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。

圖1 人臉識(shí)別算法流程

　　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。

　　特征臉分類的方法是將一幅圖像投影到一個(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。

圖2? 重建人臉圖像

　　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。

　　1．3 KNN分類器的構(gòu)建

　　KNN的實(shí)現(xiàn)分訓(xùn)練和識(shí)別兩步。訓(xùn)練時(shí)，把每類樣本降維后的結(jié)果作為KNN的輸入。K近鄰算法將一個(gè)測(cè)試點(diǎn)x分類為與它最接近的K個(gè)近鄰中出現(xiàn)最多的那個(gè)類別，從測(cè)試樣本點(diǎn)開始生長(zhǎng)，不斷擴(kuò)大區(qū)域，直到包含進(jìn)K個(gè)訓(xùn)練樣本點(diǎn)為止，并且把測(cè)試樣本點(diǎn)的類別歸為這最近K個(gè)訓(xùn)練樣本點(diǎn)中出現(xiàn)頻率最大的類別。如圖 3所示，圓圈表示待識(shí)別數(shù)據(jù)所處的位置，選擇K值為3時(shí)，選中實(shí)線圓中的3個(gè)數(shù)據(jù)，識(shí)別結(jié)果為三角形代表的類；選擇K值為5時(shí)，選中虛線圓中的5個(gè)數(shù)據(jù)，識(shí)別結(jié)果為正方形代表的類。所以選取恰當(dāng)?shù)腒值對(duì)分類的結(jié)果有很大影響。如果K值選取過(guò)大時(shí)，可能能較正確地分類，但是同時(shí)犧牲了性能，提高了計(jì)算復(fù)雜度。如果K值選取過(guò)小，則大大降低了計(jì)算復(fù)雜度，但是可能會(huì)影響分類的準(zhǔn)確性。

圖3 KNN分類器

　　2 系統(tǒng)硬件設(shè)計(jì)

　　系統(tǒng)設(shè)計(jì)時(shí)選用DSP6713，這是TI公司生產(chǎn)的C6000系列的浮點(diǎn)處理器，其采用了VLIW體系結(jié)構(gòu)，指令運(yùn)行的等效周期數(shù)較低，運(yùn)行速度較快。圖像的采集采用了PAL制式輸出的普通攝像頭加上TI公司生產(chǎn)的圖像編碼芯片TVP5147，該芯片支持多種制式，多種接口輸入，并可以輸出YUV格式的視頻數(shù)據(jù)，同時(shí)提供行同步信號(hào)和垂直同步信號(hào)等。數(shù)據(jù)暫存使用CPLD和SRAM實(shí)現(xiàn)。設(shè)計(jì)系統(tǒng)構(gòu)成，如圖4所示。

圖4 系統(tǒng)結(jié)構(gòu)框圖

　　2．1 TVP5147芯片

　　系統(tǒng)上電時(shí)，DSP首先對(duì)TVP5147初始化，其通過(guò)I2C總線實(shí)現(xiàn)，DSP自帶I2C總線控制器。芯片I2C地址是由芯片引腳I2CA的電平控制的，如該引腳接高電平，則I2C寫地址為0xB8，否則為OxBB。

　　圖中第一行為DATACLK信號(hào)，其為TVP5147芯片提供的數(shù)據(jù)時(shí)鐘信號(hào)，第二行為數(shù)據(jù)Y［9…0］，當(dāng)每一行圖像開始之前，會(huì)有4個(gè)SAV信號(hào)，同樣，結(jié)束之后也有4個(gè)EAV信號(hào)，如圖5所示，數(shù)據(jù)是YCbCr格式，每個(gè)像素點(diǎn)的數(shù)據(jù)為4個(gè)數(shù)據(jù)組成，一次為Cb，Y，Cr，Y。而由圖5中可以看出 AVID信號(hào)為高電平時(shí)，表明當(dāng)前的數(shù)據(jù)為有效數(shù)據(jù)。這為CPLD采集有效數(shù)據(jù)提供了參考信號(hào)。同時(shí)TVP5147芯片還輸出FID信號(hào)，該信號(hào)為奇偶場(chǎng)指示信號(hào)。假如系統(tǒng)初始化為從Y［9．．O］端口輸出10位的YUV混合視頻數(shù)據(jù)，則可知道其輸出符合以下時(shí)序，如圖5所示。

圖5? TVP5147輸出時(shí)序

　　2．2 CPLD讀寫SRAM

　　存儲(chǔ)器選擇了DS1265AB，它是SRAM存儲(chǔ)器，具有存儲(chǔ)速度快的優(yōu)點(diǎn)，并能夠在系統(tǒng)掉電時(shí)保存數(shù)據(jù)10年。DS1265具有1 MB的容量，20根地址線，8根數(shù)據(jù)線，另有WE，OE，CE信號(hào)輸入端。

　　CPLD選用EPM7128具有價(jià)格便宜、計(jì)數(shù)頻率高等優(yōu)點(diǎn)。將存儲(chǔ)器SRAM接到CPLD的IO引腳上，配合時(shí)序便能達(dá)到對(duì)SRAM讀寫的要求，原理圖，如圖6所示。

圖6 CPLD與SRAM 連接示意圖

　　編寫CPLD程序使得輸出時(shí)序滿足SRAM的存儲(chǔ)要求，當(dāng)然對(duì)于設(shè)計(jì)的具體要求，利用兩片SRAM分別存儲(chǔ)奇偶場(chǎng)的數(shù)據(jù)，SRAM的切換是由奇偶場(chǎng)信號(hào) FID控制多片74HC245實(shí)現(xiàn)的，詳細(xì)過(guò)程，如圖7所示。當(dāng)FID處于高電平時(shí)，此時(shí)M1和M4使能，此時(shí)CPLD將地址信號(hào)CPLDaddr輸入 SRAM1中，DSP將地址信號(hào)DSPaddr輸入至SRAM2中，同時(shí)M6和M8使能，由圖中可以看出，此時(shí)CPLD正向SRAM1寫入數(shù)據(jù)，而DSP 正從SRAM2中讀取數(shù)據(jù)，同時(shí)M10使能，CPLD的信號(hào)CPLDctl控制SRAM1的讀寫，而DSP的信號(hào)DSPctl控制SRAM2的讀寫，當(dāng) FID轉(zhuǎn)為低電平時(shí)，正好將SRAM1和SRAM2實(shí)現(xiàn)了交換。以這種方式構(gòu)建的系統(tǒng)，能同時(shí)將視頻的兩場(chǎng)數(shù)據(jù)同時(shí)記錄下來(lái)，實(shí)現(xiàn)了CPLD和DSP的有機(jī)結(jié)合。至此CPLD的任務(wù)就是將有效的圖像數(shù)據(jù)存儲(chǔ)到對(duì)應(yīng)的SRAM中，當(dāng)TVP5147芯片AVID引腳上升沿時(shí)，置地址為初始值00h，即從首地址依次往后寫入。每一個(gè)數(shù)據(jù)時(shí)鐘信號(hào)DATACLK上升沿時(shí)將TVP5147輸出的Y［9…2］存儲(chǔ)到當(dāng)前地址單元，Y0和Y1位舍棄，因?yàn)樗x擇的 SRAM數(shù)據(jù)位為8位，當(dāng)放棄Y0和Y1位后，降低了圖像數(shù)據(jù)的精度，但對(duì)識(shí)別效果的影響卻很小，然后隨著DATACLK每次上升沿的來(lái)臨，CPLD將地址單元加1，這樣實(shí)現(xiàn)每一場(chǎng)數(shù)據(jù)的寫入。當(dāng)切換至另一場(chǎng)數(shù)據(jù)時(shí)，執(zhí)行的過(guò)程相同，只是存儲(chǔ)的對(duì)象被74HC245強(qiáng)制更改，如此循環(huán)，便可將每場(chǎng)數(shù)據(jù)記錄下來(lái)。

圖7 SRAM切換電路圖

　　2．3 圖像輸出系統(tǒng)的設(shè)計(jì)

　　系統(tǒng)設(shè)計(jì)時(shí)為了減輕負(fù)擔(dān)，采用電視監(jiān)控的方法，將小型電視機(jī)通過(guò)TI公司的視頻編碼芯片THS8135連接至DSP總線，將得到的YUV數(shù)據(jù)通過(guò) THS8135直接輸出至電視AV的視頻接收端，并且通過(guò)DSP可以將一些信息顯示到電視屏幕上，這樣使得識(shí)別的過(guò)程更加人性化。

　　3 系統(tǒng)軟件設(shè)計(jì)

　　系統(tǒng)硬件調(diào)試成功后，需要提供一定的軟件算法等，以實(shí)現(xiàn)軟件和硬件的結(jié)合，在此設(shè)計(jì)中，SRAM是擴(kuò)展在DSP處理器EMIF上的，DSP處理器通過(guò)讀信號(hào)的觸發(fā)將有效奇偶場(chǎng)數(shù)據(jù)分別存儲(chǔ)為兩個(gè)一維數(shù)組，以供處理。

　　3．1 DSP的圖像預(yù)處理

　　TVP5147芯片輸出的圖像數(shù)據(jù)并非RGB格式，而是以YUV格式輸出的。需要通過(guò)DSP處理器轉(zhuǎn)換成RGB格式，才能進(jìn)行圖像的預(yù)處理，轉(zhuǎn)換公式如式（4）所示。

　　DSP將圖像數(shù)據(jù)讀入內(nèi)存空間，然后對(duì)其進(jìn)行運(yùn)算，將得到的RGB分別放到對(duì)應(yīng)的存儲(chǔ)單元，并算出灰度值Gray，運(yùn)算公式如式（5）所示。
?????

　　將最后得到的灰度值存放到對(duì)應(yīng)的數(shù)組當(dāng)中。每張圖片由兩場(chǎng)圖片構(gòu)成，所以完整的圖片分辨率為720×576。但是對(duì)于系統(tǒng)本身無(wú)需對(duì)其每一個(gè)像素都進(jìn)行轉(zhuǎn)換，所以截取其中320×240進(jìn)行存儲(chǔ)，這樣每場(chǎng)的分辨率為320×120，大大降低了由YUV到灰度圖像預(yù)處理和臉部定位的時(shí)間，提高了系統(tǒng)的性能。

　　3．2 人臉判別流程

　　將得到的320×240的圖片經(jīng)過(guò)人臉的檢測(cè)后，將截取人臉的部分作為人臉樣本。設(shè)計(jì)時(shí)，人臉的所有樣本都將在顯示器上顯示出來(lái)，降低了人臉錯(cuò)誤檢測(cè)的可能，一定程度上提高系統(tǒng)的準(zhǔn)確性。

　　人臉的樣本分辨率為24×24，作為576維的一維向量輸入至PCA。圖8（a）為計(jì)算PCA投影矩陣的流程圖，圖8（b）為KNN分類器的工作流程圖，其中訓(xùn)練樣本經(jīng)過(guò)PCA投影后的數(shù)值，不需要在每次識(shí)別中重新計(jì)算，可以作為初始化時(shí)的計(jì)算，也可存儲(chǔ)于掉電非易失介質(zhì)中，如Flash存儲(chǔ)器中，可以提高設(shè)備的運(yùn)行效率，降低運(yùn)算量。

圖8 PCA 與KNN流程圖

　　如圖8所示，KNN分類器可以判斷最接近的分類，但是并不能拒絕分類，于是產(chǎn)生了任何人的臉都將被分到內(nèi)置樣本集的一類中。這樣的分類方式是不可取的，所以必須加入是否拒絕的判定，流程圖如圖9所示。

圖9 人臉分類流程圖

　　如流程圖中顯示，當(dāng)樣本點(diǎn)經(jīng)過(guò)PCA降維后，輸送至KNN分類器進(jìn)行分類，所得到的結(jié)果一定可以判定為第K類，此時(shí)不能急于定論，先求出待測(cè)點(diǎn)與K類標(biāo)號(hào)的樣本點(diǎn)的歐氏距離之和sum。定義兩個(gè)閾值a和b，如果sum

　　4 試驗(yàn)結(jié)果

　　該實(shí)驗(yàn)中，選定a的值為12 400，b的值為16 200，這兩個(gè)值的確定需要進(jìn)行大量的實(shí)驗(yàn)，從中找出規(guī)律。x的值的大小直接影響識(shí)別的效果，文中分別選取x=4和x=5進(jìn)行了測(cè)試。

　?。?）x=4時(shí)：程序在測(cè)試可識(shí)別庫(kù)中的分屬12個(gè)人的36幅人臉圖像時(shí)，正確識(shí)別出其中的33幅，其余3幅圖像均被判否，0個(gè)判錯(cuò)。程序在測(cè)試不可識(shí)別庫(kù)中的分屬3個(gè)人的33幅人臉圖像時(shí)，22幅圖像被成功判否，11幅被誤判；

　?。?）x=5時(shí)：程序在測(cè)試可識(shí)別庫(kù)中的分屬12個(gè)人的36幅人臉圖像時(shí)，正確識(shí)別出其中的25幅，其余l(xiāng)l幅圖像均被判否，O幅判錯(cuò)。程序在測(cè)試不可識(shí)別庫(kù)中的分屬3個(gè)人的33幅人臉圖像時(shí)，28幅圖像被成功判否，5幅被誤判。

　　分析上面的實(shí)驗(yàn)數(shù)據(jù)可知，x=4時(shí)，可識(shí)別庫(kù)的識(shí)別率為91．6％，不可識(shí)別庫(kù)的判否率為66．7％。x=5時(shí)，可識(shí)別庫(kù)的識(shí)別率為69．4-％，不可識(shí)別庫(kù)的判否率為84．8％。因此，應(yīng)用于不同的場(chǎng)合時(shí)，應(yīng)選擇不同的x值，當(dāng)要求盡可能拒絕外來(lái)人臉時(shí)，可選x值為5，當(dāng)要求盡量識(shí)別已知人臉時(shí)，可選x 值為4。

　　5 結(jié)束語(yǔ)

　　此人臉識(shí)別系統(tǒng)的構(gòu)建，充分考慮了其推廣性，未采用USB攝像頭作為圖像采集設(shè)備，而以通用視頻標(biāo)準(zhǔn)的模擬攝像頭取而代之，因此用戶在攝像頭選擇的時(shí)候，可以更加自由。同時(shí)該設(shè)備支持多種接口輸入，除了普通的R-jack口之外，還提供了Svideo，YPbPr和RGB等輸入方式。該設(shè)備的識(shí)別精度可達(dá) 90％以上，基本滿足了識(shí)別要求。系統(tǒng)實(shí)時(shí)性好、攜帶方便，可以通過(guò)程序的修改推廣到動(dòng)態(tài)圖像跟蹤、運(yùn)動(dòng)檢測(cè)等領(lǐng)域。