较高的特征提取方法和分类 方法不可行，若使用简单的特征提取方法和分类方法则可能造成识别率的 下降和误识率的上升。基于集成学习的思想，我们分别计算PCA、LDA、 LBP三种方法特征提取后的分类结果，综合投票得出最终的分类结果。其 人脸识别方法算法具体流程如下：

步骤一：图像预处理

(1)对人脸原始图像进行颜色及大小归一化处理。

(2)对人脸图像进行直方图均衡化

步骤二：特征提取

创建3个线程，并行完成(1)、(2)、(3)。

(1)利用PCA方法计算特征矩阵得到训练集的整体特征W_pca。

利用W_pca对各个样本进行降维。